2024年未来杯高校大数据挑战赛 B题完整论文首发+全套代码免费分享 - IT评测·应用市场-qidao123.com技术社区

% 指定包含CSV文件的文件夹路径
folder_path = 'C:\Users\24404\Desktop\matlab代码\附件';
% 要合并的文件名列表
file_names = {'month_01.csv', 'month_02.csv', 'month_03.csv', 'month_04.csv', ...
'month_05.csv', 'month_06.csv', 'month_07.csv', 'month_08.csv', 'month_09.csv'};
% 创建一个空cell数组，用于存储每个CSV文件的数据
data = {};
% 遍历每个文件，读取它并将其添加到cell数组中
for i = 1:length(file_names)
file_path = fullfile(folder_path, file_names{i}); % 获取完整的文件路径
try
% 尝试使用默认编码读取CSV文件
current_data = readtable(file_path, 'PreserveVariableNames', true);
catch
% 如果读取失败，尝试使用另一种编码
current_data = readtable(file_path, 'PreserveVariableNames', true, 'FileEncoding', 'GBK');
end
data{end+1} = current_data; % 将读取的数据添加到cell数组中
end
% 合并所有的数据表
merged_data = vertcat(data{:});
% 可选：将合并后的数据表保存为新的CSV文件
writetable(merged_data, fullfile(folder_path, 'merged_data.csv'));
% 读取已经合并的CSV文件
merged_file_path = 'C:\Users\24404\Desktop\matlab代码\附件\merged_data.csv';
% 读取合并后的文件
merged_data = readtable(merged_file_path);
% 获取数据框的行数
num_rows = height(merged_data);
% 输出总行数
fprintf('合并后的文件共有 %d 行。\n', num_rows);
% 删除第 11 至 16 列中包含 "1：" 的部分
columns_to_process = merged_data(:, 11:16); % 第 11 至第 16 列
% 对指定列进行处理，删除 "1：" 部分
for i = 1:width(columns_to_process)
current_column = columns_to_process{:, i}; % 获取当前列的数据
current_column = cellfun(@(x) strrep(num2str(x), '1:', ''), current_column, 'UniformOutput', false); % 删除 "1:"
merged_data{:, 10 + i} = current_column; % 更新到原数据中
end
% 输出最后一行的数据
last_row = merged_data(end, :);
% 输出最后一行具体数据
disp('\n最后一行的数据：');
disp(last_row);
% 可选：将处理后的数据保存为新的CSV文件
writetable(merged_data, 'C:\Users\24404\Desktop\matlab代码\附件\processed_merged_data.csv');
% 读取已经合并的CSV文件
merged_file_path = 'C:\Users\24404\Desktop\matlab代码\附件\processed_merged_data.csv';
% 读取合并后的文件
merged_data = readtable(merged_file_path);
% 统计缺失值的个数
missing_values_count = sum(ismissing(merged_data));
% 输出每列的缺失值个数
disp('每列的缺失值统计：');
disp(missing_values_count);
% 可视化缺失值统计
figure;
bar(missing_values_count);
title('每列缺失值个数');
xlabel('列名');
ylabel('缺失值个数');
% 填充列名为 '驱动电机控制器温度'、'驱动电机转速'、'驱动电机转矩' 等的缺失值为 0
columns_to_fill_zero = {
'x_________', 'x_______1', 'x_______2', 'x_______3', ...
