在特征工程与数据分析场景中，基于K近邻计算目标特征的平均值是常见的需求，比如我们需要为某个样本计算其最近的K个邻居的z值的平均值，以此作为该样本的新特征补充，提升后续模型的预测效果。这种方法的核心逻辑是先找到目标样本的K个最近邻，再提取这些近邻的目标特征计算均值。
核心实现步骤
整个计算流程可以分为四个核心步骤，每个步骤都有明确的逻辑和对应的实现方式。
1. 距离计算
首先需要计算目标样本与数据集中所有其他样本的距离，常用的距离度量方式有欧氏距离、曼哈顿距离等，其中欧氏距离是最常用的选择。欧氏距离的计算公式为：对于两个n维样本x和y，距离d = sqrt(∑(x_i - y_i)²)，i从1到n。
2. K近邻筛选
计算完所有距离后，对距离进行升序排序，取距离最小的K个样本作为目标样本的K近邻，注意如果目标样本本身在数据集中，需要排除目标样本自身，避免距离为0的干扰。
3. 目标特征提取
从筛选出的K个近邻中，提取需要计算平均值的目标特征，比如z值，将所有的z值整理到一个列表中。
4. 平均值计算
对提取到的K个目标特征值求算术平均值，得到的结果就是基于K近邻的目标特征平均值。
Python代码实现示例
以下是完整的Python实现代码，使用numpy库完成距离计算和数值运算，逻辑清晰可直接复用。
import numpy as np
def calculate_knn_feature_mean(target_sample, dataset, k, feature_index):
"""
基于K近邻计算目标特征的平均值
:param target_sample: 目标样本，一维numpy数组
:param dataset: 数据集，二维numpy数组，每行是一个样本
:param k: 近邻数量K
:param feature_index: 目标特征的列索引，比如z值所在的列
:return: K近邻目标特征的平均值
"""
# 计算目标样本与数据集中所有样本的距离（欧氏距离）
distances = np.sqrt(np.sum((dataset - target_sample) ** 2, axis=1))
# 获取距离排序后的索引，排除目标样本自身（如果目标样本在dataset中）
# 假设target_sample是dataset中的某一行，先找到目标样本的位置
target_idx = np.where((dataset == target_sample).all(axis=1))[0]
if len(target_idx) > 0:
# 排除自身后排序
sorted_indices = np.argsort(distances)
sorted_indices = sorted_indices[sorted_indices != target_idx[0]]
else:
sorted_indices = np.argsort(distances)
# 取前K个近邻的索引
knn_indices = sorted_indices[:k]
# 提取K近邻的目标特征值
knn_features = dataset[knn_indices, feature_index]
# 计算平均值
feature_mean = np.mean(knn_features)
return feature_mean
# 示例数据
# 构造数据集，假设前3列是特征，第4列是z值
dataset = np.array([
[1.2, 3.4, 5.6, 0.8],
[2.1, 3.5, 5.7, 1.2],
[1.0, 3.3, 5.5, 0.9],
[3.2, 4.1, 6.2, 1.5],
[1.1, 3.2, 5.4, 0.7]
])
# 目标样本，取数据集第一个样本
target_sample = dataset[0]
# 设置K值为3，z值所在列索引为3
k = 3
feature_index = 3
# 计算平均值
result = calculate_knn_feature_mean(target_sample, dataset, k, feature_index)
print(f"K近邻的z值平均值为：{result}")
注意事项
- 距离度量的选择需要根据数据特点调整，如果特征量纲差异大，需要先对数据做归一化或标准化处理，避免量纲影响距离计算结果。
- K值的选择需要结合具体场景，K值过小容易受噪声影响，K值过大容易引入不相关的样本，通常可以通过交叉验证选择合适的K值。
- 如果数据集中存在重复样本，需要在距离计算后做好去重处理，避免重复样本影响近邻筛选结果。
适用场景
该方法除了计算z值的平均值，还可以扩展到其他任意目标特征的计算，比如计算近邻的销量平均值、评分平均值等，广泛应用于推荐系统、异常检测、特征增强等多个领域，是数据分析中非常实用的基础方法。