• 机器学习读书笔记(二)使用k-近邻算法改进约会网站的配对效果


    一、背景

    海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选,但她并不是喜欢每一个人。经过一番总结,她发现自己交往过的人可以进行如下分类

    • 不喜欢的人
    • 魅力一般的人
    • 极具魅力的人

     

    海伦收集约会数据已经有了一段时间,她把这些数据存放在文本文件datingTestSet.txt中,每个样本数据占据一行,总共有1000行。

     

    海伦收集的样本数据主要包含以下3种特征:

    • 每年获得的飞行常客里程数
    • 玩视频游戏所消耗时间百分比
    • 每周消费的冰淇淋公升数

     

    二、准备数据:数据的解析

    在将上述特征数据输入到分类器前,必须将待处理的数据的格式改变为分类器可以接收的格式。在knn_test.py文件中创建名为file2matrix的函数,以此来处理输入格式问题。 将datingTestSet.txt放到与kn_test.py相同目录下,编写代码如下

     

     1 # -*- coding: UTF-8 -*-
     2 import numpy as np
     3 
     4 """
     5 函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
     6 
     7 Parameters:
     8     filename - 文件名
     9 Returns:
    10     returnMat - 特征矩阵
    11     classLabelVector - 分类Label向量
    12 """
    13 
    14 
    15 def file2matrix(filename):
    16     # 打开文件
    17     fr = open(filename)
    18     # 读取文件所有内容
    19     arrayOLines = fr.readlines()
    20     # 得到文件行数
    21     numberOfLines = len(arrayOLines)
    22     # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
    23     returnMat = np.zeros((numberOfLines, 3))
    24     # 返回的分类标签向量
    25     classLabelVector = []
    26     # 行的索引值
    27     index = 0
    28     for line in arrayOLines:
    29         # s.strip(rm),当rm空时,默认删除空白符(包括'
    ','
    ','	',' ')
    30         line = line.strip()
    31         # 使用s.split(str="",num=string,cout(str))将字符串根据'	'分隔符进行切片。
    32         listFromLine = line.split('	')
    33         # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
    34         returnMat[index, :] = listFromLine[0:3]
    35         # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
    36         if listFromLine[-1] == 'didntLike':
    37             classLabelVector.append(1)
    38         elif listFromLine[-1] == 'smallDoses':
    39             classLabelVector.append(2)
    40         elif listFromLine[-1] == 'largeDoses':
    41             classLabelVector.append(3)
    42         index += 1
    43     return returnMat, classLabelVector
    44 
    45 
    46 """
    47 函数说明:main函数
    48 
    49 Parameters:
    50 51 Returns:
    52 53 """
    54 if __name__ == '__main__':
    55     # 打开的文件名
    56     filename = "datingTestSet.txt"
    57     # 打开并处理数据
    58     datingDataMat, datingLabels = file2matrix(filename)
    59     print(datingDataMat)
    60     print(datingLabels)

     

     

     

