KNN 演算法(二):選舉造勢場合銷售烤香腸

這次來分析選舉造勢場合銷售烤香腸的數據，我們可以用 KNN 演算法來預測新活動當天烤香腸的銷售量。主要是根據過去的數據，預測新活動的銷售表現。

這個小專題也和昨天的小專題一樣，把機器學習演算法應用到商業預測中。我們可以根據不同活動的特徵（參與人數、天氣、時間），預測類似活動的銷售表現。

程式碼總覽

解題分析

1. 資料準備：烤香腸銷售數據

   

• data：使用字典存儲過去活動的數據，包含四個欄位：
  • 'people'：參與人數。
  • 'weather'：天氣狀況（1：晴天, 0：下雨）。
  • 'time'：舉辦時間（1：晚上, 0：早上）。
  • 'sales'：烤香腸的銷售量。
• df：將數據轉換成 Pandas 的 DataFrame，方便後續操作。

2. KNN 演算法預測函數 knn_sales：

   

• new_event： 傳入的新活動參數（參與人數、天氣、時間）。
• k=3： KNN 的 k 值設為 3，表示會選擇距離最近的三個活動。
• distances = []： 初始化一個空列表，用來儲存新活動與過去每個活動的距離及銷售量。

3. 計算新活動和每個過去活動的距離：

   

• for i in range(len(df))：遍歷每一行數據（每個過去的活動）。
• event：將每個活動的參與人數、天氣、時間轉換成 NumPy 陣列。
• [26行]：使用歐幾里得距離公式計算新活動與每個過去活動之間的距離。
• [27行]：將計算出的距離和對應的銷售量一起存入 distances 列表。

4. 找出最近的 k 個鄰居：

   

• [30行]：按照距離進行升序排序，最近的活動排在最前面。
• [31行]：選擇距離最近的 k 個鄰居，並存入 neighbors 列表。

5. 預測銷售量：

   

• [34行]：計算 k 個鄰居的銷售量平均值，也就是新活動的預測銷售量。
• [35行]：返回預測的銷售量。

6. 定義新活動並進行預測：

   

• [38行]：定義一個新活動，參與人數為 180 人，天氣為晴天（1），時間為晚上（1）。
• [41行]：使用 KNN 演算法預測這個新活動的烤香腸銷售量。
• [42行]：輸出預測結果，保留小數點後兩位。

輸出結果

結語

今天是我參賽的第 30 天啦~~真的真的很開心自己有堅持下去，也謝謝觀看我文章的讀者們!我知道我的文章都很漏漏ㄉㄥˊ，不過這是我記錄學習足跡的一種方式。也是因為這樣，我能夠好好整理思緒、把我學到的東西全都打出來，雖然打長文很累但學的蠻充實的>"<

現在 Python 對我來說，已經不會讓我感到害怕了。在這 30 天的學習過程中，真的學到了很多之前在做 AI 模型訓練時有看到的函數，還有做一些類似機器訓練的小專題，讓我覺得真的有奠定一定的基礎了。其實我是帶著感激的心情來寫每一篇文章的，儘管成果不盡完美，但能參加這樣的比賽來促進我學習，真的非常非常幸運😋

最後，再次感謝自己這 30 天的努力、感謝讀者們、感謝鐵人賽。

[從0開始學習Python-為未來學習AI奠定基礎]系列文章，

Vivian Weng93 下台一鞠躬><