KNN算法中如何合理处理作为特征的音乐调（音阶）

直接对循环特征做1-N线性序数编码的核心问题，是强行把环形分布的特征映射到了线性数轴上，完全破坏了真实的相邻关系：以24个大小调为例，编号24的调和编号1的调实际为相邻关系，但线性编码下二者距离为23，远大于编号7和8的距离1，完全不符合KNN基于距离计算相似度的逻辑。
这类问题和“不能给美国州名这类无内在线性顺序的分类特征直接做1-50编号”的本质完全一致，根据是否需要保留调之间的音程相似性，可以选以下两种成熟方案处理：

方案1：纯分类特征处理（通用分类特征方案，等价于州名处理逻辑） #

如果你的场景不需要引入音乐理论中“相邻调相似度更高”的先验，只把调作为独立的无顺序分类标签，直接使用独热编码（One-Hot Encoding）即可：

• 若直接处理24个大小调：生成24个取值为0/1的特征列，每一列对应当前样本是否属于某一个特定调
• 若提前拆分了大小调、音名两个维度：大小调仅2类，可直接用0/1二元值表示（大调=0/小调=1）；音名维度生成12个0/1的独热列对应12个音级即可

该方案下任意两个不同调的特征距离完全相等，不会区分近关系调和远关系调的差异，适合不需要用到音乐领域先验的通用场景。

方案2：循环编码（音乐场景推荐，完美保留环形相邻关系） #

针对音名、调这类固定周期的循环特征，正余弦循环编码是最适配KNN距离计算的方案，可以100%复现环形结构下的真实距离：

1. 先做基础数值映射：将12个音名按顺序映射为0-11的整数（例：C=0，升C=1，D=2……B=11）；大小调单独拆为二元特征即可。如果不拆分大小调，直接把24个大小调按顺序映射为0-23的整数即可。
2. 用三角函数把线性数值映射到二维单位圆上，替换原来的线性编号特征，以12个音名的处理为例，代码如下：

   import numpy as np
   # pitch_val 为0-11的音名映射值
   pitch_feature_sin = np.sin(2 * np.pi * pitch_val / 12)
   pitch_feature_cos = np.cos(2 * np.pi * pitch_val / 12)
   

   注意：必须同时保留正弦、余弦两个特征，单维度三角函数值无法唯一确定环形上的位置，会出现不同音名对应相同特征值的错误。
3. 编码完成后，两个特征构成的二维空间里，12个音名均匀分布在单位圆上，任意两个音的欧氏距离完全符合实际环形相邻关系：比如映射值为0的C和映射值为11的B的距离，和C与升C（映射值1）的距离完全相等，彻底解决线性编码的距离错位问题。如果处理24个大小调的整体循环，只需要把代码里的除数12替换为24即可。

避坑提示 #

• 任何调整线性编号顺序的方案都无法解决首尾相邻的问题，只要是单维度的线性编码，就必然存在距离计算偏差，不要在这类问题上浪费时间调整编号映射规则。
• 循环编码仅对KNN、SVM、线性模型这类依赖特征空间距离/尺度的模型有效，树模型对特征的单调顺序不敏感，用独热编码的效果差异不大。

内容的提问来源于stack exchange，提问作者Shy Cohen