'''
@description ：
    演算法優點：
        a簡單、易於理解、易於實現、無需估計引數、無需訓練
    演算法缺點：
        a懶惰演算法，對測試樣本分類時計算量大，記憶體開銷大
        b必須制定k值，k值得選擇不當則分類精度不能保證
@author wolf
@time 2018-07-26
'''

import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import StandardScaler
from
 
 sklearn.model_selection import train_test_split, GridSearchCV


def knncls():
    # 1 讀取資料
    '''
    資料集：https://www.kaggle.com/c/facebook-v-predicting-check-ins/data
    資料集背景：您將根據使用者的位置，準確性和時間戳預測使用者正在檢查的業務
    '''

    data = pd.read_csv("../data/fblocation/train.csv")

    # 2 處理資料
    # 2.1 縮小資料查詢資料的範圍
 

    '''
    減少資料量
    '''
    data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")


    # 2.2 處理資料時間
    '''
    髒資料：資料集時間戳只有時間沒有年月日
    data.loc[:, 'day'] = time_value.day
    data.loc[:, 'weekday'] = time_value.weekday
    pandas axis 1：列
    '''

    time_value = pd.to_datetime(data['time'
 
], unit='s')
    time_value = pd.DatetimeIndex(time_value)
    data.loc[:, 'hour'] = time_value.hour
    data = data.drop(['time'], axis=1)


    # 2.3 把簽到數量少於n個目標位置刪除
    '''
    髒資料：資料集登記位置數少的資料造成特徵異常
    '''
    place_count = data.groupby('place_id').count()
    tf = place_count[place_count.row_id > 3].reset_index()
    data = data[data['place_id'].isin(tf.place_id)]


    # 2.4 清理無效特徵
    data = data.drop(['row_id'], axis=1)
    data = data.drop(['accuracy'], axis=1)


    # 3 訓練集與測試集分離
    y = data['place_id']
    x = data.drop(['place_id'], axis=1)
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)


    # 4 特徵工程
    std = StandardScaler()
    x_train = std.fit_transform(x_train)
    x_test = std.fit_transform(x_test)


    # 5 演算法
    '''
    演算法思想：求特徵間距離（歐式距離），目標特徵間距離與訓練集特徵間距離最近的樣本分類傾向性更強
    數學原理：歐式距離 = (（x1 - x2）^ + (x2 - x3)^ + ...)平方根
    knn = KNeighborsClassifier(n_neighbors=10)
    knn.fit(x_train, y_train)
    y_predict = knn.predict(x_test)
    print("預測測試集：", y_predict)
    print("預測評估：", knn.score(x_test, y_test))
    '''
    knn = KNeighborsClassifier()


    # 6 模型評估
    '''
    驗證核心思想：交叉驗證 + 網格搜尋
    交叉驗證：資料集 = 訓練集（訓練集 + 驗證集） + 測試集，訓練集與驗證按比例（通用標準0.25）交替拆分，並求出驗證
        每次的平均值做為最終的準確率，通常為10折交叉（10等份）
    網格搜尋：組合超引數搜尋評估最佳超引數配置
    cv:交叉驗證折數
    '''
    param = {"n_neighbors" : [10 , 12, 13, 15, 17, 19, 21, 23, 25, 27, 29]}
    gc = GridSearchCV(knn, param_grid=param, cv=2)
    gc.fit(x_train, y_train)

    print("測試集上準確率:", gc.score(x_test, y_test))
    print("在交叉驗證中最好的結果：", gc.best_score_)
    print("選擇最好的模型：", gc.best_estimator_)
    print("每個超引數每次交叉驗證的結果:", gc.cv_results_)


if __name__ == '__main__':
    knncls()