    三、分析数据:数据可视化

      1 # -*- coding: UTF-8 -*-
      2 
      3 from matplotlib.font_manager import FontProperties
      4 import matplotlib.lines as mlines
      5 import matplotlib.pyplot as plt
      6 import numpy as np
      7 
      8 """
      9 函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
     10 
     11 Parameters:
     12     filename - 文件名
     13 Returns:
     14     returnMat - 特征矩阵
     15     classLabelVector - 分类Label向量
     16 """
     17 
     18 
     19 def file2matrix(filename):
     20     # 打开文件
     21     fr = open(filename)
     22     # 读取文件所有内容
     23     arrayOLines = fr.readlines()
     24     # 得到文件行数
     25     numberOfLines = len(arrayOLines)
     26     # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
     27     returnMat = np.zeros((numberOfLines, 3))
     28     # 返回的分类标签向量
     29     classLabelVector = []
     30     # 行的索引值
     31     index = 0
     32     for line in arrayOLines:
     33         # s.strip(rm),当rm空时,默认删除空白符(包括'
    ','
    ','	',' ')
     34         line = line.strip()
     35         # 使用s.split(str="",num=string,cout(str))将字符串根据'	'分隔符进行切片。
     36         listFromLine = line.split('	')
     37         # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
     38         returnMat[index, :] = listFromLine[0:3]
     39         # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
     40         if listFromLine[-1] == 'didntLike':
     41             classLabelVector.append(1)
     42         elif listFromLine[-1] == 'smallDoses':
     43             classLabelVector.append(2)
     44         elif listFromLine[-1] == 'largeDoses':
     45             classLabelVector.append(3)
     46         index += 1
     47     return returnMat, classLabelVector
     48 
     49 
     50 """
     51 函数说明:可视化数据
     52 
     53 Parameters:
     54     datingDataMat - 特征矩阵
     55     datingLabels - 分类Label
     56 Returns:
     57  58 """
     59 
     60 
     61 def showdatas(datingDataMat, datingLabels):
     62     # 设置汉字格式
     63     font = FontProperties(fname=r"/Library/Fonts/Songti.ttc", size=14)
     64     # 将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
     65     # 当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
     66     fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))
     67 
     68     numberOfLabels = len(datingLabels)
     69     LabelsColors = []
     70     for i in datingLabels:
     71         if i == 1:
     72             LabelsColors.append('black')
     73         if i == 2:
     74             LabelsColors.append('orange')
     75         if i == 3:
     76             LabelsColors.append('red')
     77     # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
     78     axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5)
     79     # 设置标题,x轴label,y轴label
     80     axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font)
     81     axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
     82     axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占', FontProperties=font)
     83     plt.setp(axs0_title_text, size=9, weight='bold', color='red')
     84     plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
     85     plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')
     86 
     87     # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
     88     axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
     89     # 设置标题,x轴label,y轴label
     90     axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数', FontProperties=font)
     91     axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
     92     axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
     93     plt.setp(axs1_title_text, size=9, weight='bold', color='red')
     94     plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
     95     plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')
     96 
     97     # 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
     98     axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
     99     # 设置标题,x轴label,y轴label
    100     axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数', FontProperties=font)
    101     axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font)
    102     axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
    103     plt.setp(axs2_title_text, size=9, weight='bold', color='red')
    104     plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
    105     plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
    106     # 设置图例
    107     didntLike = mlines.Line2D([], [], color='black', marker='.',
    108                               markersize=6, label='didntLike')
    109     smallDoses = mlines.Line2D([], [], color='orange', marker='.',
    110                                markersize=6, label='smallDoses')
    111     largeDoses = mlines.Line2D([], [], color='red', marker='.',
    112                                markersize=6, label='largeDoses')
    113     # 添加图例
    114     axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses])
    115     axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses])
    116     axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses])
    117     # 显示图片
    118     plt.show()
    119 
    120 
    121 """
    122 函数说明:main函数
    123 
    124 Parameters:
    125 126 Returns:
    127 128 """
    129 if __name__ == '__main__':
    130     # 打开的文件名
    131     filename = "datingTestSet.txt"
    132     # 打开并处理数据
    133     datingDataMat, datingLabels = file2matrix(filename)
    134     showdatas(datingDataMat, datingLabels)

     

     

     

    四、准备数据:数据归一化

    如下给出了四组样本,如果想要计算样本3和样本4之间的距离,可以使用欧拉公式计算。

     我们很容易发现,上面方程中数字差值最大的属性对计算结果的影响最大,也就是说,每年获取的飞行常客里程数对于计算结果的影响将远远大于表2.1中其他两个特征-玩视频游戏所耗时间占比和每周消费冰淇淋公斤数的影响。而产生这种现象的唯一原因,仅仅是因为飞行常客里程数远大于其他特征值。但海伦认为这三种特征是同等重要的,因此作为三个等权重的特征之一,飞行常客里程数并不应该如此严重地影响到计算结果。

    在处理这种不同取值范围的特征值时,我们通常采用的方法是将数值归一化,如将取值范围处理为0到1或者-1到1之间。下面的公式可以将任意取值范围的特征值转化为0到1区间内的值:

    newValue = (oldValue - min) / (max - min)

    五、测试算法:验证分类器

    为了测试分类器效果,编写代码如下:

