根据我提供的代码，你加入KNN模型

好的，根据您提供的代码，我可以将KNN模型应用到您的代码中。具体的实现步骤如下：

1. 导入必要的库和函数

import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsRegressor

2. 读取Excel文件并进行归一化处理

df = pd.read_excel('D://数据1.xlsx', sheet_name='8')
scaler = MinMaxScaler()
df_norm = pd.DataFrame(scaler.fit_transform(df), columns=df.columns)

3. 划分训练集和测试集

X = df_norm.drop('target', axis=1)
y = df_norm['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 网格搜索找到最优的K值

param_grid = {'n_neighbors': [3, 5, 7, 9, 11]}
knn = KNeighborsRegressor()
grid_search = GridSearchCV(knn, param_grid, cv=5)
grid_search.fit(X_train, y_train)
best_k = grid_search.best_params_['n_neighbors']

5. 建立KNN模型并对未来的数据进行预测

knn = KNeighborsRegressor(n_neighbors=best_k)
knn.fit(X_train, y_train)
future_data = scaler.transform([[1, 0, 1, 1, 1, 2]])  # 需要进行归一化处理
predict_value = knn.predict(future_data)

这样，您就可以在您的代码中加入KNN预测模型了。需要注意的是，由于您并没有提供目标变量的名称，我在这里将其命名为'target'，您可以根据实际情况进行修改。