使用python库sklearn，pandas
数据来源：kaggle Facebook V: Predicting Check Ins
数据网址：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data
如存在问题或不足之处请指正，靴靴！！！

1 k-近邻算法描述

1.1 简介

对于传统k近邻算法，对于给定的数据集，有n个数据样本是已标记的，另一部分数据样本是未标记的，对于未标记的数据样本，通过如下方式进行分类：

• 度量每个未标记数据样本与所有已标记数据样本的距离；
• 对所有求出的距离选择与未标记数据样本距离最近的k（k≤n）个已标记数据样本；
• 统计这k个已标记的数据样本，那一类的数据样本个数最多，则未标记的拘束样本标记为该类样本

k近邻算法没有一个数据样本训练过程，本身是一种惰性监督算法，该算法对k值的选择以及距离的度量方式都会影响最终的分类精度。

1.2 算法特性及优缺点

优点：精度高，对异常值不敏感

缺点：k值敏感，空间复杂度高（需要保存全部数据）,时间复杂度高（平均O(logM)，M是训练集样本数）

适用于: 带lable的数值类

2 距离计算

2.1 欧氏距离：

二维空间：

公式: 二维空间欧氏距离公式

为点(x1,y1)与(x2,y2)间的距离。

多维空间

公式： 多维空间欧氏距离公式

为点(x1,x2,···,xn)与(y1,y2,···,yn)间的距离。

3 简单案例

在已知6部电影中的打斗镜头与接吻镜头数目，和每部电影所属类别的情况下，已知出未知电影中的打斗镜头与接吻镜头数目，求出其所属类别。如下图所示：

案例图 图中所给电影数据具有两个特征值（打斗镜头数目，接吻镜头数目），可以用一个二维空间进行表示，如下图所示： 坐标系

1、根据欧氏距离可以求出未知影片与各影片间的距离

• 未知影片->影片1 = 20.5
  未知影片->影片2 = 18.9
  未知影片->影片3 = 19.2
  未知影片->影片4 = 115.3
  未知影片->影片5 = 117.4
  未知影片->影片6 = 118.9

2、按照远近顺序排序：
影片2<影片3<影片1<影片4<影片5<影片6

3、选取样本
k取值（上文提到为选取样本数量）：1,3,6

• k=1：
  -- 选取样本为影片2
  -- 未知影片为爱情片
• k=3：
  -- 选取样本为影片2，影片3，影片1
  -- 未知影片为爱情片
• k=6：
  -- 选取样本为影片2，影片3，影片1，影片4，影片5，影片6
  -- 未知影片不确定

由此可见k值取值至关重要，其取值影响此算法的分类结果

4 代码展示

导入所需模块

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

文件在当前目录文件夹data\FBlocation中

文件

k近邻算法：

def knncls():
    """
    K-近邻预测用户位置
    :return: None
    """
    # 窗口内输出不带省略号
    pd.set_option('display.width', 1000)  # 设置字符显示宽度
    pd.set_option('display.max_rows', 1000)  # 设置显示最大行
    pd.set_option('display.max_columns', None)  # 设置显示最大列

    # 读取数据
    data = pd.read_csv('data\\FBlocation\\train.csv')

    # print(data.head(10))

    # 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
    # pd.to_datatime把时间戳转换成时间年月日的形式
    # pd.DatetimeIndex 把日期数据转换为字典格式
    time_value = pd.to_datetime(data['time'], unit='s')

    # print(time_value)
    # 把日期格式转换为字典格式
    time_value = pd.DatetimeIndex(time_value)

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

    # 把时间戳特征删除
    data.drop(['time'], axis=1)  # 这里1表示列，sklearn里面0表示列
    # print(data)

    # 把签到数量少于n个的目标位置删除
    place_count = data.groupby('place_id').count()
    # print(place_count)
    tf = place_count[place_count.row_id > 3].reset_index()  # 索引从0开始

    data = data[data['place_id'].isin(tf.place_id)]

    # 取出数据当中的特征值与目标值
    y = data['place_id']  # 目标值

    x = data.drop(['place_id','row_id'], axis=1)  # 特征值


    # 进行数据的分割训练集合测试集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # print(data)
    # 特征化工程（标准化）
    std = StandardScaler()

    # 对测试集和训练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    # 超参数（n_neighbors）默认为5
    knn = KNeighborsClassifier(n_neighbors=8)

    # fit, predict,score
    knn.fit(x_train,y_train)

    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测目标签到位置为：",y_predict)

    print("得出准确率：",knn.score(x_test,y_test))

    return None

if __name__ == '__main__':
    knncls()

输出结果：

结果

参考文献
[1]章宦记.改良的kmeans与K近邻算法特性分析[J].电子产品世界,2016,23(01):79-80.