from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
from sklearn import svm,datasets
import sys
from numpy.random import shuffle
import pandas as pd
from sklearn import metrics
from sklearn.linear_model import LogisticRegression as LR

class iris():
    #通过PCA降维选取特征
    def PCA_T(self,data):

        y = data.target
        x = data.data
        #查看每个特征的贡献率
        pca = PCA()
        pca.fit(x)
        print(pca.explained_variance_ratio_)
        # [0.92461621 0.05301557 0.01718514 0.00518309]
        # 可以看见前面两个主成分占了相当大的成分，所以我们就降成2维 
        pca = PCA(2)
        pca.fit(x)
        low_d = pca.transform(x)

        self.LMTwo(low_d,y)

    def LMTwo(self,x,y):

        y = pd.DataFrame(y)
        x = pd.DataFrame(x)

        data = pd.concat([x,y],axis=1).as_matrix()
        shuffle(data)

        x_train = data[:int(len(data)*0.8),:2]
        y_train = data[:int(len(data)*0.8),2]

        x_test = data[int(len(data)*0.8):,:2]
        y_test = data[int(len(data)*0.8):,2]


        clf = svm.SVC()#预测结果变形
        clf.fit(x_train,y_train)
        predict_result = clf.predict(x_test)
        cm_train = metrics.confusion_matrix(y_test, predict_result)
        result = pd.DataFrame(cm_train, index = range(0,3), columns = range(0,3))
        print("降维后svm预测结果")
        print(result)

    def LM(self,data):

        y = pd.DataFrame(data.target)
        x = pd.DataFrame(data.data)

        data = pd.concat([x,y],axis=1).as_matrix()
        shuffle(data)

        x_train = data[:int(len(data)*0.8),:4]
        y_train = data[:int(len(data)*0.8),4]

        x_test = data[int(len(data)*0.8):,:4]
        y_test = data[int(len(data)*0.8):,4]


        clf = svm.SVC()#预测结果变形
        clf.fit(x_train,y_train)
        predict_result = clf.predict(x_test)
        cm_train = metrics.confusion_matrix(y_test, predict_result)
        result = pd.DataFrame(cm_train, index = range(0,3), columns = range(0,3))
        print("降维前svm预测结果")
        print(result)

    def LRR(self,data):

        y = pd.DataFrame(data.target)
        x = pd.DataFrame(data.data)

        data = pd.concat([x,y],axis=1).as_matrix()
        shuffle(data)

        x_train = data[:int(len(data)*0.8),:4]
        y_train = data[:int(len(data)*0.8),4]

        x_test = data[int(len(data)*0.8):,:4]
        y_test = data[int(len(data)*0.8):,4]

        lr = LR()
        lr.fit(x_train,y_train)

        predict_result = lr.predict(x_test)

        cm_train = metrics.confusion_matrix(y_test, predict_result)
        result = pd.DataFrame(cm_train, index = range(0,3), columns = range(0,3))
        print("逻辑回归预测结果")
        print(result)


if __name__=='__main__':
    data = load_iris()
    iris = iris()
    iris.PCA_T(data)

    iris.LM(data)

    iris.LRR(data)
    #根据结果可以看见降成两维后正确率还是相当高的 每一次不一样是因为每次建模前都会随机打乱数据
    #降维后svm预测结果
    #     0  1   2
    # 0  12  0   0
    # 1   0  8   0
    # 2   0  0  10
    # 降维前svm预测结果
    #    0   1  2
    # 0  7   0  0
    # 1  0  13  1
    # 2  0   0  9
    # 逻辑回归预测结果
    #    0   1   2
    # 0  6   0   0
    # 1  0  13   1
    # 2  0   0  10