用knn做个天气预测代码

使用K-最近邻（KNN）算法来做天气预测，通常涉及到收集历史气象数据作为训练集，包括各种气候因素（如温度、湿度、气压、风速等）、降水量等，并尝试预测未来的某个特定指标，比如明天的最高温度。以下是一个简化版的Python代码示例，假设我们有一个关于天气和对应温度的历史数据集：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.neighbors import KNeighborsRegressor

# 读取天气数据
data = pd.read_csv('weather_data.csv') # 替换为实际文件名
date_column = 'Date'
target_column = 'Temperature' # 预测目标

# 数据预处理
le = LabelEncoder()  # 对分类特征编码
data[date_column] = pd.to_datetime(data[date_column])
data[target_column] = data[target_column].astype(float)

# 特征工程
data['day_of_week'] = data[date_column].dt.dayofweek
data['month'] = data[date_column].dt.month
categorical_features = ['day_of_week', 'month']

for feature in categorical_features:
    data[feature] = le.fit_transform(data[feature])

# 划分训练集和测试集
features = data.drop(target_column, axis=1)
target = data[target_column]
train_features, test_features, train_target, test_target = train_test_split(features, target, test_size=0.2, random_state=42)

# 训练KNN模型
knn_model = KNeighborsRegressor(n_neighbors=5)  # 设置邻居数
knn_model.fit(train_features, train_target)

# 进行预测
future_weather = ... # 新的观测数据，同样需要进行预处理
future_weather_encoded = le.transform(future_weather[categorical_features]) if categorical_features else future_weather
prediction = knn_model.predict([future_weather_encoded])  # 如果只有一个样本，直接传递列表

print("预测的明天最高温度:", prediction[0])

请注意，这个例子假设你的数据集已准备好并且可以直接进行分析。实际应用中，你可能还需要清理数据、缺失值处理、特征选择、超参数调整等步骤。同时，KNN可能不是所有问题的最佳选择，特别是当数据量大或者维度较高时，其他模型可能会更有效。