Python 如何在没有库的情况下创建knn函数

谢谢同事们，2问

请帮我填写这份数据可视化后4-5分钟的新冠病毒寿命调查

我正在尝试创建KNN，而不使用库来达到学术目的

请检查我的代码以改进

from math import sqrt
from collections import Counter

def euclidean_distance(obs1,obs2):
    distance=0
    for i in range(len(obs1)):
        distance+=(obs1[i]-obs2[i])**2
    return sqrt(distance)

 # Locate the most similar neighbors
def get_neighbors(dataset, test, size_neighbors):
    distances = list()
    for X_trains in X_train:
        dist = euclidean_distance(X_trains, X_test)
        distances.append((X_train, dist))
    distances.sort(key=lambda tup: tup[1])
    neighbors = list()
    for i in range(size_neighbors):
        neighbors.append(distances[i][0])
    return neighbors
neighbors = get_neighbors(X_train, X_test, 13)
for neighbor in neighbors:
    print(neighbor)

---

我相信您需要

numpy

继续并尝试以下代码：

将numpy导入为np
KNearestNeighbor级：
定义初始化（self，k）：
self.k=k
self.eps=1e-8
def传动系（自、X、y）：
self.X_列车=X
self.y_train=y
def预测（自、X_测试、num_循环=0）：
如果num_循环==0：
距离=自身。计算距离向量化（X检验）
elif num_循环==1：
距离=自身。计算距离一个循环（X测试）
其他：
距离=自身。计算两个循环的距离（X检验）
返回自我预测标签（距离）
def计算距离两个循环（自、X测试）：
"""
低效的简单实现，仅限使用
作为了解kNN正在做什么的一种方式
"""
num_test=X_test.shape[0]
num\u train=self.X\u train.shape[0]
距离=np.零（（num_测试，num_序列））
对于范围内的i（num_测试）：
对于范围内的j（数量列车）：
#（无需使用sqrt：最小距离不会改变，因为sqrt是单调的）
距离[i，j]=np.sqrt(
self.eps+np.sum（（X_测试[i，：]-self.X_训练[j，：]）**2）
)
返回距离
def计算距离单循环（自、X测试）：
"""
比两个循环好得多，但不如完全矢量化版本快。
在X_列车中使用Numpy广播-X_测试[i，：]
"""
num_test=X_test.shape[0]
num\u train=self.X\u train.shape[0]
距离=np.零（（num_测试，num_序列））
对于范围内的i（num_测试）：
#（无需使用sqrt：最小距离不会改变，因为sqrt是单调的）
距离[i，：]=np.sqrt(
self.eps+np.sum（（self.X_列车-X_测试[i，：]）**2，轴=1）
)
返回距离
def计算距离矢量化（自、X测试）：
"""
要理解这一点很难，我们使用重
矢量化以及numpy广播。
想法：如果我们有两个向量a，b（两个例子）
对于向量，我们可以计算（a-b）^2=a^2-2a（点）b+b^2
在此基础上进行扩展，并对每个向量进行扩展，将
所有示例的重矢量化公式同时使用。
"""
X_检验的平方=np.和（X_检验**2，轴=1，keepdims=True）
X_列的平方=np.和（self.X_列**2，轴=1，keepdims=True）
two_X_test_X_train=np.dot（X_test，self.X_train.T）
#（无需使用sqrt：最小距离不会改变，因为sqrt是单调的）
返回np.sqrt(
self.eps+X_test_squared-2*two_X_test_X_train+X_train_squared.T
)
def/U标签（自身、距离）：
num_test=距离。形状[0]
y_pred=np.零（num_测试）
对于范围内的i（num_测试）：
y_index=np.argsort（距离[i，：]）
k_最近的_类=self.y_列[y_索引[：self.k]].astype（int）
y_pred[i]=np.argmax（np.bincount（k_最近的类））
返回y_pred
如果名称=“\uuuuu main\uuuuuuuu”：
X=np.数组（[[1,1]，[3,1]，[1,4]，[2,4]，[3,3]，[5,1]）
y=np.array（[0,0,0,1,1,1]）
KNN=KNearestNeighbor（k=1）
KNN.列车（X，y）
y_pred=KNN.predict（X，num_循环=0）
打印（f“精度：{sum（y_pred==y）/y.shape[0]}”）