python基础中K近邻算法是怎样的

python基础中K近邻算法是怎样的，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

一、k-近邻算法原理及API

1.k-近邻算法原理

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。（相似的样本，特征之间的值应该都是相近的。）

样本之间的距离求法：

2.k-近邻算法API

3.k-近邻算法特点

k值取很小，容易受异常点的影响。

k值取很大，容易受k值数量（类别）波动

优点：简单，易于理解，易于实现，无需估计参数，无需训练（不需要迭代）

缺点：懒惰算法，对测试样本分类时的计算量大，内存开销大

综上，使用该算法时必须指定K值，K值选择不当则分类精度不能保证。同时若样本数量非常多，算法花费的时间就会很长，因此使用场景一般是小数据场景。

二、k-近邻算法案例分析案例信息概述

knn使用案例：以预测客人的入住位置（假设住的是酒店）为例。准备好的数据中的特征为：酒店编号（place_id）、入住登记（row_id）、客人横坐标（x）、客人纵坐标（y）、时间戳（time）、客人定位准确度（accuracy）

也就是说，我们的目标是预测客人将会入住哪个编号的酒店。则此问题是一个分类问题。根据k-近邻算法，我们通常考虑让客人入住距离他最近的酒店。但同时，根据给出的其他信息，是否入住某酒店还会受其他因素影响，比如入住时间，定位准确度。

因此，我们第一步对数据进行处理的时候，需要将我们认为对客人入住有影响的所有因素考虑在内。比如客人的坐标、入住时间、定位准确度。

接下来对特征进行处理，把需要的添加进列表，不需要的删除，或者筛选部分数据。最终处理好后，将目标值单独拿出来作为y_train，就可以使用x_train和y_train来训练算法了。

第一部分：处理数据

1.数据量缩小

假设已导入了data数据，由于数据量太大，因此为了演示的速度，将数据量缩小。

代码：

data.query('x>0.1 & x<0.2 & y>0.5 & y<0.6')

选择x的坐标范围，以及y的坐标范围

2.处理时间

时间给出的是时间戳格式，需要使用pd.to_date_time进行转化

代码：

time = pd.to_date_time(data['time'], unit='s')

此时得出的时间是类似于这样：1970-01-01 18:09:40

3.进一步处理时间

将时间提取出来，转换成 ”可以任意提取，年月日时分秒均可“ 的字典格式

代码：

time_value = pd.DatetimeIndex(time)

4.提取并构造时间特征

直接将提取的时间特征，选择一个特征名，加入原数据表中即可，想加几个加几个

代码：

data['day'] = time_value.day

5.删除无用特征

使用drop方法，方法中，axis=1代表整列。只要认为没有用的特征，均可删除

代码：data = data.drop(['row'], axis=1)

6.签到数量少于3次的地点，删除

首先对数据进行分组，要删除地点，就以地点来分组，并统计其他特征基于地点的数量

代码：

place_count = data.groupby('place_id').count()

此处返回的数据表，索引就是地点place_id，其他的特征对应的列，数据都变成了“基于place_id”所进行的数量统计。

关于groupby().count()的解释，以一个简单的数据为例：

原来的特征有5个，分别为：year, team, rank, points, goals，现在按照year来分组并统计数量，那么第一行第一列的数据“4”，意思就是：在2014年，有4个team

回到本例，row_id代表的是“登记事件的id”，也就是说每次有人登记入住一个place，那么place_id对应的就会有一个row_id数据出现。若同一个地方有三个人登记了，那么同一个place_id对应的row_id就会有三个。

因此，本例中按照groupby.count()处理之后，place_id和row_id对应的关系就是：在place_id中的a这个地方，row_id对应的数量为3。也就是相当于在a地点，有3人登记入住了。

接下来，将入住人数少于3的place_id删除：

place_count[place_count.row_id>3] 
# 选择入住人数大于三人的数据

tf = place_count[place_count.row_id>3].reset_index() #将索引重置，place_id还放回到特征

data = data[data['place_id'].isin (tf.place_id)]
#对data中的数据进行筛选

7.提取目标值y

提取之后，需将原数据表中的目标值那一列删除

y = data['place_id']
x = data.drop(['place_id'], axis=1)

8.数据分割

前面需要导入分割方法：from sklearn.model_selection import train_test_split

代码：

x_train, x_test, y_train,
 y_test = train_test_split(x, y, test_size=0.25)

至此，数据处理完毕。数据处理过程中，我们需要考虑有哪些数据是需要舍弃的，有哪些是需要我们构造的，是否需要对特征进行筛选，条件如何设置等。最终，将我们需要的目标值提取出来，剩余的作为训练集。并调用分割方法，按一定的比例进行数据分割。（此处25%的数据作为测试集）

第二部分：特征工程

标准化

先导入标准化类：from sklearn.preprocessing import StandardScaler

训练集和测试集，标准化的时候，所使用的均值与标准差，都是训练集的！因此，对测试集标准化的时候，只调用transform方法即可。

x_train = std.fit_transform(x_train)

x_test = transform(x_test)

第三部分：进行算法流程

1.算法执行

先导入算法：from sklearn.neighbors import KNeighborsClassifier

使用该算法，将训练集数据输入，即可训练完毕，得到一个模型。

代码：

knn = KNeighborsClassifier(x_train, y_train)

2.预测结果

使用predict方法， 输入测试集数据即可得出预测的y

代码：

y_predict = knn.predict(x_test)

3.检验效果

使用score方法，输入测试集数据，以及测试集的目标值，即可得出分数

代码：

score = knn.score(x_test, y_test)

看完上述内容，你们掌握python基础中K近邻算法是怎样的的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！