#! /usr/bin/python 
#coding=utf-8 
from numpy import * 
import operator 
def createDataSet(): 
  group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])#訓(xùn)練數(shù)據(jù)樣本集合 
  labels = ['A','A','B','B']#訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的類別 
  return group,labels 
''''' 
inX:用于分類的輸入向量 
dataSet：訓(xùn)練樣本集合 
labels：標(biāo)簽向量 
k：k-近鄰算法中的k 
''' 
def classify0(inX,dataSet,labels,k): 
  dataSetSize = dataSet.shape[0] #獲取數(shù)組的維度，也就是獲取訓(xùn)練樣本的行數(shù)（樣本數(shù)），若獲取列數(shù)，則為shape[1] 
  diffMat = tile(inX,(dataSetSize,1)) - dataSet # tile 表示inX在重復(fù)dataSetSize行，重復(fù)1列。為輸入向量與各個(gè)樣本求取歐式距離做準(zhǔn)備。 
  sqDiddMat = diffMat**2 #diffMat是輸入向量與我們訓(xùn)練樣本每個(gè)點(diǎn)相減得到的，**2表示值的結(jié)果取平方。 
  sqDistances = sqDiddMat.sum(axis=1)#默認(rèn)為axis=0，axis=1以后就是將一個(gè)矩陣的每一行向量相加 
  distances = sqDistances**0.5 #對(duì)結(jié)果進(jìn)行開(kāi)平方，得到輸入向量與每個(gè)訓(xùn)練樣本中點(diǎn)的歐式距離 
  sorteDistIndicies = distances.argsort()#將距離結(jié)果按照從小到大排序獲得索引值 
  classcount={} #這是一個(gè)字典，key為類別，value為距離最小的前k個(gè)樣本點(diǎn)里面為該類別的個(gè)數(shù)。 
  for i in range(k): 
    voteIlabel = labels[sorteDistIndicies[i]]#獲取距離最小的前k個(gè)樣本點(diǎn)對(duì)應(yīng)的label值 
    classcount[voteIlabel] = classcount.get(voteIlabel,0)+1 #如果之前的樣本點(diǎn)label值與與現(xiàn)在的相同，則累計(jì)加1，否則，此次加1 
  sorteClassCount = sorted(classcount.iteritems(),key=operator.itemgetter(1),reverse=True) #針對(duì)calsscount獲取對(duì)象的第1個(gè)域的值進(jìn)行降序排序。也就是說(shuō)根據(jù)類別的個(gè)數(shù)從大到小排序。 
  return sorteClassCount[0][0] #返回排序的字典的第一個(gè)元素的key，即分類后的類別 
 
createDataSet() 
print classify0([0.9,0.9],group,labels,3)