2020-12-04

KNN算法对足球运动员分类实战

---

前言

之所以弄这个是因为最近一门课《船联网与数据挖掘》要结课了，我们要写一个课程论文关于机器学习的学习报告。前面2个月像无头苍蝇一样一直在瞎看，最近deadline，就老老实实刷黑马程序员的入门视频，今天学了这个算法，就简单的运用一下。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、数据准备

黑马的视频是利用鸢尾花数据集做KNN分类，我看完后就在想，能不能把足球运动员进球、助攻、拦截、解围作为特征，然后把前锋、进攻型中场、防守型中场、后卫作为标签来进行一个类似于鸢尾花的数据集来做一做KNN分类呢？于是开始动手试一试。

由于自己比较笨，不会爬虫，也不会其他编程，我就到直播吧里面把西甲、英超的一些优秀球员2019-2020赛季的进球、助攻、拦截、解围数据找出来做成一个CSV文件。这个过程花了我1个半小时，真的太痛苦了，真的吃了不会编程的亏。

这个数据也就35名球员，后续我会继续添加，有需要的可以联系我。

1.1 数据导入过程种遇到的问题及解决

这个数据是一开始登记的，后面为了用pandas读取，一直读取不了。

然后出现下面这问题

这个问题我在博客找大佬们的解决方案，可是都无法解决。于是我用了最笨的方法，直接在pytharm上建立一个CSV文件，然后把数据放进去。（前锋是0，进攻型中场是1，防守型中场是2，后卫是3）

二、代码实现

代码我是直接根据黑马的视频来的，然后参考了某位大佬的博客，最后实现了。

1.代码

代码如下：

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

def knn_player():
    '''
    用KNN算法对球员位置进行分类
    :return:
    '''
    #1.获取数据
    player = pd.read_csv('TestUrls.csv')
    x = player.iloc[:, 0:4].values
    y = player.iloc[:, -1].values
    #2.划分数据集
    x_train,x_test,y_train,y_test = train_test_split(x, y, random_state=5) #random_state随机数种子
    #3.特征工程，标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train) #测试集标准化
    x_test = transfer.transform(x_test)
    #4.KNN算法预估器
    estimator = KNeighborsClassifier(n_neighbors=5) #调用KNN算法，K=3，用estimator接一下
    estimator.fit(x_train,y_train)  #用这个算法对训练集计算
    #5.模型评估
    #方法1，直接比对真实值和预测值
    y_predict = estimator.predict(x_test)
    print('y_predict:\n',y_predict)
    print('直接比对真实值和预测值：\n',y_test==y_predict)
    #方法二，计算准确率
    score = estimator.score(x_test,y_test)
    print('准确率为：\n',score)
    return None

if __name__ =='__main__':
    #用KNN算法对球员位置分类
    knn_player()

2.结果

一开始我的random_state=3，得出结果如下：

然后我改为5试一下，结果全部预测正确！

另外我的K值也是选的5，选3的时候预测准确度是0.8。大家可以自己去试一试。

三、总结

本次实战虽然比较低级，但是我居然成功实现了自己的想法，也是挺开心的。后续我将继续完善本数据集，另外去学习一下matplotlib，实现可视化。如果有大佬不吝赐教，那真的感激不尽！

参考文献

https://blog.csdn.net/michael_f2008/article/details/107574888?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-3.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-3.control