      1 # -*- coding: UTF-8 -*-
      2 import numpy as np
      3 import operator
      4 
      5 """
      6 函数说明:kNN算法,分类器
      7 
      8 Parameters:
      9     inX - 用于分类的数据(测试集)
     10     dataSet - 用于训练的数据(训练集)
     11     labes - 分类标签
     12     k - kNN算法参数,选择距离最小的k个点
     13 Returns:
     14     sortedClassCount[0][0] - 分类结果
     15 """
     16 
     17 
     18 def classify0(inX, dataSet, labels, k):
     19     # numpy函数shape[0]返回dataSet的行数
     20     dataSetSize = dataSet.shape[0]
     21     # 在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
     22     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
     23     # 二维特征相减后平方
     24     sqDiffMat = diffMat ** 2
     25     # sum()所有元素相加,sum(0)列相加,sum(1)行相加
     26     sqDistances = sqDiffMat.sum(axis=1)
     27     # 开方,计算出距离
     28     distances = sqDistances ** 0.5
     29     # 返回distances中元素从小到大排序后的索引值
     30     sortedDistIndices = distances.argsort()
     31     # 定一个记录类别次数的字典
     32     classCount = {}
     33     for i in range(k):
     34         # 取出前k个元素的类别
     35         voteIlabel = labels[sortedDistIndices[i]]
     36         # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
     37         # 计算类别次数
     38         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
     39     # python3中用items()替换python2中的iteritems()
     40     # key=operator.itemgetter(1)根据字典的值进行排序
     41     # key=operator.itemgetter(0)根据字典的键进行排序
     42     # reverse降序排序字典
     43     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
     44     # 返回次数最多的类别,即所要分类的类别
     45     return sortedClassCount[0][0]
     46 
     47 
     48 """
     49 函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
     50 
     51 Parameters:
     52     filename - 文件名
     53 Returns:
     54     returnMat - 特征矩阵
     55     classLabelVector - 分类Label向量
     56 
     57 """
     58 
     59 
     60 def file2matrix(filename):
     61     # 打开文件
     62     fr = open(filename)
     63     # 读取文件所有内容
     64     arrayOLines = fr.readlines()
     65     # 得到文件行数
     66     numberOfLines = len(arrayOLines)
     67     # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
     68     returnMat = np.zeros((numberOfLines, 3))
     69     # 返回的分类标签向量
     70     classLabelVector = []
     71     # 行的索引值
     72     index = 0
     73     for line in arrayOLines:
     74         # s.strip(rm),当rm空时,默认删除空白符(包括'
    ','
    ','	',' ')
     75         line = line.strip()
     76         # 使用s.split(str="",num=string,cout(str))将字符串根据'	'分隔符进行切片。
     77         listFromLine = line.split('	')
     78         # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
     79         returnMat[index, :] = listFromLine[0:3]
     80         # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
     81         if listFromLine[-1] == 'didntLike':
     82             classLabelVector.append(1)
     83         elif listFromLine[-1] == 'smallDoses':
     84             classLabelVector.append(2)
     85         elif listFromLine[-1] == 'largeDoses':
     86             classLabelVector.append(3)
     87         index += 1
     88     return returnMat, classLabelVector
     89 
     90 
     91 """
     92 函数说明:对数据进行归一化
     93 
     94 Parameters:
     95     dataSet - 特征矩阵
     96 Returns:
     97     normDataSet - 归一化后的特征矩阵
     98     ranges - 数据范围
     99     minVals - 数据最小值
    100 """
    101 
    102 
    103 def autoNorm(dataSet):
    104     # 获得数据的最小值
    105     minVals = dataSet.min(0)
    106     maxVals = dataSet.max(0)
    107     # 最大值和最小值的范围
    108     ranges = maxVals - minVals
    109     # shape(dataSet)返回dataSet的矩阵行列数
    110     normDataSet = np.zeros(np.shape(dataSet))
    111     # 返回dataSet的行数
    112     m = dataSet.shape[0]
    113     # 原始值减去最小值
    114     normDataSet = dataSet - np.tile(minVals, (m, 1))
    115     # 除以最大和最小值的差,得到归一化数据
    116     normDataSet = normDataSet / np.tile(ranges, (m, 1))
    117     # 返回归一化数据结果,数据范围,最小值
    118     return normDataSet, ranges, minVals
    119 
    120 
    121 """
    122 函数说明:分类器测试函数
    123 
    124 Parameters:
    125 126 Returns:
    127     normDataSet - 归一化后的特征矩阵
    128     ranges - 数据范围
    129     minVals - 数据最小值
    130 
    131 """
    132 
    133 
    134 def datingClassTest():
    135     # 打开的文件名
    136     filename = "datingTestSet.txt"
    137     # 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    138     datingDataMat, datingLabels = file2matrix(filename)
    139     # 取所有数据的百分之十
    140     hoRatio = 0.10
    141     # 数据归一化,返回归一化后的矩阵,数据范围,数据最小值
    142     normMat, ranges, minVals = autoNorm(datingDataMat)
    143     # 获得normMat的行数
    144     m = normMat.shape[0]
    145     # 百分之十的测试数据的个数
    146     numTestVecs = int(m * hoRatio)
    147     # 分类错误计数
    148     errorCount = 0.0
    149 
    150     for i in range(numTestVecs):
    151         # 前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
    152         classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],
    153                                      datingLabels[numTestVecs:m], 4)
    154         print("分类结果:%d	真实类别:%d" % (classifierResult, datingLabels[i]))
    155         if classifierResult != datingLabels[i]:
    156             errorCount += 1.0
    157     print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100))
    158 
    159 
    160 """
    161 函数说明:main函数
    162 
    163 Parameters:
    164 165 Returns:
    166 167 
    168 """
    169 if __name__ == '__main__':
    170     datingClassTest()

