KNN算法项目实战——改进婚恋网站的配对效果

1、项目背景：

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

2、项目数据

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。

datingTestSet.txt数据集下载

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

数据格式如下：

3、K-近邻算法的一般流程

（1）收集数据：提供文本文件。

（2）准备数据：使用Python解析文本文件。

（3）分析数据：使用Matplotlib画二维扩散图。

（4）测试算法：使用文本文件的部分数据作为测试样本，计算错误率。

（5）使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。

4、项目步骤及代码实现

1. 
   
2. #-*- coding:utf-8 -*-
4. import matplotlib.lines as mlines
5. import matplotlib.pyplot as plt
6. import numpy as np
7. import matplotlib as mpl
8. import operator
10. '''
11. #准备数据，从文本文件中解析数据
12. '''
13. def file2matrix(filename):
14. #打开文件
15. with open(filename,'r') as fr:
16. # 读取文件所有内容
17. arrayOLines = fr.readlines()
18. # 得到文件行数
19. numberOfLines = len(arrayOLines)
20. # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
21. returnMat = np.zeros((numberOfLines, 3))
22. # 返回的分类标签向量
23. classLabelVector = []
24. # 行的索引值
25. index = 0
26. for line in arrayOLines:
27. # s.strip(rm)，当rm空时,默认删除空白符(包括'','',' ',' ')
28. line = line.strip()
29. # 使用s.split(str="",num=string,cout(str))将字符串根据' '分隔符进行切片。
30. listFromLine = line.split(' ')
31. # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
32. returnMat[index, :] = listFromLine[0:3]
33. # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
34. if listFromLine[-1] == 'didntLike':
35. classLabelVector.append(1)
36. elif listFromLine[-1] == 'smallDoses':
37. classLabelVector.append(2)
38. elif listFromLine[-1] == 'largeDoses':
39. classLabelVector.append(3)
40. index += 1
41. return returnMat, classLabelVector
45. '''
46. #分析数据，数据可视化，使用Matplotlib创建散点图
47. '''
48. def showdatas(datingDataMat, datingLabels):
49. #设置汉字格式
50. # sans-serif就是无衬线字体，是一种通用字体族。
51. # 常见的无衬线字体有 Trebuchet MS, Tahoma, Verdana, Arial, Helvetica, 中文的幼圆、隶书等等
52. mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体 SimHei为黑体
53. mpl.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
54. #将fig画布分隔成2行2列,不共享x轴和y轴,fig画布的大小为(13,8)
55. #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
56. fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,9))
58. LabelsColors = []
59. for i in datingLabels:
60. if i == 1:
61. LabelsColors.append('black')
62. if i == 2:
63. LabelsColors.append('orange')
64. if i == 3:
65. LabelsColors.append('red')
67. #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
68. axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
69. #设置标题,x轴label,y轴label
70. axs0_title_text = axs[0][0].set_title('每年获得的飞行常客里程数与玩视频游戏所消耗时间占比')
71. axs0_xlabel_text = axs[0][0].set_xlabel('每年获得的飞行常客里程数')
72. axs0_ylabel_text = axs[0][0].set_ylabel('玩视频游戏所消耗时间占')
73. plt.setp(axs0_title_text, size=12, weight='bold', color='red')
74. plt.setp(axs0_xlabel_text, size=10, weight='bold', color='black')
75. plt.setp(axs0_ylabel_text, size=10, weight='bold', color='black')
77. #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
78. axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
79. #设置标题,x轴label,y轴label
80. axs1_title_text = axs[0][1].set_title('每年获得的飞行常客里程数与每周消费的冰激淋公升数',)
81. axs1_xlabel_text = axs[0][1].set_xlabel('每年获得的飞行常客里程数')
82. axs1_ylabel_text = axs[0][1].set_ylabel('每周消费的冰激淋公升数')
83. plt.setp(axs1_title_text, size=12, weight='bold', color='red')
84. plt.setp(axs1_xlabel_text, size=10, weight='bold', color='black')
85. plt.setp(axs1_ylabel_text, size=10, weight='bold', color='black')
87. #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
88. axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
89. #设置标题,x轴label,y轴label
90. axs2_title_text = axs[1][0].set_title('玩视频游戏所消耗时间占比与每周消费的冰激淋公升数')
91. axs2_xlabel_text = axs[1][0].set_xlabel('玩视频游戏所消耗时间占比')
92. axs2_ylabel_text = axs[1][0].set_ylabel('每周消费的冰激淋公升数')
93. plt.setp(axs2_title_text, size=12, weight='bold', color='red')
94. plt.setp(axs2_xlabel_text, size=10, weight='bold', color='black')
95. plt.setp(axs2_ylabel_text, size=10, weight='bold', color='black')
97. #设置图例
98. didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='不喜欢')
99. smallDoses = mlines.Line2D([], [], color='orange', marker='.',markersize=6, label='魅力一般')
