#coding:utf-8

 import pandas as pd

 import numpy as np

 class KNNa(object):

     #获取训练数据集

     def getTrainData(self):

         dataSet = pd.read_csv('C:\pythonwork\practice_data\iris.csv', header=None)

         dataSetNP = np.array(dataSet[1:150])

         trainData = dataSetNP[:,0:dataSetNP.shape[1]-1]   #获得训练数据

         labels = dataSetNP[:,dataSetNP.shape[1]-1]    #获得训练数据类别

         return trainData,labels

     #得到测试数据的类别

     def classify(self, testData, trainData, labels, k):

         #计算测试数据与训练数据之间的欧式距离

         dist = []

         for i in range(len(trainData)):

             td = trainData[i,:]   #训练数据

             dist.append(np.linalg.norm(testData - td))   #欧式距离

         dist_collection = np.array(dist)   #获得所有的欧氏距离，并转换为array类型

         dist_index = dist_collection.argsort()[0:k]   #按升序排列，获得前k个下标

         k_labels = labels[dist_index]   #获得对应下标的类别

         #计算k个数据中，类别的数目

         k_labels = list(k_labels)   #转换为list类型

         labels_count = {}

         for i in k_labels:

             labels_count[i] = k_labels.count(i)  #计算每个类别出现的次数

         testData_label = max(labels_count, key=labels_count.get)   #次数出现最多的类别

         return testData_label

 if __name__ == '__main__':

     kn = KNNa()

     trainData,labels = kn.getTrainData()   #获得训练数据集,iris从第2行到第150行的149条数据

     testData = np.array([5.1, 3.5, 1.4, 0.2])   #取iris中的数据的第1行

     k = 10   #最近邻数据数目

     testData_label = kn.classify(testData,trainData,labels,k)    #获得测试数据的分类类别

     print '测试数据的类别：',testData_label