【数据挖掘实战】task2-task3详情

---

前言

感谢datawhale组织的学习，并免费提供答疑服务。
学习地址：https://coggle.club/learn/DCIC2021/
博客主要记录相关的问题
代码示例地址：https://cdn.coggle.club/dcic2021/DCIC-baseline.html

---

一、任务2：共享单车潮汐点分析

1.geohash 原理

Geohash其实就是将整个地图或者某个分割所得的区域进行一次划分，由于采用的是base32编码方式，即Geohash中的每一个字母或者数字（如wx4g0e中的w）都是由5bits组成（2^5 = 32，base32），这5bits可以有32中不同的组合（0~31），这样我们可以将整个地图区域分为32个区域，通过00000 ~ 11111来标识这32个区域。第一次对地图划分后的情况如下图所示（每个区域中的编号对应于该区域所对应的编码）

2.分析结果

二、任务三：共享单车潮汐点优化

1.sklearn.neighbors

无监督最近邻

NearestNeighbors （最近邻）实现了 unsupervised nearest neighbors learning（无监督的最近邻学习）。 它为三种不同的最近邻算法提供统一的接口：BallTree, KDTree, 还有基于 sklearn.metrics.pairwise 的 brute-force 算法。算法的选择可通过关键字 ‘algorithm’ 来控制， 并必须是 [‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’] 其中的一个。当设置为默认值 ‘auto’ 时，算法会尝试从训练数据中确定最佳方法。有关上述每个选项的优缺点

#找到最近邻
>>> from sklearn.neighbors import NearestNeighbors
>>> import numpy as np
>>> X = np.array([[-1, -1