#! /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]])#訓練數(shù)據(jù)樣本集合 
  labels = ['A','A','B','B']#訓練數(shù)據(jù)對應的類別 
  return group,labels 
''''' 
inX:用于分類的輸入向量 
dataSet：訓練樣本集合 
labels：標簽向量 
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dataSetSize行，重復1列。為輸入向量與各個樣本求取歐式距離做準備。 
  sqDiddMat = diffMat**2 #diffMat是輸入向量與我們訓練樣本每個點相減得到的，**2表示值的結果取平方。 
  sqDistances = sqDiddMat.sum(axis=1)#默認為axis=0，axis=1以后就是將一個矩陣的每一行向量相加 
  distances = sqDistances**0.5 #對結果進行開平方，得到輸入向量與每個訓練樣本中點的歐式距離 
  sorteDistIndicies = distances.argsort()#將距離結果按照從小到大排序獲得索引值 
  classcount={} #這是一個字典，key為類別，value為距離最小的前k個樣本點里面為該類別的個數(shù)。 
  for i in range(k): 
    voteIlabel = labels[sorteDistIndicies[i]]#獲取距離最小的前k個樣本點對應的label值 
    classcount[voteIlabel] = classcount.get(voteIlabel,0)+1 #如果之前的樣本點label值與與現(xiàn)在的相同，則累計加1，否則，此次加1 
  sorteClassCount = sorted(classcount.iteritems(),key=operator.itemgetter(1),reverse=True) #針對calsscount獲取對象的第1個域的值進行降序排序。也就是說根據(jù)類別的個數(shù)從大到小排序。 
  return sorteClassCount[0][0] #返回排序的字典的第一個元素的key，即分類后的類別 
 
createDataSet() 
print classify0([0.9,0.9],group,labels,3)