一、前言
如果下面的代码有你看不懂的地方，请善用百度、翻看评论（如有），同时也可以参阅Python官方文档（在友人帐中可以找到链接）。
如果查过、看过了还是不会，请在下方留言，我看到了会给予解答。
同时，请务必自己动手敲一遍代码，自己思考捋一遍逻辑，只有这样才能获得进步。
二、实验目的
1、输出测试集前20项的预测结果
2、输出测试集前20项的图片
三、所需文件
四、实验方法
1、数据集格式化（函数dataSet）
1） loadtxt导入，跳过首行
2） 利用切片索引格式化
2、K近邻数据处理部分（函数classify0）
1） 直接利用Numpy中的函数linalg.norm计算欧氏距离
2） 函数Argsort进行排序并返回索引
3） 循环计数，利用函数argmax找出出现次数最多的数字并返回索引（注意计数数组初始化应在循坏外）
3、绘图部分（函数imgshow
imgshow1） 循环，每次循环将测试数据中的一行赋值给临时变量。
2） 利用函数resize升维为二维数组
3） 使用函数subplot创建子图。
4） 使用函数title将变量result（classify0结果返回值）设置为标签，利用函数axis去除坐标轴。
5） 使用函数imshow绘图，函数subplots_adjust设置子图间隔，函数show生成图片。
五、实验代码
#引入所需模块
import numpy as np
import matplotlib.pyplot as plt
#数据集格式化
def dataSet(train, test):
#首先进行文件的读取（使用Numpy下的loadtxt函数）
#各参数的具体作用请善用百度
traindata = np.loadtxt(train, delimiter=',', skiprows=1)
testdata = np.loadtxt(test, delimiter=',', skiprows=1)
#下面利用Python的切片索引对读取到的数据进行切分和处理
#（此处由于我们只测试前20条数据，故testdata只取前20行）
ytrain = traindata[:, 0]
xtrain = traindata[:, 1:]
testdata = testdata[:20, :]
return ytrain, xtrain, testdata
#K近邻算法进行数据处理
def classify0(x_train, y_train, tmpdata, k):
#计算欧氏距离
dist = np.linalg.norm(x_train - tmpdata, axis=1)
#从小到大排序并返回索引
minidx = dist.argsort()
#计数
count = np.zeros(10)
for j in range(k):
count[int(y_train[minidx[j]])] += 1
return count.argmax()
#绘图
def imgshow(data, width, high, result, k):
for i in range(k):
tmp = data[i]
#利用resize将一维数组升维为二维
tmp.resize((width, high))
#创建画布（子图）
plt.subplot(4, 5, i+1)
plt.title(result[i])
plt.axis(off)
plt.imshow(tmp, cmap='gray')
#此处设置设置间距是为了让各子图之间的间距增大
plt.subplots_adjust(hspace=0.5)
plt.show()
#入口
y_train, x_train, testData = dataSet(train.csv, x_test.csv)
result = []
for i in range(20):
#按行提取测试数据
tmpData = testData[i, :]
result.append(classify0(x_train, y_train, tmpData, 5))
imgshow(testData, 28, 28, result, 20)
Comments | NOTHING