15_K-近邻算法之入住位置预测

案例：本次大赛的目的是预测一个人想签入到哪个地方。对于本次比赛的目的，Facebook的创建一 个人造的世界，包括位于10公里的10平方公里超过10万米的地方。对于一个给定的坐标，你的任务是返回最有可能的地方的排名列表。数据制作出类似于来自移动设备的位置的信号，给你需要什么与不准确的，嘈杂的价值观复杂的真实数据工作一番风味。不一致的和错误的位置数据可能破坏，如Facebook入住服务经验。

分析：表中数据代表的含义

　　　　row_id：登记时间的ID

xy：坐标

accuracy：定位准确性

time：时间戳

place_id：业务的ID，这是您预测的目标

思路:由于总数据量过大（上千万条数据），可以选取其中一小部分数据来进行预测，就是在10平方公里，挑一小块地方来进行预测。

　　 因此要对x,y来进行范围的限制，通过data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")

　　 对于time也要处理成我们熟悉的格式：time_value = pd.to_datetime(data["time"], unit='s')，

    得到是一个日期格式，因此还要将日期格式转换成字典格式，便于我们后续的操作，time_value = pd.DatetimeIndex(time_value)

　　 转换成字典之后就可以把按照年月日的格式，把里面的值取出来，然后添加到表中去，并且要把以前的time列给删除掉，　注意删除列的时候，axis=1！！！

data['day'] = time_value.day
data['hour'] = time_value.hour
data['weekday'] = time_value.weekday

# 把时间特征戳删除
data = data.drop(['time'], axis=1)

　　下面对place_id进行处理，可以想象一下，在现实的入住中，一般会pass掉入住人数很少、评分很低的酒店等等

　　这三步有些不好理解，数据库中的分组？

# 把签到数量少于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)]

删除place_id，因为place_id作为目标值

# 取出数据当中的特征值和目标值
y = data['place_id']
x = data.drop(['place_id'], axis=1)
print(x)

　　 

 

案例步骤分解

读取到最原始的数据

data = pd.read_csv("./predict/train.csv")
print(data)

结果:

将时间戳转换为我们习惯上的时间，年月日时分秒

time_value = pd.to_datetime(data["time"],unit='s')
    print(time_value)

结果：　　

# 把日期格式转换成字典格式
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

# 把时间特征戳删除
data = data.drop(['time'], axis=1)
print(data)

这是拿到了原始数据，未做特征化工程，直接进行预测

进行了特征工程化之后，准确率得到了提高。特征化工程可以简单的理解为消除一些范围相差很大的数据，对结果造成很大的影响，也就是避免结果仅有一小部分值来决定的情况。

    # 特征工程（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)

完整的案例：准确率70%

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

def knncls():
    """
    K-近邻算法预测用户签到位置
    :return:
    """

    # 读取数据
    data = pd.read_csv("./predict/train.csv")
    # print(data)
    # 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.处理日期数据
    time_value = pd.to_datetime(data["time"], unit='s')
    # print(time_value)

    # 把日期格式转换成字典格式
    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

    # 把时间特征戳删除
    data = data.drop(['time'], axis=1)
    print(data)
    # 在sklearn中列axis=1（记住）

    # 把签到数量少于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)]

    # 取出数据当中的特征值和目标值
    y = data['place_id']
    x = data.drop(['place_id'], axis=1)
    x = data.drop(['row_id'], axis=1)
    # 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)
    # 特征工程（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
    knn = KNeighborsClassifier(n_neighbors=5)

    # fit, predict, score
    knn.fit(x_train, y_train)
    # 得出预测结果
    y_predict = knn.predict(x_test)

    print("预测目标的签到位置：", y_predict)

    # 训练集中的测试值和目标值中的测试值来进行验证，从而得出准确率
    print("预测的准确率：", knn.score(x_test, y_test))

if __name__ == '__main__':
    knncls()

这里是只预测到了70%的准确率，因为k-means算法不是很常用，所以就先预测到这里，大家可以根据自己的想法，对表中的数据进行一些拆分、删除等。