作者 CDA 数据分析师
我是一个婚恋网站的数据分析师，新入职的第二天，接到老板的任务，让我预测来婚恋网站新注册的男生&女生是否会约会成功。
如何预测一个新来的男生是否会约会成功呢？这很简单，只需要调出一下数据库中之前注册网站的会员信息及跟踪情况，看看和这个新来的男生条件最接近的男生是否约会成功了，那么就可以大致预估新来的男生是否会约会成功。中国有句老话叫做“近朱者赤，近墨者黑”，正是这个道理。比如下图，假设我们将男生的条件划分为三个维度，颜值、背景和收入。蓝色点代表约会成功，灰色点代表未约会成功。红色点代表新来的男生，他和两个蓝色点，一个灰色点最接近，因此点约会成功的可能性是2/3。
KNN算法简介
上述思路所用到的数据挖掘算法为KNN算法， KNN（K Nearest Nighbor），K最邻域法属于惰性算法，其特点是不事先建立全局的判别公式和规则。当新数据需要分类的时候，根据每个样本和原有样本的距离，取最近K个样本点的众数（Y为分类变量）或者均值（Y为连续变量）作为新样本的预测值。实做KNN只需要考虑以下三件事情：
1. 数据的前处理
数据的属性有Scale的问题，比如收入和年龄的量纲单位不同，则不能简单的加总来计算距离，需要进行极值的正规化，将输入变量维度的数据都转换到【0,1】之间，这样才能进行距离的计算。计算公式如下：
2. 距离的计算
一般使用欧几里得距离，勾股定理大家都学过，计算两点之间的距离，不多说。
3. 预测结果的推估
预测过程中我们会同时输出预测的概率值，同时我们需要去了解几个指标的含义。
回应率（precision）:
捕捉率（recall）：
F指标（f1-score）：F指标 同时考虑Precision & Recall
使用Python进行实做
此部分的思路如下：
1. 读入数据集
2. 描述性分析与探索性分析
3. KNN模型建立
4. 模型的效果评估
数据集描述：此数据集为取自某婚恋网站往期用户信息库，含100个观测，8个变量。
# 加载所需包
%matplotlib inline
import os
import numpy as np
from scipy import stats
import pandas as pd
import sklearn.model_selection as cross_validation
import matplotlib.pyplot as plt
import seaborn as sns
import math
from scipy import stats,integrate
import statsmodels.api as sm
# 加载数据并查看前5行
orgData = pd.read_csv('date_data2.csv')
orgData.head()
我从数据库中挑选了收入、魅力值、资产、教育等级变量，并对收入、魅力值和资产进行了分类排序。
# 查看数据集的信息
orgData.info()
从上述信息可以看出数据集总共有100个观测，8个变量。其中浮点型2个，整型6个。还可以看出这个数据集占用了我电脑7k的内存。
# 对数值型变量做描述性统计分析
orgData.describe()
Python的语法就是这么简洁到令人发指。从上述信息我们可以观察到各变量的计数、最大值、最小值、平均值等信息。以income为例，平均值为9010元，中位数为7500元。我们猜想是收入被平均了，如何更直观的看到呢？很简单，我们画个直方图。
# 数据可视化探索
# 查看收入分布情况 直方图
sns.distplot(orgData['income'],fit=stats.norm);
果然，我们的收入被平均了。其他的数值型变量也可以照同样方法画画看。同时，我们想看看类别型的字段和目标变量的关系。
# 查看教育等级和是否约会成功 条形图
sns.barplot(x='educlass',y='Dated',data=orgData);
果然，教育等级越高的人约会成功的概率越高。这么多分类变量，我如何在一张图中呈现呢？很简单，设定面板数，这里我们分类的计数图。
# 查看各分类变量和目标变量关系
fig, (axis1,axis2,axis3,axis4) = plt.subplots(1,4,figsize=(15,5))
sns.countplot(x='Dated', hue="educlass", data=orgData, order=[1,0], ax=axis1)
sns.countplot(x='Dated', hue="income_rank", data=orgData, order=[1,0], ax=axis2)
sns.countplot(x='Dated', hue="attractive_rank", data=orgData, order=[1,0], ax=axis3)