100. largeDoses = mlines.Line2D([], [], color='red', marker='.',markersize=6, label='极具魅力')
101. #添加图例
102. axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
103. axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
104. axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
105. #显示图片
106. plt.show()
110. '''
111. #准备数据，数据归一化处理
112. '''
113. def autoNorm(dataSet):
114. #获得每列数据的最小值和最大值
115. minVals = dataSet.min(0)
116. maxVals = dataSet.max(0)
117. #最大值和最小值的范围
118. ranges = maxVals - minVals
119. #shape(dataSet)返回dataSet的矩阵行列数
120. #normDataSet = np.zeros(np.shape(dataSet))
121. #返回dataSet的行数
122. m = dataSet.shape[0]
123. #原始值减去最小值
124. normDataSet = dataSet - np.tile(minVals, (m, 1))
125. #除以最大和最小值的差,得到归一化数据
126. normDataSet = normDataSet / np.tile(ranges, (m, 1))
127. #返回归一化数据结果,数据范围,最小值
128. return normDataSet, ranges, minVals
132. '''
133. KNN算法分类器
134. # inX - 用于分类的数据(测试集)
135. # dataSet - 用于训练的数据(训练集)
136. # labes - 训练数据的分类标签
137. # k - kNN算法参数,选择距离最小的k个点
138. # sortedClassCount[0][0] - 分类结果
139. '''
140. def classify0(inX, dataSet, labels, k):
141. #numpy函数shape[0]返回dataSet的行数
142. dataSetSize = dataSet.shape[0]
143. #在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
144. diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
145. #二维特征相减后平方
146. sqDiffMat = diffMat**2
147. #sum()所有元素相加,sum(0)列相加,sum(1)行相加
148. sqDistances = sqDiffMat.sum(axis=1)
149. #开方,计算出距离
150. distances = sqDistances**0.5
151. #返回distances中元素从小到大排序后的索引值
152. sortedDistIndices = distances.argsort()
153. #定一个记录类别次数的字典
154. classCount = {}
155. for i in range(k):
156. #取出前k个元素的类别
157. voteIlabel = labels[sortedDistIndices[i]]
158. #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
159. #计算类别次数
160. classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
161. #python3中用items()替换python2中的iteritems()
162. #key=operator.itemgetter(1)根据字典的值进行排序
163. #key=operator.itemgetter(0)根据字典的键进行排序
164. #reverse降序排序字典
165. sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
166. #返回次数最多的类别,即所要分类的类别
167. return sortedClassCount[0][0]
171. '''
172. #测试算法，计算分类器的错误率，验证分类器
173. '''
174. def datingClassTest():
175. #打开的文件名
176. filename = "datingTestSet.txt"
177. #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
178. datingDataMat, datingLabels = file2matrix(filename)
179. #取所有数据的百分之十
180. hoRatio = 0.10
181. #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
182. normMat, ranges, minVals = autoNorm(datingDataMat)
183. #获得normMat的行数
184. m = normMat.shape[0]
185. #百分之十的测试数据的个数
186. numTestVecs = int(m * hoRatio)
187. #分类错误计数
188. errorCount = 0.0
190. for i in range(numTestVecs):
191. #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
192. classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],datingLabels[numTestVecs:m], 4)
193. print("分类结果:%d 真实类别:%d" % (classifierResult, datingLabels[i]))
194. if classifierResult != datingLabels[i]:
195. errorCount += 1.0
196. print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
200. '''
201. #使用算法，构建完整可用系统
202. '''
203. def classifyPerson():
204. #输出结果
205. resultList = ['不喜欢','有些喜欢','非常喜欢']
206. #三维特征用户输入
207. ffMiles = float(input("每年获得的飞行常客里程数:"))
208. precentTats = float(input("玩视频游戏所耗时间百分比:"))
209. iceCream = float(input("每周消费的冰激淋公升数:"))
210. #打开的文件名
211. filename = "datingTestSet.txt"
212. #打开并处理数 据
213. datingDataMat, datingLabels = file2matrix(filename)
214. #训练集归一化
215. normMat, ranges, minVals = autoNorm(datingDataMat)
216. #生成NumPy数组,测试集
217. inArr = np.array([ffMiles,precentTats, iceCream])
218. #测试集归一化
219. norminArr = (inArr - minVals) / ranges
220. #返回分类结果
221. classifierResult = classify0(norminArr, normMat, datingLabels, 3)
222. #打印结果
223. print("你可能%s这个人" % (resultList[classifierResult-1]))
227. '''
228. #主函数，测试以上各个步骤，并输出各个步骤的结果
229. '''
230. if __name__ == '__main__':
231. #打开的文件名
232. filename = "datingTestSet.txt"
233. #打开并处理数据
234. datingDataMat, datingLabels = file2matrix(filename)
235. #数据可视化
236. showdatas(datingDataMat, datingLabels)
237. #验证分类器
238. datingClassTest()
239. #使用分类器
240. classifyPerson()

5、项目结果

（1）数据可视化结果

（2）验证分类器计算错误率结果

（3）使用分类器根据输入数据获得预测结果