写这篇文章，希望对数据分析师进阶或是入门机器学习人有很好的帮助。
今年即将毕业，目前在某公司上班职位数据分析师，专业不是计算机，不是统计学，不是金融，而是前途无望的硬件电路，考虑到以后的发展，毅然转入“DT”行业。没有报过任何培训机构，一路走来是自学，到目前来说算是入门了。数据分析师的门槛很高吗？答案是一点不高，因为你不是去研究深度学习搞人工智能，而是数据分析。我一没有任何专业背景的人都找到了数据分析师的工作，我的专业是物理高频低频焊接线路。高中时对物理是比较喜欢的所以大学报了和物理相关的专业，后来才知道物理是一个巨大的坑啊，高中物理都是小儿科，真正的物理世界不是我的脑袋所能想象的。骗自己说先试试看吧。大学大学大学是天堂啊，游戏的乐园，面对各种诱惑踏上了颓废的康庄大道。后来对钱很喜欢，定了个目标先挣个1个亿？开玩笑，当时我还没‘亿’这个概念，大二过年提个车开回家？这个我能想到。哎，过程很复杂，结果很简单，人是有梦想的但我却不是一个天才。最后又回到颓废的路上。直到某年暑假，还有一年就毕业了我能干什么呢，遥想2015在浏览新闻时看到了一偏文章说未来是DT的时代，我又搜索了相关DT的文章，是马云这货说的。当时对马云也是很崇拜的，就仔细了解了一下DT，还创建了一个相关的QQ群，在各大论坛发出消息，让志同的人加群。又找了各种资料。。。自食恶果最后因为自己的懒散和对游戏的执迷不悟，又让自己融入到了真正的大学生活中潇洒。DT抛到了脑后。暑假同学都去做暑假工我不想去就找了份兼职又想到了DT时代，嘿嘿就开始了。暑假兼职带学习两个月，开学后上课3个多月后学校安排实习我选择了自己找数据分析师岗位。“数据分析师”百度一搜满大街上都是培训机构，MD我再去培训那我大学的学费想想就心疼，每年1万多大洋呢。后来验证不去培训是对的，有的培训很水的，懂行的都知道，我就不点名了。
什么？数据分析师不懂算法？那你是毛的数据分析师啊，公司对你的印象瞬间没有了.。不怕，我这系列文章就是来想帮帮大家的，对于不懂算法的数据分析师或想入门机器学习的小伙伴们，我这文章很适合你们的。“KNN”，“决策树”，“贝叶斯”，“线性回归”，“逻辑回归”，“多项式回归”，“SVM”，“k_means”等等基本的算法和常用的数据分析基本方法。
（字都是一个个敲出来的，我没有检查错别字或是病句，欢迎阅读时发现了告诉我，写的不好不详细的地方也可以告诉我）
这篇文章主要讲的是数据分析师的进阶能力，分类算法knn。那么什么是分类算法呢？看这个例子
如果我们想通过打斗次数和接吻次数来划分电影的类型试试我们的knn分类算法
如果打斗次数是10次，接吻次数是106次，它是什么类型的电影呢？把10和106写进去
如果打斗次数是95次，接吻次数是12次，它是什么类型的电影呢？把95和12写进去
这就是分类，按类型给分出来。
（“TM我看不懂代码，老子不会啊，怎么办？”）
（不会就学呗，那能怎么办）
（“我需要报python培训吗？”）
（你傻啊报培训，自学的就够你用的了，这可不是搞开发，不需要你精通python，掌握基础知识就行了，再看几个库就能驾驶无人汽车了）
---我用的是jupyter notebook---
知道了什么是分类那我们看看什么是knn分类算法。
knn核心思想是距离，通过计算每个训练样例到待分类样品的距离，取和待分类样品距离最近的 K 个训练样例，K 个样品中哪个类别的训练样例占多数，则待分类样品就属于哪个类别。我们通过实例来理解一下这句话。
蓝色的点就是我们新创建的x点，直观判断蓝色的x在红色的一堆中，那它应该属于红色的点即类型是1。那我们怎么使用knn算法得出蓝色的点的类型呢？先看knn思想的第一句话“通过计算每个训练样例到待分类样品的距离”。如绿色和红色的点就是训练样例，蓝色的点就是待分类样本，这句话的意思就是计算出绿色和红色的各个点到蓝色点的距离。距离怎么计算呢？
我们使用欧拉距离
我们通过python来实现一下
“通过计算每个训练样例到待分类样品的距离”这句话我们做完了下一句是“取和待分类样品距离最近的 K 个训练样例”。
意思就是第8个点离蓝色点最近，其次是第7个点…第2个点离蓝色点最远。“最近的k个训练样例”k是多少呢？这个不太好选，需要足够的经验才能选出来，没关系后面会介绍一种方法，很方便的就把k选出来。现在我们不妨把k值设为6。那句话的意思就是取6个离蓝色点最近的点。
还有最后一句话“K 个样品中哪个类别的训练样例占多数，则待分类样品就属于哪个类别”
意思是在这6个点中一共有0和1两个类型，哪个特征占比最多，蓝色点就属于哪个特征。
好了，这就是knn的思想，学会了算法你就是高级一点的数据分析师了。
knn就这样结束了？还没有，只会这一点你发现解决问题是有局限的，现在来看看怎么选出我们之前的k值。k选多少比较好呢？
先说一下为什么选择用python，python有一个sklearn库，就把我们前面的knn方法给整合了，我们不必自己构建只需要调用就行了。
回到我们之前说的k值，k通常是根据经验取得，但我们没有经验怎么办，搜索呗（一个一个试）之前我们自己创建的数据集太小了，下面我们使用sklearn里面的数据集。
k=3准确度是98.88%，哇看起来很高了的。那它是不是最好的呢
我们试了k是1到10的10中可能，看哪个值最好。（什么？看不懂，可以问我。）
结束了吗？还没有看一张图
结束了？
之前提到了计算距离的公式
格式变一下
再变
再变
再变
有相同的规律啊
总结一下
那么p的取值到底取多少呢？老方法：试一下
结束了？我就先说到这吧，重要的参数都说的差不多了，够用的了。
k,p, 'uniform','distance'一个一个筛选出来好麻烦，以后我会介绍简单的整合好的方便用的一个方法，一下就把这些值都求出来。下篇文章再说吧。
对knn算法了解的怎么样了？有没有脑袋一亮？我自认为我这篇文章含金量还是很高的，我学knn的时候逛了很多网站，看了别人写的很多文章都是模模糊糊，我看的也是一知半解。以后打算更新，“决策树”，“贝叶斯”，“线性回归”，“逻辑回归”，“多项式回归”，“SVM”，“k_means”等等基本的算法和常用的数据分析基本方法，或者python的基本用法.
本文原创，不要复制转载，后果自负。
