K-近邻算法及案例预测入住位置，案例，总结

1、k-近邻算法
定义：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。
如何求距离：（欧式距离）a（a1，a2，a3） ，b（b1，b2，b3）距离=根号下[（a1-b1）平方+（a2-b2）平方+（a3-b3）平方]
相似的样本，特征值之间相似。
k-近邻算法需要做标准化处理

sklearn k-近邻算法API
● sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm=‘auto’)
● n_neighbors：int，可选（默认=5），k_neighbors查询默认使用的邻居数
● algorithm：{‘auto’,‘ball-tree’,‘kd_tree’,‘brute’}，可选用于计算最近邻居的算法：'ball-tree’将会使用BallTree，'kd_tree’将使用KDTree。'auto’将尝试根据传递给fit方法的值来决定最合适的算法。（不同实现方式影响效率）
数据的处理
● 缩小数据集范围 DataFrame.query()
● 处理日期数据 pd.to_datatime
pd.Datatimeindex
● 增加分隔的日期数据
● 删除没用的日期数据 DataFrame.drop
● 将签到位置少于n个用户的删除
place_count=data.groupby