标签：knn 数据分析 le df1 租房 pd category d2 d1

import
 numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_excel('jiemo.xls')  # 导入当前文件夹下的58.csv数据文件
df=pd.DataFrame(data)

df1=df.dropna()
df1['平方']=df1['平方'].str.replace("㎡","")
df1['价格/每平方米']=df1['价格']/df1['平方'].astype(int)

d1=df1['地址']
category = pd.Categorical(d1)
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit(category)
d1=le.transform(d1)

price = df1['价格/每平方米']
adress = d1
plt.scatter(price, adress)
# x，y取值范围设置
# 可以过滤掉一部分脏数据

# 设置title和x，y轴的label
plt.xlabel("price")
plt.ylabel("adress")
plt.show()

d1=df1['地址']
category = pd.Categorical(d1)
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit(category)
d1=le.transform(d1)
print(d1)
d2=df1['朝向']
category = pd.Categorical(d2)
le.fit(category)
d2=le.transform(d2)
print(d2)
d3=df1['类型']
category = pd.Categorical(d3)
le.fit(category)
d3=le.transform(d3)
print(d3)
target=[]
t2=[]
feature=zip(d1,df1['平方'].astype(int),d2,d3)

for i in df1['价格'].astype(int):
    target.append(i)
for i in feature:
    t2.append(i)

[186 163 187 ... 235 231 231]
[31 33 31 ... 33 31 33]
[17 17  5 ... 17  2 39]

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(t2,target)
knn.score(t2,target)

#0.8762793914246196

knn.predict([[167,80,2,2]])

数据地址:

链接：https://pan.baidu.com/s/1vxt87sgEHFYjCmuyUPPVHg
提取码：eo90
复制这段内容后打开百度网盘手机App，操作更方便哦

标签：knn,数据分析,le,df1,租房,pd,category,d2,d1
来源： https://www.cnblogs.com/pythonz/p/11111648.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。