資料讀取

import pandas as pd
features=['accommodates','bathrooms','bedrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']
dc_listings=pd.read_csv('listings.csv')
dc_listings=dc_listings[features]
print(dc_listings.shape)
dc_listings.head()

執行結果：

K:候選物件個數，近鄰數（如找3個和自己最近的樣本）

import numpy as np
our_acc_value=3#房間數為3個
dc_listings['distance']=np.abs(dc_listings.accommodates-our_acc_value)#為dc_listings新增distance列，用於儲存當前房間數與3的差值
dc_listings.distance.value_counts().sort_index()#統計各差值的情況

 輸出：

0.0      3370
1.0     17967
1.5         2
2.0      3865
3.0      1250
4.0       221
5.0       334
6.0        58
7.0       125
8.0        15
9.0        44
10.0        5
11.0       14
12.0        5
13.0       73
Name: distance, dtype: int64
原始資料統計過程中可能會存在一些規律，一般需要進行洗牌操作，打亂原有秩序（使用sample函式）

dc_listings=dc_listings.sample(frac=1,random_state=0)#洗牌 frac：抽取行的比例，1為100%  random_state:0表示不得取重複資料 1表示可以取重複資料
dc_listings=dc_listings.sort_values('distance')#統計差值（房間數-3）的情況 將dc_listings按照distance列排序 將和房間數3最近的放在最前面
dc_listings.price.head()#取前5條的價格 由於資料時亂的，所以id和price均無規律

輸出結果：

2732     $129.00 
14798    $249.00 
27309    $170.00 
20977    $169.00 
11178    $100.00 
Name: price, dtype: object

對價格進行型別轉換，去掉$符號，轉換成float,然後對前五個價格取均值，用前5個的均值來預測當前房價

dc_listings['price']=dc_listings.price.str.replace("\$|,",'').astype(float)
mean_price=dc_listings.price.iloc[:5].mean()
mean_price

輸出：163.4

拿75%的資料作為訓練集，25%的資料作為測試集來進行模型的評估，訓練集和測試集不可重複。

dc_listings.drop('distance',axis=1)#刪除distance列
train_df=dc_listings.copy().iloc[:20544]#27392*0.75行為訓練集
test_df=dc_listings.copy().iloc[20544:]#剩下的作為測試集（27392*0.25）

基於單變數預測價格

#new_listing_value:當前樣本的feature_clolumn（如accomodates）列屬性取值
#feture_column:計算房租使用的單屬性
def predict_price(new_listing_value,feature_column):
    temp_df=train_df#使用訓練集來預測測試集房租結果
    dc_listings[feature_column]=train_df[feature_column].astype(float)#統一將格式轉換成float否則會報錯
    temp_df['distance']=np.abs(train_df[feature_column]-new_listing_value)
    temp_df=temp_df.sort_values('distance')
    knn_5=temp_df.price.iloc[:5]
    predict_price=knn_5.mean()
    return(predict_price)

對測試集的每一條記錄使用accomodates屬性預測其房租價格

#new_listing_value的值即為accommodates的取值
test_df['predicted_price']=test_df.accommodates.apply(predict_price,feature_column='accommodates')
test_df.predicted_price.head()

輸出：

14122    134.0
23556    418.0
16317    134.0
26230    134.0
19769    134.0
Name: predicted_price, dtype: float64

root mean square error(RMSE)均方根誤差

得到每個樣本的預測值後計算均方根誤差用於評估模型（值越小模型越好）

test_df['squared_error']=(test_df['predicted_price']-test_df['price'])**(2)
mse=test_df['squared_error'].mean()
rmse=mse**(1/2)
rmse

輸出結果：

348.689169172284

試試不同的變數（屬性）

for feature in ['accommodates','bedrooms','bathrooms','number_of_reviews']:
    test_df['predicted_price']=test_df[feature].apply(predict_price,feature_column=feature)
    test_df['squared_error']=(test_df['predicted_price']-test_df['price'])**(2)
    mse=test_df['squared_error'].mean()
    rmse=mse**(1/2)
    print("RMSE for the {} column:{}".format(feature,rmse))

輸出：

RMSE for the accommodates column:348.689169172284
RMSE for the bedrooms column:344.64855009943
RMSE for the bathrooms column:361.1230782594195
RMSE for the number_of_reviews column:383.4946020709275

注:由於每個測試集中的樣本都要與訓練集中樣本一一比對，所以上述程式執行時間較長，需要耐心等待……

標準化

同時使用多個屬性——如房間數（個位數）和房間面積（幾十甚至上百）進行計算的時候，由於變數取值範圍的不同（取值範圍大的影響較大）會導致對計算結果的不良影響（如計算歐式距離時，房間面積差值平方計算結果通常較大，而房間數差值平方較小），而各個屬性是獨立的即它們是同等重要的，所以需要對資料進行標準化，如採用z-score標準化或歸一化等手段進行預處理

z-score 標準化（Z-score normalization）

要求資料總體均值μ=0 標準差σ=1

轉換公式如下：

其中μ為原始資料均值,