k-近鄰算法采用測量不同特征值之間的距離方法進行分類，屬于監督學習。

主要代碼如下： def createDataSet():group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])labels = ['A','A','B','B']return group,labelsdef classify0(inX,dataSet,labels,k):dataSetSize = dataSet.shape[0]diffMat = tile(inX,(dataSetSize,1)) - dataSetsqDiffMat = diffMat **2sqDistances = sqDiffMat.sum(axis=1)distances = sqDistances **0.5sortedDistIndicies = distances.argsort()classCount = {}for i in range(k):voteIlabel = labels[sortedDistIndicies[i]]classCount[voteIlabel] = classCount.get(voteIlabel,0) +1sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)return sortedClassCount[0][0] createDataSet（）用于導入數據； 主要介紹classify0(inX,dataSet,labels,k)：

4個輸入參數：用于分類的輸入向量inX，訓練樣本集dataSet（是一個數組），標簽向量labels，用于選擇最近鄰的數目k；

dataSetSize = dataSet.shape[0] 這一句使用到了NumPy的shape函數，返回矩陣/數組的不同維數的長度，第一個元素（shape[0]）表示第一維的長度，亦即行數，即有幾個訓練數據；

diffMat = tile(inX, (dataSetSize,1)) - dataSet 這里用到了NumPy中的tile(A,reps)函數，用于擴充A，numpy.tile([0,0],(3,1))表示將（0，0）在行上重復3次，在列上重復1次；

sqDiffMat = diffMat**2 求平方；

sqDistances = sqDiffMat.sum(axis=1) 在列上求和；

distances = sqDistances**0.5 求開方，上面的幾步是用來計算距離的；

sortedDistIndicies = distances.argsort()使用了argsort()函數，升序排序，返回數組值從小到大的索引index；

classCount={} 這是一個dict，用于存儲不同標簽出現的次數；

for i in range(k):　　voteIlabel = labels[sortedDistIndicies[i]]　　classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1這里是選擇距離最小的k個點， sortedDistIndicies已經排好序，只需迭代的取前k個樣本點的labels(即標簽)，并計算該標簽出現的次數，這里還用到了dict.get(key, default=None)函數，key就是dict中的鍵voteIlabel，如果不存在則返回一個0并存入dict，如果存在則讀取當前值并+1；

sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) 這里使用了sorted()函數sorted(iterable, cmp=None, key=None, reverse=False)，iteritems()將dict分解為元組列表，operator.itemgetter(1)表示按照第二個元素的次序對元組進行排序，排序默認是升序，reverse=true表示反轉，降序排序

總結

以上是生活随笔為你收集整理的K-近邻算法实现简单filmClassify的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。