数据清洗-缺失值填充-K-NN算法（K-Nearest Neighbors, K-NN算法）

一、安装所需的python包
二、采用K-NN算法进行缺失值填充
- 2.1代码（完整代码关注底部微信公众号获取）
- 2.2以某个缺失值数据进行实战
- - 2.2.1代码运行过程截屏：
  - 2.2.2填充后的数据截屏：
三、K 近邻算法 (K-Nearest Neighbors, KNN) 介绍
- 3.1 K 近邻算法定义
- 3.2 K 近邻算法的基本思想
- 3.3 K 近邻算法的步骤
- 3.4 K 近邻算法的距离度量
- 3.5 K 近邻算法的优缺点
- - 3.5.1 优点
  - 3.5.2 缺点
- 3.6 K 近邻算法的应用场景
- 3.7 K 近邻算法的改进方法

感觉大家对原理性的东西不太感兴趣，那我就直接举例提供代码，以及详细的注释，大家自己对照改代码应用于你自己建立的模型吧。

完整代码关注博客底部微信公众号获得！

这些代码全部是我自己做数模竞赛时候自己用的代码。可以直接运行，记得修改文件路径。

一、安装所需的python包

pip install pandas scikit-learn scipy numpy joblib

二、采用K-NN算法进行缺失值填充

注意代码需要把自己的数据文件格式转换为CSV文件，并且把路径修改为自己文件所在的路径，不会转换的参考我此教程文件格式转换：EXCEL和CSV文件格式互相转换。

我知道大家对原理性的东西不感兴趣，我把他的原理介绍放在文末，需要写论文的同学自己拿去用，记得修改，否则查重率过不去。

2.1代码（完整代码关注底部微信公众号获取）

"""
K-NN
1.**K-最近邻 (K-Nearest Neighbors, K-NN)**: K-NN是一种
基于实例的学习，或是局部而似和将所有计算推识到分类之
后的情性学习。整个训练数据集都存储在横型中。K-NN算
法比其他技术更适合用于多类目分类问题，如果你对填补缺
失值的速度和精度的平衡感兴趣，这是一个不错的选择。这个的效果比牛顿插值法差一点，，而那些训练模型的那个可能是因为数据量太少，效果差，这是我的一点经验。
"""import pandas as pd
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.impute import KNNImputer
from scipy.interpolate import interp1d
import numpy as np
import joblib# 读取数据，请将'缺失值填充.csv'替换为你的真实数据文件名
filename = '缺失值填充.csv'
data = pd.read_csv(filename, encoding='gbk')# 输出处理后的数据
print(original_data)
original_data.to_csv('knn填充.csv', index=False)

2.2以某个缺失值数据进行实战

注意：数据量较少，由自己构建，均有规律，
如下图：

构造缺失值，如下图：

运行代码查看填充后的数据怎么样，
运行代码如下图+填充后的截图：

2.2.1代码运行过程截屏：

在这里插入图片描述

2.2.2填充后的数据截屏：

在这里插入图片描述

说明：估计是数据量太小，或者缺失值太多，导致填充的效果一般（对于这种规律的数据使用牛顿插值法倒是挺不错的，数据量大的，可以使用神经网络遗传算法来进行缺失值填充，下面我都会介绍），但是你在进行数模比赛时候，需要说明为什么你要选用knn算法，说明他的原理即可，不必纠结填充的数据是否正确，因为你本身也不知道数据的正确性。

接下来我将分享其他我参加数模时候常用的几种数据填充的代码，都是我自己调试跑通过的，大家直接复制粘贴使用。

三、K 近邻算法 (K-Nearest Neighbors, KNN) 介绍

3.1 K 近邻算法定义

K 近邻算法 (K-Nearest Neighbors, KNN) 是一种基本的监督学习算法，主要用于分类和回归问题。KNN 算法基于“相似的输入具有相似的输出”这一假设，通过计算给定数据点与训练数据集中其他点的距离，找出与其最接近的 K 个邻居，然后根据这些邻居的类别或数值进行预测。KNN 算法的核心思想是：相似的样本往往具有相似的输出。

3.2 K 近邻算法的基本思想

KNN 算法没有显式的学习过程，也不需要构建显式的模型，它属于 惰性学习算法。KNN 的主要步骤如下：

计算距离：对于一个需要分类或回归的数据点，计算它与训练集中每个数据点的距离。常用的距离度量方法包括欧几里得距离、曼哈顿距离和闵可夫斯基距离等。
选择最近的 K 个邻居：根据计算出的距离，选择距离最小的 K 个邻居。
投票或平均：
- 分类问题：在分类问题中，KNN 算法根据 K 个邻居中出现次数最多的类别进行投票决定待预测点的类别。
- 回归问题：在回归问题中，KNN 算法通过 K 个邻居的数值平均来预测待预测点的值。

3.3 K 近邻算法的步骤

选择参数 K 的值：决定选择多少个邻居参与投票或计算平均值。
计算距离：对于待分类或回归的样本，计算它与训练数据集中每个样本的距离。
选择最近的 K 个邻居：根据距离对训练数据进行排序，选取距离最近的 K 个样本。
进行分类或回归：
- 分类：在 K 个邻居中，选择出现次数最多的类别作为预测结果。
- 回归：在 K 个邻居中，取目标值的平均值作为预测结果。

3.4 K 近邻算法的距离度量

常用的距离度量方法有：

欧几里得距离 (Euclidean Distance)：
$\sqrt{\sum_{i=1}^n (x_i - y_i)^2}$
曼哈顿距离 (Manhattan Distance)：
$\sum_{i=1}^n |x_i - y_i|$
闵可夫斯基距离 (Minkowski Distance)：
$\left( \sum_{i=1}^n |x_i - y_i|^p \right)^{1/p}$