k 鄰近演算法用到的函式

argsort()

import numpy as np

x=np.array([1,4,3,-1,6,9])
x.argsort()

get(key, default=none)

key – 字典中要查詢的鍵。

default – 如果指定鍵的值不存在時，返回該預設值值。

dict = 

print "value : %s" %  dict.get('age')
print "value : %s" %  dict.get('***', "never")

value : 27

value : never

sorted 語法：

sorted(iterable[, cmp[, key[, reverse]]])

引數說明：

iterable – 可迭代物件。

cmp – 比較的函式，這個具有兩個引數，引數的值都是從可迭代物件中取出，此函式必須遵守的規則為，大於則返回1，小於則返回-1，等於則返回0。

key – 主要是用來進行比較的元素，只有乙個引數，具體的函式的引數就是取自於可迭代物件中，指定可迭代物件中的乙個元素來進行排序。

reverse – 排序規則，reverse = true 降序 ， reverse = false 公升序（預設）。

>>> l=[('b',2),('a',1),('c',3),('d',4)]

>>> sorted(l, key=lambda x:x[1]) 
[('a', 1), ('b', 2), ('c', 3), ('d', 4)]

返回可遍歷的(鍵, 值) 元組陣列。

dict = 

print ("value : %s" %  dict.items())

value : dict_items([('age', 7), ('name', 'runoob')])

op=  

lp3=sorted(op.items(),key=operator.itemgetter(1),reverse=true)
print(lp3)

[('2', (2, 34, 10)), ('1', (1, 0, 6)), ('3', (0, 45, 8))]

readlines()

readlines() 自動將檔案內容分析成乙個行的列表，該列表可以由 python 的 for … in … 結構進行處理

strip()

s.strip(rm) 預設刪除空白符（包括』\n』, 『\r』, 『\t』, 』 ')

numpy陣列

#建立矩陣

>>> m=mat([1,2,3])
>>> m
matrix([[1, 2, 3]])

#取值

>>> m[0]                #取一行
matrix([[1, 2, 3]])
>>> m[0,1]              #第0行，第1個資料
2

#索引取值

>>>m=mat([[2,5,1],[2,4,6]]) 
>>> m[1,:]                      #取得第一行的所有元素
matrix([[2, 4, 6]])
>>> m[1,0:1]                  #第一行第0個元素，注意左閉右開
matrix([[2]])
>>> m[1,0:3]
matrix([[2, 4, 6]])
>>> m[1,0:2]
matrix([[2, 4]])
>>> m[0:3]                      #前三個元素
matrix([[2, 5，1]])

K 鄰近演算法

k 鄰近演算法 1.演算法描述 k 鄰近演算法 k nearest neighbor,knn 分類演算法，是最簡單的機器學習演算法。工作原理 存在乙個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每乙個資料與所屬分類對應的關係。輸入沒有標籤的新資料後，將新資料的每...

k鄰近演算法

今天學習了一點機器學習的知識，主要是機器學習最基本的演算法 k鄰近演算法。正好今天寫這篇blog可以複習鞏固，其中涉及到的code和一些內容來自 機器學習實戰 在此基礎上加了一點自己的注釋和理解。這本教程還是挺適合入門的，理論 相結合。k 近鄰演算法 knn 採用測量不同特徵值之間的距離方法進行分類...

K鄰近演算法

k近鄰法 k nearest neighbor,k nn 是1967年由cover t和hart p提出的一種基本分類與回歸方法。它的工作原理是 存在乙個樣本資料集合，也稱作為訓練樣本集，並且樣本集中每個資料都存在標籤，即我們知道樣本集中每乙個資料與所屬分類的對應關係。輸入沒有標籤的新資料後，將新的...