KNN算法的思想： 如果一个吸烟者70岁得了肺癌 ，另一个吸烟者69岁得了肺癌，且大多吸烟者这个时间段可能有肺癌风险。那么有个样本 68岁的吸烟者也很有可能近期会得肺癌。KNN就是找身边最相似的东西，进而进行预测。

首先登录天池大数据平台，里面有一个 天池实验室--数据集--公共数据中     有一个 IBM员工离职数据集

具体 链接为   ：     https://tianchi.aliyun.com/dataset/dataDetail?dataId=77180

这里的字段实在太多，因为初学KNN，我们使用其中的几个字段（特征）就好了

这里我们使用

age：年龄字段  bussinessTravel ： 是否经常出差 DistanceFromHome： 距离 Education：教育程度 gender：  性别 joblevel：  工作等级 MonthlyIncome ：   员工月收入 numcompanies：     曾经工作过公司数量

这8个字段来进行预测   是否离职                attrition字段表示 是否离职

    （也就是说，我们用这8个字段来预测   attrition字段）

并且我们统一 Department字段  为   Research & Development      （ Research & Development表示研发部门）

在这个数据集中，一共有 1400多条数据集

我们在 Department字段为Research & Development 中         选取90 条为 训练集，选取10条作为数据集 

因为这里选取了8个字段  ，一般数据集为  k的平方比较好     （一些大佬说的，我也不太明白）

这里有1400多条数据的30多个特征 ，我们只需要100条数据 8-9个特征就好了

所以需要删除多余的行和列

import pandas as pd xdate=pd.read_csv('WA_Fn-UseC_-HR-Employee-Attrition.csv')   # i

# xdate.sort_values(by='Department')       # 按列排序，没啥用 df=xdate df = df.drop(df[df.Department!= 'Research & Development'].index)#  首先删除部门不是   研究部   的行

need_list=[            # 需要保留的字段合集 'Age', 'Attrition', 'BusinessTravel', 'DistanceFromHome', 'Education', 'JobLevel', 'NumCompaniesWorked', 'MonthlyIncome', 'Gender']

delete_list=[]   # 需要删除的列表

for i in df:     if i not in need_list:         delete_list.append(i)

df.drop(labels=delete_list,axis=1,inplace=True)            # 删除没用的列 print(len(df)) df = df.head(100)                 # 取前100行

alldate=df                        # 所有数据集 alldate.to_csv('alldate.csv')                     # 保存成csv 文件

for index in alldate['BusinessTravel'].index:     value=alldate['BusinessTravel'].get(index)     if value =='Travel_Frequently':         alldate['BusinessTravel'][index]=2        elif value == 'Travel_Rarely':         alldate['BusinessTravel'][index]=1         else:         alldate['BusinessTravel'][index]=0            # 把BussinessTravel字段的 频繁出差转成 2    很少转1，不出差转 0           for index in alldate['Gender'].index:     value=alldate['Gender'].get(index)     if value=='Male':         alldate['Gender'][index]=1     else:         alldate['Gender'][index]=0                    # 把gender字段  male转成0， female转0 alldate.to_csv('alldate_1.csv')

train = alldate.head(90)                          # 前90行为训练集  train_y = train['Attrition']                      # train_y  为我们需要预测的字段  （该字段表示是否离职）  train_x = train.drop('Attrition',axis=1)          # train_x  为预存Attrition 所需要的特征 train_y.to_csv('train_y.csv')               train_x.to_csv('train_x.csv')

test = alldate.tail(10)                           # 后10行为测试集 test_y = test['Attrition']                        # test_y   为 我们通过 test_x 和 train_x 预测是否离职 和实际数据对比  test_x = test.drop('Attrition',axis=1)  test_y.to_csv('test_y.csv')  test_x.to_csv('test_x.csv')

如果不标准化，会发生什么 ？ 

首先，我们得 知道 KNN的算法究竟是  什么   样子 的   

如果一个人的特征有这些   （身高,体重,收入）

第一个特征的取值为（150-190）CM

第二个特征取值为（40-80） KG

第三个为  （5000-20000） 

假如两个人的指标为 （160，50，8000）  （180，60，10000）

我们需要算出距离最近，也就是找 最相似的东西     比如距离可以表示 为 sqrt((160-180)^2+(50-60)^2+(8000-10000)^2)

那么，第三个指标，对结果的影响，会显著性的大 ，所以 要进行标准化

这里需要用到 sklearn.preprocessing 库 

from sklearn.preprocessing import MinMaxScaler, StandardScaler std = StandardScaler() normal_test_x = std.fit_transform(test_x) normal_train_x = std.fit_transform(train_x)

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier() knn.fit(normal_train_x,train_y) y_predict = knn.predict(normal_test_x) print(knn.score(normal_test_x,test_y))          

# 这里得出的结果为 0.8，其实把数据扩大，训练集为800条，测试集为100条时，准确率会提升到  0.88

# 这里得出的结果为 0.8，其实把数据扩大，训练集为800条，测试集为100条时，准确率会提升到  0.88

from sklearn.preprocessing import MinMaxScaler, StandardScaler std = StandardScaler() date = std.fit_transform([[22],[49],[43],[36],[51],[32],[45],[38],[30],[30]]) print(date)