kNN分类算法实例1：用kNN改进约会网站的配对效果

目录

• 用sklearn自带库实现knn算法分类

@

实战内容

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：

不喜欢的人
魅力一般的人
极具魅力的人

海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingtestset.txt中，每个样本数据占据一行，总共有1000行。

海伦收集的样本数据主要包含以下3种特征：

每年获得的飞行常客里程数
玩视频游戏所消耗时间百分比
每周消费的冰淇淋公升数

任务：试建立一个分类器，使得在下次输入数据后，程序可以帮助海伦预测海伦对此人的印象。

原著中，所有归一化、knn算法，分类器都是作者自己写的。代码可以用于理解算法原理，用于使用就没有必要，而且代码基于的版本是2.7，难以直接使用。
源代码及其详解可以参考以下链接：
机器学习实战—k近邻算法(knn)02-改进约会网站的配对效果

既然有了优秀的sklearn库可以为我们提供现成的knn函数，为什么不直接调用它呢？这正是python较其他语言强大的所在呀！

用sklearn自带库实现knn算法分类

大致流程:

1. 导入数据，打印数据的相关信息，初步了解数据
2. 绘制图像更直观的分析数据
3. 切分数据成测试集和训练集，可以用sklearn自带库随机切割，也可以将数据前半部分和后半部分切割，后者更有利于代入测试集人工检验
4. 数据预处理，之后的代码仅有归一化
5. 用sklearn自带库训练算法，然后打分正确率
6. 完善分类器功能，允许后期输入参数真正实现分类

可以参考以下链接，更详细的了解sklearn自带的knn算法做分类的流程:

以下是代码（更多细节请参考附在最后的参考资料）:

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn import preprocessing
from sklearn.model_selection import train_test_split
from sklearn.neighbors import kneighborsclassifier

#转化文件格式 第一次执行后，在文件夹下会生成.csv文件，之后就不需要重复执行这段代码了
'''
txt = np.loadtxt('datingtestset2.txt')
txtdf = pd.dataframe(txt)
txtdf.to_csv('datingtestset2.csv', index=false) #no index
'''

#load csv, learn more about it.
dataset = pd.read_csv('datingtestset2.csv')
dataset.columns = ['miles', 'galons', 'percentage', 'label']
print(dataset.head())
print(dataset.dtypes)
print(np.unique(dataset['label']))
print(len(dataset))


#analyze our set through seaborn
# 绘制散点图 第一次执行后，三个特征对结果的影响就会有个印象，后面也可以不再执行
'''
sns.lmplot(x='galons', y='percentage', data=dataset, hue='label',fit_reg=false)
sns.lmplot(x='miles', y='percentage', data=dataset, hue='label',fit_reg=false)
sns.lmplot(x='miles', y='galons', data=dataset, hue='label',fit_reg=false)
plt.show()
'''


#cut dataset randomly
'''
dataset_data = dataset[['miles', 'galons', 'percentage']]
dataset_label = dataset['label']
print(dataset_data.head())
data_train, data_test, label_train, label_test = train_test_split(dataset_data, dataset_label, test_size=0.2, random_state=0)
'''
#cut dataset
dataset_data = dataset[['miles', 'galons', 'percentage']]
dataset_label = dataset['label']

data_train = dataset.loc[:800,['miles', 'galons', 'percentage']]  #我让训练集取前800个
print(data_train.head())
label_train = np.ravel(dataset.loc[:800,['label']])
data_test = dataset.loc[800:,['miles', 'galons', 'percentage']]
label_test = np.ravel(dataset.loc[800:,['label']])

#preprocessing, minmaxscaler
min_max_scaler = preprocessing.minmaxscaler()
data_train_minmax = min_max_scaler.fit_transform(data_train)
data_test_minmax = min_max_scaler.fit_transform(data_test)
print(data_train_minmax)

#training and scoring
knn = kneighborsclassifier(n_neighbors=15)
knn.fit(data_train_minmax,label_train)
score = knn.score(x=data_test_minmax,y=label_test,sample_weight=none)
print(score)

#completion
def classifyperson(): #此为手动输入参数预测结果需要的函数
    percentage = float(input('percentage of time spent playing video games?'))
    ffmiles = float(input('frequent flier miles earned per year?'))
    icecream = float(input('liters of ice-cream consumed per year?'))
    inarr = np.array([[percentage, ffmiles, icecream]])
    inarr_minmax = min_max_scaler.fit_transform(inarr)
    return inarr_minmax

#inarr_minmax = classifyperson() 

label_predict = knn.predict(data_test_minmax) #此代码与之前人工切分数据集结合，用于人工校对正确率
print(label_predict)

当k取15的时候，正确率试过来是最高的，能达到0.935
以下是测试集代入分类器后得到的结果，可以将其与文本文件里最后200个标签一一对照一下，可以发现正确率确实还是蛮高的。

将内含非数值型的txt文件转化为csv文件

原作中，作者已经将obj型标签帮我们转化成数值型了，因此在上面的代码中，我们可以直接将转化好的文件拿来用。但是如果要我们自己转化数据类型，该怎么转化？
其实只需要将原作中的第一个函数略加改造即可。代码如下：

# 将文本记录转换为numpy的解析程序
def file2matrix(filename):
    fr = open(filename)
    #得到文件行数
    arrayoflines = fr.readlines()
    numberoflines = len(arrayoflines)
    #创建返回的numpy矩阵
    returnmat = np.zeros((numberoflines,3))
    classlabelvector = []
    #解析文件数据到列表
    index = 0
    for line in arrayoflines:
        line = line.strip() #注释1
        listfromline = line.split('\t') #注释2
        returnmat[index,:] = listfromline[0:3]
        classlabelvector.append(listfromline[-1])
        index += 1
    return returnmat,classlabelvector

#调用函数，读取数据
datingdatamat,datinglabels = file2matrix('datingtestset.txt')
#拼接标签和特征
datingdatamat_df = pd.dataframe(datingdatamat)
datinglabels_df = pd.dataframe(datinglabels)
txtdf = pd.concat([datingdatamat_df,datinglabels_df],axis=1) #横向拼接
txtdf.to_csv('datingtestset.csv', index=false) #这里，datingtestset.csv中的标签是[largedoses, smalldoses, didn't like]

#读取datingtestset.csv
dataset = pd.read_csv('datingtestset.csv')
dataset.columns = ['miles', 'galons', 'percentage', 'label']
print(dataset.head())

得到的新dataframe如下:

用sns.lmplot绘图反映几个特征之间的关系

以下列出了三个特征两两之间的关系（没有列全），通过它们大致能感觉出三个特征值对结果的影响。

参考资料

（此办法只适用于只有数值型的文件,或者说标签已经被转化为数值型了，如何将含object型的txt文件导入见后）
如何对dataframe的列名重新命名?


如何改变dataframe某一列的数据类型？




如何获取dataframe的行数和列数?
如何选取dataframe列?官网


如何用sklearn自带库归一化?官网




如何使用with open（）as filename?
如何用python提取txt数据转化为dataframe?