    六、使用算法:构建完整可用系统

    我们可以给海伦一个小段程序,通过该程序海伦会在约会网站上找到某个人并输入他的信息。程序会给出她对男方喜欢程度的预测值。

      1 # -*- coding: UTF-8 -*-
      2 
      3 import numpy as np
      4 import operator
      5 
      6 """
      7 函数说明:kNN算法,分类器
      8 
      9 Parameters:
     10     inX - 用于分类的数据(测试集)
     11     dataSet - 用于训练的数据(训练集)
     12     labes - 分类标签
     13     k - kNN算法参数,选择距离最小的k个点
     14 Returns:
     15     sortedClassCount[0][0] - 分类结果
     16 """
     17 
     18 
     19 def classify0(inX, dataSet, labels, k):
     20     # numpy函数shape[0]返回dataSet的行数
     21     dataSetSize = dataSet.shape[0]
     22     # 在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
     23     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
     24     # 二维特征相减后平方
     25     sqDiffMat = diffMat ** 2
     26     # sum()所有元素相加,sum(0)列相加,sum(1)行相加
     27     sqDistances = sqDiffMat.sum(axis=1)
     28     # 开方,计算出距离
     29     distances = sqDistances ** 0.5
     30     # 返回distances中元素从小到大排序后的索引值
     31     sortedDistIndices = distances.argsort()
     32     # 定一个记录类别次数的字典
     33     classCount = {}
     34     for i in range(k):
     35         # 取出前k个元素的类别
     36         voteIlabel = labels[sortedDistIndices[i]]
     37         # dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
     38         # 计算类别次数
     39         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
     40     # python3中用items()替换python2中的iteritems()
     41     # key=operator.itemgetter(1)根据字典的值进行排序
     42     # key=operator.itemgetter(0)根据字典的键进行排序
     43     # reverse降序排序字典
     44     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
     45     # 返回次数最多的类别,即所要分类的类别
     46     return sortedClassCount[0][0]
     47 
     48 
     49 """
     50 函数说明:打开并解析文件,对数据进行分类:1代表不喜欢,2代表魅力一般,3代表极具魅力
     51 
     52 Parameters:
     53     filename - 文件名
     54 Returns:
     55     returnMat - 特征矩阵
     56     classLabelVector - 分类Label向量
     57 """
     58 
     59 
     60 def file2matrix(filename):
     61     # 打开文件
     62     fr = open(filename)
     63     # 读取文件所有内容
     64     arrayOLines = fr.readlines()
     65     # 得到文件行数
     66     numberOfLines = len(arrayOLines)
     67     # 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
     68     returnMat = np.zeros((numberOfLines, 3))
     69     # 返回的分类标签向量
     70     classLabelVector = []
     71     # 行的索引值
     72     index = 0
     73     for line in arrayOLines:
     74         # s.strip(rm),当rm空时,默认删除空白符(包括'
    ','
    ','	',' ')
     75         line = line.strip()
     76         # 使用s.split(str="",num=string,cout(str))将字符串根据'	'分隔符进行切片。
     77         listFromLine = line.split('	')
     78         # 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
     79         returnMat[index, :] = listFromLine[0:3]
     80         # 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
