Python Laplacian Score 特征选择算法实现

from lp_score import * # 导入lp_score模块 import argparse as aP # 导入argparse模块，用于处理命令行参数 import numpy as np # 导入numpy模块，用于矩阵运算 import time # 导入time模块，用于计时

def ArgumenParser(): # 定义命令行参数解析函数 parser = aP.ArgumentParser(description='解析命令行参数') # 创建ArgumentParser对象，并设置描述信息 parser.add_argument('-f', action='store', dest='DataSet', default='IRIS.csv', help='数据集文件名，默认为IRIS.csv') # 添加-f选项，用于指定数据集文件名 parser.add_argument('-k', action='store', dest='neighbour_size', type=int, default=16, help='邻居个数，默认为16') # 添加-k选项，用于指定邻居个数 parser.add_argument('-t', action='store', dest='t_param', type=int, default=2, help='t参数，默认为2') # 添加-t选项，用于指定t参数 return parser.parse_args() # 返回解析后的命令行参数

if name == 'main': # 如果该脚本是作为主程序运行 start_time = time.time() # 记录程序开始运行的时间 param = ArgumenParser() # 解析命令行参数 X = np.loadtxt(param.DataSet, delimiter=',') # 从文件中读取数据 n_samples, n_feature = X.shape # 获取数据集的行数和列数 data = X[:, 0:n_feature - 1] # 获取特征矩阵 #Y=lap_score(data,neighbour_size=param.neighbour_size,t_param=param.t_param) #Z = feature_ranking(Y) #print Y #print '\n' #print Z L = LaplacianScore(data, neighbour_size=param.neighbour_size, t_param=param.t_param) # 计算Laplacian Score print(L) # 打印Laplacian Score print(feature_ranking(L)) # 打印特征重要性排名 print('--- %s seconds ---' % (time.time() - start_time)) # 打印程序运行时间