sns.countplot(x='Dated', hue="assets_rank", data=orgData, order=[1,0], ax=axis4)
可以看出，教育等级，收入，魅力值，资产都和是否约会成功有密切关系。
说了这么多，下面我们开始用KNN建模，让机器告诉我们结果吧。
# 选取自变量和因变量
X = orgData.ix[:, :4]
Y = orgData[['Dated']]
X.head()
# 进行极值的标准化
from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
X_scaled = min_max_scaler.fit_transform(X)
X_scaled[1:5]
此部分返回了自变量进行标准化之后的2~5行值。
#划分训练集和测试集
train_data, test_data, train_target, test_target = cross_validation.train_test_split(
X_scaled, Y, test_size=0.2, train_size=0.8, random_state=123)
划分训练集和测试集，训练集用来训练模型，测试集用来测试模型，训练集样本和测试集样本量比例为8:2.同时设定随机种子数。
# 建模
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=3) # 默认欧氏距离
model.fit(train_data, train_target.values.flatten())
test_est = model.predict(test_data)
我们首先从导入了KNN分类器，k值设置为3，然后用模型去训练训练集，并且用测试数据集来测试模型结果，输出到test_est对象中。
# 模型评估
import sklearn.metrics as metrics
print(metrics.confusion_matrix(test_target, test_est, labels=[0, 1])) # 混淆矩阵
print(metrics.classification_report(test_target, test_est))
可以看出，模型的命中率和回应率均值都达到了90%。F指标为0.9
好了，模型的结果还勉强满意，美滋滋，做个报告去和老板交差了。
【后话】当然，这里面只是用了一个简单的数据集去实操了一下KNN的做法，操作和语法都比较简单易用理解，同时遍历了一下我们数据挖掘的流程，相应的知识及后续的知识没有做过多的展开，比如前端的数据如何清洗，KNN中K值如何设定和交叉验证，使用朴素贝叶斯预测模型的准确率，特征选择，模型融合等。希望大家能有所收获。
~ From CDA学员
CDA LEVEL II-Python数据挖掘课程，10.14开课，本课程以案例为主线，结合开源Python工具，全面金融、电信、银行等行业的主要数据挖掘主题。而且注重业务与算法的深入结合，在轻松的氛围内体会算法的奇妙之处。
【课程信息】
北京&远程直播：10月14~10月29
授课安排：现场班5900元，远程班4400元
(1) 授课方式：面授直播两种形式，中文多媒体互动式授课方式
(2) 授课时间：上午9:00-12:00，下午13:30-16:30，16:30-17:00(答疑)
(3) 学习期限：现场与视频结合，长期学习加练习答疑。
【课程阶段】
第一阶段：[10.14] 数据挖掘与Python入门
第二阶段：[10.15] 数据挖掘模型与组合算法
第三阶段：[10.21] KNN与线性回归
第四阶段：[10.22] 逻辑回归与SVM
第五阶段：[10.28] 文本分析与社会网络分析
第六阶段：[10.29] 综合案例分析
第七阶段：[线上选修] 数据分析统计基础理论（一周）
第八阶段：[线上选修] Mysql数据库基础知识（一周）
第九阶段：[线上选修] Python数据可视化（一周）
【课程讲师】
王小川
CDA数据分析师讲师/同济大学管理学博士
现就职于国内某大型券商研究所，从事量化投资相关工作，并承担了部分高校统计课程教学任务。长期研究机器学习在统计学中的应用，精通MATLAB、Python、SAS等统计软件，热衷数据分析和数据挖掘工作，有着扎实的理论基础和丰富的实战经验。著有《MATLAB神经网络30个案例分析》一书。
赵仁乾
CDA数据分析研究院讲师/京邮电大学管理科学与工程硕士
现就职于北京电信规划设计院，从事移动、联通集团及各省分公司市场、业务、财务规划、经济评价及运营咨询。重点研究方向包括离网用户挖掘、市场细分与精准营销、移动网络价值区域分析、潜在价值客户挖掘等。
联系方式：
王老师
Tel：18511302788
QQ：2315561922
Mail：wzd@cda.cn
