{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "#les librairies utilisées\n",
    "import numpy as np\n",
    "from sklearn.neighbors import KNeighborsClassifier\n",
    "from sklearn.model_selection import train_test_split\n",
    "from sklearn.datasets import load_iris\n",
    "from IPython.display import display\n",
    "iris_dataset = load_iris()\n",
    "knn = KNeighborsClassifier(n_neighbors=1)\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 54,
   "metadata": {},
   "outputs": [],
   "source": [
    "#On lance la phase d'apprentissage qui est préalable.\n",
    "X_train,X_test,y_train,y_test= train_test_split(iris_dataset['data'],iris_dataset['target'],random_state=0)\n",
    "fit = knn.fit(X_train,y_train)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 81,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Forme du tableau X_new: (1, 4)\n",
      "Forme du tableau X_new2: (2, 4)\n",
      "Forme du tableau X_new_false: (2,)\n",
      "Forme du tableau X_train: (112, 4)\n"
     ]
    }
   ],
   "source": [
    "#Les mesures de notre amie botaniste\n",
    "X_new = np.array([[5,2.9,1,0.2]])\n",
    "X_new2 = np.array([[5,2.9,1,0.2],[2,9,2,1.3]])\n",
    "X_new_false= np.array([[5,2,1,0.3],[5,2,4]])\n",
    "print(\"Forme du tableau {}: {}\".format('X_new',X_new.shape))\n",
    "print(\"Forme du tableau {}: {}\".format('X_new2',X_new2.shape))\n",
    "print(\"Forme du tableau {}: {}\".format('X_new_false',X_new_false.shape))\n",
    "print(\"Forme du tableau {}: {}\".format('X_train',X_train.shape))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Nous voyons ici que la forme s'affiche en format 'tuple', le premier nombre correspond aux lignes de ce tableau le deuxième aux colonnes.\n",
    "Nous voyons aussi avec X_new_false que le tableau np.array doit être homogêne pour afficher le nombre de colonne.\n",
    "(sinon quelle nombre de colonnes séléctioner ? 3? 4?)\n",
    "Amusons-nous à tester tout ça."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 82,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Prediction de X_new fait partie de l'espèce ['setosa']\n",
      "Prediction de X_new2 fait partie de l'espèce ['setosa' 'setosa']\n",
      "X_new_false affiche une erreur\n"
     ]
    }
   ],
   "source": [
    "tout = {'X_new':X_new,'X_new2':X_new2,'X_new_false':X_new_false}\n",
    "try:\n",
    "    for key,value in tout.items():\n",
    "        prediction = knn.predict(value)\n",
    "        print(\"Prediction de {} fait partie de l'espèce {}\".format(key,iris_dataset['target_names'][prediction]),end=\"\\n\")\n",
    "except:\n",
    "    print(\"{} affiche une erreur\".format(key))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "un message d'erreur s'affiche \n",
    "Comme on peut le voir X_new_false nous cause problème.\n",
    "Je vous laisse y réfléchir la solution est plutôt simple.\n",
    "La sortie de X_new2 est intéressante."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.1"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}