Kaggle数据挖掘入门之KNN算法--Didit Recognizer

由于本人也是在数据挖掘的入门阶段，以下内容仅为个人练习经验和见解，如有不恰当之处，希望能与其他人探讨。

在开始之前先说说要准备或者说要具备的知识：

1、学习过python，不需要什么精通，起码要知道python的基本数据结构和大的框架；

2、了解KNN（K最近邻）算法的基本原理，这里我就不多说了，百度一下就能找到，因为我觉得自己没别人解释的好；

3、对数据挖掘有概念性的了解，起码要知道数据挖掘是要做什么。

给点干货，这里有比较详细的KNN算法的python简单实现，很容易理解：http://blog.csdn.net/zouxy09/article/details/16955347

接下来开始我们的入门练习。

1、获取资源

首先，当然是要先去kaggle上获取相关的资源了，点击这里就能进去kaggle,然后自然就是要先注册了。在这里和大家说一下，注册时如果你能翻墙的话当然是没有什么问题，如果不能翻墙的话，就先注册一个yahoo邮箱，再用yahoo在kaggle上面注册就没问题了，否则邮箱验证的时候验证码窗口弹不出来会导致无法验证。

注册成功登陆之后，拿着你的鼠标使劲往下拉吧，上面的项目都是大牛级别参加的有偿的竞赛，我们要做的练习在下面的‘101’标签部分的‘Didit  Recognizer’，这一部分都是供入门练习使用的，其中也有不少个人和team贡献出的源代可供研究。ok，我们要找的就是下面这个。

点击打开之后呢，主要有三个部分，Competition Details、Get the Data、Make a submission，Competition Details这一部分尤为重要，要仔细读这一部分的内容，这里主要对项目做了详细的描述，以及项目的具体需求。

接下来需要得到我们所需的数据，即在Get the Data下面可以找到，可得到的数据有两个，一个是train（训练集），一个事test（测试集），且均为csv文件（逗号分隔符文件），csv也是一种通用的数据文件格式，类似于jason和xml。同样，下面的描述需要仔细阅读，是关于提供的数据的基本信息和提交结果数据的格式。我在做时就没有注意到提交结果数据的格式，导致倒腾了半天。原谅我的英文水平！

2、开始练习

下载下来的数据，可以自行打开看看数据的具体形式。train数据集大小是42001*785，其中包含顶行的描述行和第一列的label列；test数据集大小是28001*784，包含了顶行的描述行。与train数