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。
原文：https://www.cnblogs.com/cwj2019/p/11733208.html