Python调用KNeighborsClassifier时Jupyter出现Dead Kernel报错

你遇到的Dead Kernel和可视化不符合预期的问题由4个代码错误导致：

• 内存溢出：深度（Depth）字段取值范围通常覆盖0~数千米，你设置的网格步长mesh_step_size = .01会生成超千万级的网格预测点，内存占满后直接触发Jupyter内核崩溃
• 缩进错误：plt.xlabel、plt.ylabel、plt.show()三个绘图语句被写在plot_water_knn函数外部，执行顺序完全混乱
• 逻辑不匹配：未处理字符串格式的水团标签会导致绘图接口报错；深度轴默认向上递增，不符合海洋垂直剖面的常规展示规则
• 冗余导入：重复导入了matplotlib.patches模块

你需要实现的参考效果如下：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from matplotlib.colors import ListedColormap
import matplotlib.patches as mpatches
from sklearn.neighbors import KNeighborsClassifier
from sklearn.preprocessing import LabelEncoder

# 读取数据集
index = pd.read_excel('diverty_index.xlsx')
X = index[['Shannon', 'Depth']]
y = index['Water_mass']

# 对字符串类型的水团标签做编码
le = LabelEncoder()
y_encoded = le.fit_transform(y)
class_names = le.classes_ # 自动匹配数据集中的水团名称顺序

# 拆分训练测试集
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, random_state=0)

def plot_water_knn(X, y, n_neighbors, weights):
    X_mat = X.values
    y_mat = y
    # 定义配色：浅底色为决策面，深颜色为样本点
    cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF','#AFAFAF'])
    cmap_bold  = ListedColormap(['#FF0000', '#00FF00', '#0000FF','#AFAFAF'])
    
    # 训练KNN模型
    clf = KNeighborsClassifier(n_neighbors, weights=weights)
    clf.fit(X_mat, y_mat)
    
    # 生成网格（控制网格点总数在100万以内，避免内存溢出）
    plot_symbol_size = 50
    x_min, x_max = X_mat[:, 0].min() - 0.5, X_mat[:, 0].max() + 0.5
    y_min, y_max = X_mat[:, 1].min() - 10, X_mat[:, 1].max() + 10
    # 自适应步长，保证总网格点数不触发内存溢出
    x_range = x_max - x_min
    y_range = y_max - y_min
    mesh_step_size = np.sqrt(x_range * y_range / 1000000)
    
    xx, yy = np.meshgrid(np.arange(x_min, x_max, mesh_step_size),
                         np.arange(y_min, y_max, mesh_step_size))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    
    # 绘制决策面
    plt.figure(figsize=(8,6))
    plt.pcolormesh(xx, yy, Z, cmap=cmap_light, shading='auto')
    # 绘制样本点
    plt.scatter(X_mat[:, 0], X_mat[:, 1], s=plot_symbol_size, c=y_mat, cmap=cmap_bold, edgecolor = 'black', zorder=3)
    plt.xlim(xx.min(), xx.max())
    plt.ylim(yy.min(), yy.max())
    
    # 反转y轴，让深度0在顶部，符合海洋深度展示习惯
    plt.gca().invert_yaxis()
    
    # 添加图例、轴标签
    patch0 = mpatches.Patch(color='#FF0000', label=class_names[0])
    patch1 = mpatches.Patch(color='#00FF00', label=class_names[1])
    patch2 = mpatches.Patch(color='#0000FF', label=class_names[2])
    patch3 = mpatches.Patch(color='#AFAFAF', label=class_names[3])
    plt.legend(handles=[patch0, patch1, patch2, patch3])
    plt.xlabel('Shannon H')
    plt.ylabel('Profundidade(m)')
    plt.tight_layout()
    plt.show()

# 调用绘图
plot_water_knn(X_train, y_train, 5, 'uniform')

# 如需输出模型测试集准确率可放开下面注释
# print(f"测试集准确率：{clf.score(X_test, y_test):.2f}")

• 网格步长改为自适应计算，总网格点数控制在100万以内，从根源避免Dead Kernel问题
• 修正了所有缩进错误，绘图逻辑全部封装在函数内
• 增加标签编码逻辑，自动适配字符串格式的水团标签，无需手动替换数值
• 自动反转深度轴，和参考图的垂直剖面展示逻辑一致
• 去掉了冗余导入，增加shading='auto'参数避免matplotlib版本兼容警告
• 图例标签自动读取数据集里的水团名称，不需要硬编码修改

内容的提问来源于stack exchange，提问作者Caio Augusto