     81         if listFromLine[-1] == 'didntLike':
     82             classLabelVector.append(1)
     83         elif listFromLine[-1] == 'smallDoses':
     84             classLabelVector.append(2)
     85         elif listFromLine[-1] == 'largeDoses':
     86             classLabelVector.append(3)
     87         index += 1
     88     return returnMat, classLabelVector
     89 
     90 
     91 """
     92 函数说明:对数据进行归一化
     93 
     94 Parameters:
     95     dataSet - 特征矩阵
     96 Returns:
     97     normDataSet - 归一化后的特征矩阵
     98     ranges - 数据范围
     99     minVals - 数据最小值
    100 """
    101 
    102 
    103 def autoNorm(dataSet):
    104     # 获得数据的最小值
    105     minVals = dataSet.min(0)
    106     maxVals = dataSet.max(0)
    107     # 最大值和最小值的范围
    108     ranges = maxVals - minVals
    109     # shape(dataSet)返回dataSet的矩阵行列数
    110     normDataSet = np.zeros(np.shape(dataSet))
    111     # 返回dataSet的行数
    112     m = dataSet.shape[0]
    113     # 原始值减去最小值
    114     normDataSet = dataSet - np.tile(minVals, (m, 1))
    115     # 除以最大和最小值的差,得到归一化数据
    116     normDataSet = normDataSet / np.tile(ranges, (m, 1))
    117     # 返回归一化数据结果,数据范围,最小值
    118     return normDataSet, ranges, minVals
    119 
    120 
    121 """
    122 函数说明:通过输入一个人的三维特征,进行分类输出
    123 
    124 Parameters:
    125 126 Returns:
    127 128 """
    129 
    130 
    131 def classifyPerson():
    132     # 输出结果
    133     resultList = ['讨厌', '有些喜欢', '非常喜欢']
    134     # 三维特征用户输入
    135     precentTats = float(input("玩视频游戏所耗时间百分比:"))
    136     ffMiles = float(input("每年获得的飞行常客里程数:"))
    137     iceCream = float(input("每周消费的冰激淋公升数:"))
    138     # 打开的文件名
    139     filename = "datingTestSet.txt"
    140     # 打开并处理数据
    141     datingDataMat, datingLabels = file2matrix(filename)
    142     # 训练集归一化
    143     normMat, ranges, minVals = autoNorm(datingDataMat)
    144     # 生成NumPy数组,测试集
    145     inArr = np.array([precentTats, ffMiles, iceCream])
    146     # 测试集归一化
    147     norminArr = (inArr - minVals) / ranges
    148     # 返回分类结果
    149     classifierResult = classify0(norminArr, normMat, datingLabels, 3)
    150     # 打印结果
    151     print("你可能%s这个人" % (resultList[classifierResult - 1]))
    152 
    153 
    154 """
    155 函数说明:main函数
    156 
    157 Parameters:
    158 159 Returns:
    160 161 """
    162 if __name__ == '__main__':
    163     classifyPerson()

     

     

     

  • 相关阅读:
    知识搜索
    使用 getopt() 进行命令行处理
    【新提醒】夏新大v安卓4.1尝鲜最新更新版本发布(包含进步版)1124更新 大V综合交流区 360论坛
    搜狗知立方高调亮相 开启知识计算新时代
    socat: Linux / UNIX TCP Port Forwarder
    Crontab 每两周执行一次
    python 命令行解析 optionparser
    crontab jojo's blog--快乐忧伤都与你同在 BlogJava
    搜索引擎开始「实体搜索」新领域竞争,Google、百度分别发力实体搜索产品
    netcat(nc)的替代产品 Socat
  • 原文地址:https://www.cnblogs.com/zcjcsl/p/9205761.html
Copyright © 2020-2023  润新知