首先试验KNN的简单示例代码

#方法3：
# 本论文拟采用的填充缺失值的方法为KNN:
import pandas as pd
from sklearn.impute import KNNImputer
#创建一个包含缺失值的数据集
data_KNN={'第一列':[1,2,None,4,5],'第二列':[3,None,5,7,9],'第三列':[2,4,6,None,10]
}
df=pd.DataFrame(data_KNN)
print("未使用KNN填补缺失值的数据：")
print(df)
#创建一个KNNImputer对象
imputer=KNNImputer(n_neighbors=2)
#对缺失值进行插补，使用2个邻居
imputed_data=imputer.fit_transform(df)
#将插补后的数据保存到新的数据框中
imputed_df=pd.DataFrame(imputed_data,columns=df.columns)print("使用KNN填补缺失值后的数据：")
print(imputed_df)
#在上面的示例中，我们首先创建了一个包含缺失值的数据集df。然后，我们
# #创建了一个KNNImputer对象，并指定最近邻数量为2。接下来，我们
# #使用fit_transform()方法对数据集df进行插补，得到插补后的数据imputed_data。
# 最后，我们将插补后的数据保存到一个新的数据框imputed_df中，并打印出来。

结果如下：

 使用试验.xls文件做KNN填补缺失值

首先，直接将原始数据导入python就报错了，询问GPT发现是因为KNN算法只能处理数值型数据， 那么需要将非数值型数据（如string和枚举型）转换成数值型数据

将非数值型数据（如string和枚举型）转换成数值型数据

在使用KNN算法时，需要将非数值数据转换为数值型数据。一种常用的方法是使用独热编码（One-Hot Encoding）将字符串类型的数据转换为数值型数据。具体步骤如下：

1. 首先，将字符串类型的数据转换为分类变量，即将每个不同的字符串值映射为一个类别。

2. 然后，对每个类别进行独热编码，即将每个类别表示为一个向量，向量的长度为所有类别的数量，其中对应类别的位置为1，其余位置为0。

例如，对于一个包含"red"、"green"和"blue"三种颜色的字符串列，可以将其转换为三个二进制列，分别表示"red"、"green"和"blue"的存在与否。

在Python中，可以使用pandas库的get_dummies函数来进行独热编码。示例代码如下：

import pandas as pd# 加载xls表格数据
data = pd.read_excel('your_data.xls')# 对包含字符串型、枚举型和字符型数据的列进行独热编码
encoded_data = pd.get_dummies(data)print(encoded_data)