1.基础知识点介绍
曼哈顿距离一般是比欧式距离长的除非在一维空间
拐弯的就是曼哈顿距离
Knn查看前5行数据head()，info看空非空
查看特征对应的类型
Head()默认前5行，head（3）就是前3行数据
Unique()可以查看分类后的结果
csv的数据应该是逗号分隔，但也不确定，要去查看数据不要只看拓展名要点进去看一下
这个删掉没有把原数据删掉
如果把原数据删掉加上inplace=true
#练习1 导入数据分析三剑客
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#导入KNN算法
#sklearn机器学习库,KNeighborsClassifier :KNN分类器
from sklearn.neighbors import KNeighborsClassifier
### 1. k-近邻算法原理
#简单地说，K-近邻算法采用测量不同特征值之间的距离方法进行分类（K-Nearest Neighbor，KNN）
##### 工作原理 **欧几里得距离(Euclidean Distance)**欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。
knn优缺点
#- 优点：精度高、对异常值不敏感。
#- 缺点：时间复杂度高、空间复杂度高。
#### 2. 在scikit-learn库中使用k-近邻算法
#- 分类问题：from sklearn.neighbors import KNeighborsClassifier
#- 回归问题：from sklearn.neighbors import KNeighborsRegressor
#导入电影数据
movie=pd.read_excel('../data/movies.xlsx',sheet_name=1)
movie
#中文不可以训练，电影名称从业务的角度也不能拿来训练
data=movie[['武大镜头','接吻镜头']].copy()
data #必须是二维数据
# target (label) 标签，标记，目标结果
target=movie.分类情况
target
data.shape,target.shape
# 使用KNN算法
# 1. 创建KNN对象
# n_neighbors=5 : K=5,会找最近的5个近邻
# p=2：默认值，表示使用欧式距离，p=1表示曼哈顿距离
knn=KNeighborsClassifier(n_neighbors=5,p=2)
knn
# 2. 训练 ： 训练历史数据
# 数据：
# 训练数据： 用来训练
# 测试数据：或验证数据，用来测试或验证模型的好坏
# X ：必须是二维数据
# y ：结果，一般是一维
knn.fit(X=data,y=target)
data
# 3. 预测新数据
# 提供测试数据
X_test=np.arry([[50, 1], [1, 20], [30, 1], [2, 10], [20, 10]])
X_test=pd.DataFrame(X_test,columns=data.columns)
y_test=np.array(['动作片', '爱情片', '动作片', '爱情片', '动作片'])
# 预测：predict
y_pred=knn.predict(X_test)
y_pred
# 4. 计算得分: 准确率
knn.score(X_test,y_test)
总结：# 数据
# data, target : 一般表示全部数据
# 训练数据
# X_train : 训练集中的数据
# y_train ：训练集中的数据对应的结果
#
# 预测数据
# X_test : 测试集中的数据
# y_test : 测试集中的数据对应的真实结果
# y_pred : 测试集中的数据对应的预测结果
#from sklearn.datasets:提供现成的数据集，主要用来学习和测试
#导入数据
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
iris=load_iris()
iris
data=iris['data']
target=iris['target']
target_names=iris['target_names']
feature_names=iris['feature_names']
data.shape,target.shape
target
target_names
feature_names
pd.DataFrame(data,columns=feature_names)
#拆分数据集
from sklearn.model_selection import train_test_split
# test_size 有2种写法:
# 1. int整数，那么就表示使用这么多的数据作为测试数据
# 2. float小数，0-1之间，测试数据占所有数据的比重, 比如：0.2 = 150*20% = 20
# 训练数据： X_train, y_train
# 测试数据： X_test, y_test
x_train,x_test,y_train,y_test=train_test_split(data,target,test_size=0.2)
display(x_train.shape,x_test.shape)
#使用knn算法knn = KNeighborsClassifier()
#1.创建knn
knn=KNeighborsClassifier()
#2.训练
knn.fit(x_train,y_train)
#3.预测
y_pred=knn.predict(x_test)
y_pred
#得分
knn.score(x_test,y_test)#4. 拆分数据集：训练数据和预测数据
# - train_test_split
import numpy as np
import pandas as pd
#import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
x_train,x_test,y_train,y_test=train_test_split(data,target,test_size=0.2)
x_train.shape,x_test.shape
#使用knn算法
knn=KNeighborsClassifier()
knn.fit(x_train,y_train)
#预测
knn = KNeighborsClassifier()
knn.fit(x_train,y_train)
#预测
knn.predict(x_test)
#得分
knn.score(x_test,y_test)
#6. 保存训练模型
# - import joblib
# - 保存模型： joblib.dump(knn, 'knn.plk')
# - 导入模型： joblib.load('knn.plk')
import joblib
joblib.dump(knn,'knn.plk')
#导入模型
new_knn=joblib.load('knn.plk')
new_knn
#预测
new_knn.predict(x_test)
#### 3、癌症预测
#- 读取cancer.csv文件
#- 删除列: 'ID'
#- Diagnosis 是target
#- 使用train_test_split
#- 使用KNN训练，并预测
#- 交叉表查看结果pd.crosstab( )
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
cancer=pd.read_table('../data/cancer.csv')
cancer.shape
cancer.head()
cancer.drop(columns='ID',inplace=True)
cancer.head(3)
data=cancer.iloc[:,1:].copy()
target.unique()
x_train,x_test,y_train,y_test=train_test_split(data,target,test_size=0.2)
#knn
knn=KNeighborsClassifier()
knn.fit(x_train,y_train)
#预测
y_pred=knn.predict(x_test)
y_pred
#得分
knn.score(x_test,y_test)
pd.crosstab(
index=y_pred, #预测结果
columns=y_test,
rownames=['预测'],
colnames=['真实'],
margins=True
)
