'''
数据集：Mnist
训练集数量：60000
测试集数量：10000（实际使用：200）
'''
import numpy as np
import time
def loadData(fileName):
'''
加载文件
:param fileName:要加载的文件路径
:return: 数据集和标签集
'''
print('start read file')
# 存放数据及标记
dataArr = []
labelArr = []
# 读取文件
fr = open(fileName)
# 遍历文件中的每一行
for line in fr.readlines():
# 获取当前行，并按“，”切割成字段放入列表中
# strip：去掉每行字符串首尾指定的字符（默认空格或换行符）
# split：按照指定的字符将字符串切割成每个字段，返回列表形式
curLine = line.strip().split(',')
# 将每行中除标记外的数据放入数据集中（curLine[0]为标记信息）
# 在放入的同时将原先字符串形式的数据转换为整型
dataArr.append([int(num) for num in curLine[1:]])
# 将标记信息放入标记集中
# 放入的同时将标记转换为整型
labelArr.append(int(curLine[0]))
# 返回数据集和标记
return dataArr, labelArr
def calcDist(x1, x2):
'''
计算两个样本点向量之间的距离
使用的是欧氏距离，即 样本点每个元素相减的平方 再求和 再开方
欧式举例公式这里不方便写，可以百度或谷歌欧式距离（也称欧几里得距离）
:param x1:向量1
:param x2:向量2
:return:向量之间的欧式距离
'''
return np.sqrt(np.sum(np.square(x1 - x2)))
# 马哈顿距离计算公式
# return np.sum(x1 - x2)
def getClosest(trainDataMat, trainLabelMat, x, topK):
'''
预测样本x的标记。
获取方式通过找到与样本x最近的topK个点，并查看它们的标签。
查找里面占某类标签最多的那类标签
（书中3.1 3.2节）
:param trainDataMat:训练集数据集
:param trainLabelMat:训练集标签集
:param x:要预测的样本x
:param topK:选择参考最邻近样本的数目（样本数目的选择关系到正确率，详看3.2.3 K值的选择）
:return:预测的标记
'''
# 建立一个存放向量x与每个训练集中样本距离的列表
# 列表的长度为训练集的长度，distList[i]表示x与训练集中第
## i个样本的距离
distList = [0] * len(trainLabelMat)
# 遍历训练集中所有的样本点，计算与x的距离
for i in range(len(trainDataMat)):
# 获取训练集中当前样本的向量
x1 = trainDataMat[i]
# 计算向量x与训练集样本x的距离
curDist = calcDist(x1, x)
# 将距离放入对应的列表位置中
distList[i] = curDist
# 对距离列表进行排序
# argsort：函数将数组的值从小到大排序后，并按照其相对应的索引值输出
# 例如：
# >>> x = np.array([3, 1, 2])
# >>> np.argsort(x)
# array([1, 2, 0])
# 返回的是列表中从小到大的元素索引值，对于我们这种需要查找最小距离的情况来说很合适
# array返回的是整个索引值列表，我们通过[:topK]取列表中前topL个放入list中。
# ----------------优化点-------------------
# 由于我们只取topK小的元素索引值，所以其实不需要对整个列表进行排序，而argsort是对整个
# 列表进行排序的，存在时间上的浪费。字典有现成的方法可以只排序top大或top小，可以自行查阅
# 对代码进行稍稍修改即可
# 这里没有对其进行优化主要原因是KNN的时间耗费大头在计算向量与向量之间的距离上，由于向量高维
# 所以计算时间需要很长，所以如果要提升时间，在这里优化的意义不大。
topKList = np.argsort(np.array(distList))[:topK] # 升序排序
# 建立一个长度时的列表，用于选择数量最多的标记
# 3.2.4提到了分类决策使用的是投票表决，topK个标记每人有一票，在数组中每个标记代表的位置中投入
# 自己对应的地方，随后进行唱票选择最高票的标记
labelList = [0] * 10
# 对topK个索引进行遍历
for index in topKList:
# trainLabelMat[index]：在训练集标签中寻找topK元素索引对应的标记
# int(trainLabelMat[index])：将标记转换为int（实际上已经是int了，但是不int的话，报错）
# labelList[int(trainLabelMat[index])]：找到标记在labelList中对应的位置
# 最后加1，表示投了一票
labelList[int(trainLabelMat[index])] += 1
# max(labelList)：找到选票箱中票数最多的票数值
# labelList.index(max(labelList))：再根据最大值在列表中找到该值对应的索引，等同于预测的标记
return labelList.index(max(labelList))
def accuracy(trainDataArr, trainLabelArr, testDataArr, testLabelArr, topK):
'''
测试正确率
:param trainDataArr:训练集数据集
:param trainLabelArr: 训练集标记
:param testDataArr: 测试集数据集
:param testLabelArr: 测试集标记
:param topK: 选择多少个邻近点参考
:return: 正确率
'''
print('start test')
# 将所有列表转换为矩阵形式，方便运算
trainDataMat = np.mat(trainDataArr)
trainLabelMat = np.mat(trainLabelArr).T
testDataMat = np.mat(testDataArr)
testLabelMat = np.mat(testLabelArr).T
# 错误值技术
errorCnt = 0
# 遍历测试集，对每个测试集样本进行测试
# 由于计算向量与向量之间的时间耗费太大，测试集有6000个样本，所以这里人为改成了
# 测试200个样本点，如果要全跑，将行注释取消，再下一行for注释即可，同时下面的print
# 和return也要相应的更换注释行
# for i in range(len(testDataMat)):
for i in range(200):
# print('test %d:%d'%(i, len(trainDataArr)))
print('test %d:%d' % (i, 200))
# 读取测试集当前测试样本的向量
x = testDataMat[i]
# 获取预测的标记
y = getClosest(trainDataMat, trainLabelMat, x, topK)
# 如果预测标记与实际标记不符，错误值计数加1
if y != testLabelMat[i]:
errorCnt += 1
# 返回正确率
# return 1 - (errorCnt / len(testDataMat))
return 1 - (errorCnt / 200)
if __name__ == "__main__":
start = time.time()
# 获取训练集
trainDataArr, trainLabelArr = loadData('../Mnist/mnist_train.csv')
# 获取测试集
testDataArr, testLabelArr = loadData('../Mnist/mnist_test.csv')
# 计算测试集正确率
accur = accuracy(trainDataArr, trainLabelArr, testDataArr, testLabelArr, 25)
# 打印正确率
print('accur is:%d' % (accur * 100), '%')
end = time.time()
# 显示花费时间
print('time span:', end - start)
