import numpy as np

 import pandas as pd

 from sklearn.linear_model import LinearRegression

 from sklearn.preprocessing import StandardScaler

 from sklearn.neighbors import KNeighborsClassifier

 from sklearn.feature_extraction import DictVectorizer

 from sklearn.tree import DecisionTreeClassifier

 def price_predict():

     # 数据有三个特征：距离地铁距离、附近小学数量、小区绿化率

     X = np.array([[500.0, 3.0, 0.3], [1000.0, 1.0, 0.6], [750.0, 2.0, 0.3], [600.0, 5.0, 0.2], [1200.0, 1.0, 0.6]])

     # 具有三个特征的房屋对应的房价

     Y = np.array([10000, 9000, 8000, 12000, 8500])

     # 标准化,按列转化，转化到数据均值为0方差为1的标准分布内

     std_x = StandardScaler()

     x_train = std_x.fit_transform(X)

     std_y = StandardScaler()

     y_train = std_y.fit_transform(Y.reshape(-1, 1))

     # 构建线性预测模型

     lr = LinearRegression()

     # 模型在历史数据上进行训练，Y.reshape(-1,1)将Y变为二维数组，fit函数要求二维数组

     lr.fit(x_train, y_train)

     # 使用训练模型预测新房屋价格

     x_predict = std_x.transform(np.array([[1300, 3.0, 0.4]]))

     print(std_y.inverse_transform(lr.predict(x_predict)))

 # K近邻分类(K表示以最近的几个邻居作为分类的指标)

 # KNN表示了物以类聚人以群分的基本思考方法，最近的K个邻居是什么类别，预测样本就会被划为该类别

 def knn_predict_rev():

     # 数据理解为二维坐标上的6歌点

     X = np.array([[1.0, 1.0], [1, 1.5], [0.5, 1.5], [3.0, 3.0], [3.0, 3.5], [2.8, 3.1]])

     # 6个点的类别，按顺序和X依次对应

     Y = np.array([0, 0, 0, 1, 1, 1])

     # n_neighbors就是KNN中的K

     knn = KNeighborsClassifier(n_neighbors=3)

     knn.fit(X, Y)

     print(knn.predict(np.array([[2.0, 3.0]])))

 def decide_play():

     '''

     ID3

     :return:

     '''

     df = pd.read_csv('dtree.csv')

     # 将数据转换为字典格式，orient='record'参数指定数据格式为{column:value}的形式

     # 一个字典对应一行数据

     dict_train = df.loc[:, ['Outlook', 'Temperatur', 'Humidity', 'Windy']].to_dict(orient='record')

     # 如果pandas从DataFrame取出一列数据，该数据类型会变成Series

     dict_target = pd.DataFrame(df['PlayGolf'], columns=['PlayGolf']).to_dict(orient='record')

     # 训练数据字典向量化

     dv_train = DictVectorizer()

     x_train = dv_train.fit_transform(dict_train)

     # 目标数据字典向量化

     dv_target = DictVectorizer()

     y_target = dv_target.fit_transform(dict_target)

     # 创建决策树

     d_tree = DecisionTreeClassifier()

     # 训练数据

     d_tree.fit(x_train, y_target)

     data_predict = {

         'Humidity': 85,

         'Outlook': 'sunny',

         'Temperatur': 85,

         'Windy': False

     }

     # 标准化要预测的数据

     x_data = dv_train.transform(data_predict)

     # 预测数据并转换为原格式

     print(dv_target.inverse_transform(d_tree.predict(x_data)))