第六节 k-近邻算法介绍和简单案列

"""
K-近邻算法（KNN）：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别）
K取值问题：取小容易受异常值影响，取太大预测准确率不好
性能问题：时间复杂度很高，计算量太大，适用小数据场景，于几千~几万样本
"""

from sklearn.neighbors import  KNeighborsClassifier
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

def knncls():
    """K-近邻预测用户签到位置，数据来源：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data"""
    # 读取数据
    data = pd.read_csv(r"E:\testdata\xxxxx.csv")
    # 处理数据

    # 1.缩小数据，查询数据筛选
    data = data.query("x>1.0 & x<1.25 & y>2.5 & y<2.75")

    # 2.处理时间数据，将时间戳转换成日期格式，unit转换单位s
    time_value = pd.to_datetime(data[‘time‘], unit=‘s‘)

    # 3.把日期格式转换成字典格式
    time_value = pd.DatetimeIndex(time_value)

    # 4.构造一些特征
    data[‘day‘] = time_value.day
    data[‘hour‘] = time_value.hour
    data[‘weekday‘] = time_value.weekday

    # 5.把时间戳特征删除
    data = data.drop([‘time‘], axis=1)

    # 6.把签到数少于n个目标位置删除
    place_count = data.groupby(‘place_id‘).count()
    tf = place_count[place_count.row_id>3].reset_index()
    data = data[data[‘place_id‘].isin(tf.place_id)]

    # 7.取出数据当做的特征值（x）和目标值（y）
    y = data[‘place_id‘]
    x = data.drop([‘place_id‘], axis=1)

    # 8.将数据分割成训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 特征工程（标准化）
    std = StandardScaler()
    # 对训练集和测试集的特征值进行标准化
    x_train = std.fit_transform(x_train)
    x_test = std.transform(x_test)
    # 进行算法流程，n_neighbors取多少个最近邻样本进行类别统计
    knn = KNeighborsClassifier(n_neighbors=5)

    knn.fit(x_train, y_train)

    # 将测试集特征值传入，得出预测结果
    y_predict = knn.predict(x_test)

    # 得出预测准确率
    score = knn.score(x_test, y_test)