Scikit-learn NearestNeighbors 如何排除自身作为近邻的返回结果
近邻结果剔除自身样本的实现方案
核心实现逻辑
- 预留冗余计算额度:业务需要最终取2个非自身近邻时,初始化近邻模型直接把
n_neighbors设为3,多算1个近邻的冗余量——不管自身在近邻结果里排第几,剔掉自身后刚好能凑够2个有效近邻,不会出现结果数量不够的问题。 - 精准匹配剔除自身:不要硬删近邻数组的固定列,因为样本间完全相似的场景非常多,比如两个特征完全一样的记录,和自身的距离都是0,这时候自身根本不一定排在近邻结果的第一位,硬删第一列很容易出错。正确做法是逐行判断近邻索引,把等于当前查询样本行号的所有元素全部剔除,剩下的就是有效近邻。
- 保留原始排序规则:剔除自身后的近邻,严格按模型返回的距离顺序截取目标数量,距离为0的完全相似近邻会正常保留,并列距离的情况不强制调整排序,完全匹配业务要求。
可直接复用的代码
先修正原示例里的数组语法小问题(原xtest定义中[1,.8,1]后遗漏逗号,会直接触发运行错误),完整流程如下:
import numpy as np import pandas as pd from sklearn.neighbors import NearestNeighbors # 修正原示例的数组语法问题 xtest = np.array([[1,1,1], [1,1,1], [1,.8,1], [.8,1,1]]) # 目标需要2个非自身近邻,设置n_neighbors=3预留冗余 nn = NearestNeighbors(n_neighbors=3) nn.fit(xtest) distances, indices = nn.kneighbors(xtest) # 逐行过滤自身样本 nn1_idx, nn1_dist = [], [] nn2_idx, nn2_dist = [], [] for row_i in range(len(xtest)): # 生成掩码:过滤掉索引等于当前行号(即样本自身)的元素 keep_mask = indices[row_i] != row_i valid_nn_idx = indices[row_i][keep_mask] valid_nn_dist = distances[row_i][keep_mask] # 按原始顺序取前2个有效近邻 nn1_idx.append(valid_nn_idx[0]) nn1_dist.append(valid_nn_dist[0]) nn2_idx.append(valid_nn_idx[1]) nn2_dist.append(valid_nn_dist[1]) # 回写结果到原始Pandas数据表 df = pd.DataFrame(xtest, columns=["feature1", "feature2", "feature3"]) df["NearestNeighbor1"] = nn1_idx df["NearestNeighbor1_dist"] = nn1_dist df["NearestNeighbor2"] = nn2_idx df["NearestNeighbor2_dist"] = nn2_dist
常见踩坑提醒
千万别直接对近邻数组每一行砍掉第一个元素:当存在和当前样本特征完全一致的其他记录时,模型会把同距离的近邻排在前面,自身排在非首位,这时候硬砍第一列会直接丢失有效近邻,甚至把自身留在最终结果里。
数据集样本量较小时,要提前校验有效近邻数量:如果总样本数小于「目标近邻数+1」,剔除自身后根本凑不够需要的近邻数量,会触发索引越界错误。
内容的提问来源于stack exchange,提问作者Jred
相关产品推荐
相关产品推荐