'x__________1', 'x___________'
}; % 根据实际列名修改
for i = 1:length(columns_to_fill_zero)
merged_data.(columns_to_fill_zero{i})(ismissing(merged_data.(columns_to_fill_zero{i}))) = 0;
end
% 使用上一行数据填充其余缺失值
merged_data = fillmissing(merged_data, 'previous');
% 正态分布和非正态分布列
normal_columns = {};
non_normal_columns = {};
% 3西格玛原则：对于正态分布的列，判定异常值
for col = merged_data.Properties.VariableNames
col_data = merged_data.(col{1});
if isnumeric(col_data) && isvector(col_data)
% 使用拟合正态分布进行正态性检验
try
pd = fitdist(col_data(~isnan(col_data)), 'Normal'); % 拟合正态分布
[~, p_value] = chi2gof(col_data(~isnan(col_data)), 'CDF', pd); % 卡方检验
if p_value > 0.05
normal_columns{end+1} = col{1}; % 正态分布列
else
non_normal_columns{end+1} = col{1}; % 非正态分布列
end
catch
non_normal_columns{end+1} = col{1}; % 如果拟合失败，默认认为是非正态分布
end
end
end
% 输出正态分布和非正态分布的列
disp('正态分布的列:');
disp(normal_columns);
disp('非正态分布的列:');
disp(non_normal_columns);
% 3西格玛原则：检测正态分布的列的异常值
for col = normal_columns
col_data = merged_data.(col{1});
mean_val = mean(col_data, 'omitnan');
std_dev = std(col_data, 'omitnan');
threshold = 3; % 设置为3西格玛原则
upper_bound = mean_val + threshold * std_dev;
lower_bound = mean_val - threshold * std_dev;
% 找到异常值
outliers = merged_data(col_data < lower_bound | col_data > upper_bound, :);
% 可视化异常值
figure;
boxplot(col_data);
title([col{1}, ' 列异常值检测（3西格玛原则）']);
disp([col{1}, ' 列的异常值数量: ', num2str(height(outliers))]);
end
% 对于非正态分布的列，使用箱线图判定异常值
for col = non_normal_columns
col_data = merged_data.(col{1});
figure;
boxplot(col_data);
title([col{1}, ' 列异常值检测（箱线图）']);
% 删除 NaN 值后计算分位数
non_nan_data = col_data(~isnan(col_data));
Q1 = quantile(non_nan_data, 0.25);
Q3 = quantile(non_nan_data, 0.75);
IQR = Q3 - Q1;
lower_bound = Q1 - 1.5 * IQR;
upper_bound = Q3 + 1.5 * IQR;
outliers = merged_data(col_data < lower_bound | col_data > upper_bound, :);
disp([col{1}, ' 列的异常值数量: ', num2str(height(outliers))]);
end
merged_data.Properties.VariableNames = {...
'数据采集时间', '车辆状态', '充电状态', '车速', '累计里程', '总电压', '总电流', 'SOC', ...
'DC-DC状态', '绝缘电阻', '驱动电机控制器温度', '驱动电机转速', '驱动电机转矩', '驱动电机温度', ...
'电机控制器输入电压', '电机控制器直流母线电流', '电池单体电压最高值', '电池单体电压最低值', ...
'最高温度值', '最低温度值', '最高报警等级'};
% 可选：将处理后的数据保存为新的CSV文件
writetable(merged_data, 'C:\Users\24404\Desktop\matlab代码\附件\processed_merged_data1.csv');
clc;
clear;
%% 自定义“coolwarm” colormap（仅为近似效果）
n = 256;
% 简单构造一个从蓝色（低值）过渡到白色，再到红色（高值）的 colormap
r = [linspace(0, 1, n/2)'; ones(n/2,1)];
g = [linspace(0, 1, n/2)'; linspace(1, 0, n/2)'];
b = [ones(n/2,1); linspace(1, 0, n/2)'];
coolwarm = [r, g, b];
%% ======================= Part 1: 特征相关性矩阵 =======================
% 加载数据
file_path = 'C:\Users\24404\Desktop\matlab代码\附件\processed_merged_data1_cleaned.csv';
opts = detectImportOptions(file_path, 'VariableNamingRule', 'preserve');
data = readtable(file_path, opts);
% 数据预处理：确保日期格式（后续分析可能需要）
data.('数据采集时间') = datetime(data.('数据采集时间'));
% 将报警等级转换（本部分只用于连续变量相关性计算，不影响后续）
data.('报警等级') = data.('最高报警等级');
% 定义特征列表
features = {'车速','累计里程','总电压','总电流','SOC','DC-DC状态','绝缘电阻',...
'驱动电机控制器温度','驱动电机转速','驱动电机转矩','驱动电机温度',...
'电机控制器输入电压','电机控制器直流母线电流','电池单体电压最高值',...
'电池单体电压最低值','最高温度值','最低温度值'};
% 提取特征数据，并转换为数值矩阵（假设这些列均为数值型）
X = data(:, features);
X_mat = table2array(X);
% 计算皮尔逊相关性矩阵（对缺失值使用 pairwise 计算）
corrMatrix = corr(X_mat, 'Rows', 'pairwise');
% 绘制相关性矩阵热力图
figure('Position',[100,100,800,600]);
h1 = heatmap(features, features, corrMatrix, 'CellLabelFormat','%.2f');
h1.Title = '特征相关性矩阵';
% 设置自定义 colormap
h1.Colormap = coolwarm;
h1.ColorbarVisible = 'on';
% 输出相关性矩阵
disp('特征相关性矩阵：');
disp(corrMatrix);
%% ======================= Part 2: Spearman等级相关系数分析 =======================
% 将报警等级映射为数值（假设原始“最高报警等级”为 0,1,2,3）
% 这里将 '无故障' 映射为 0，'1级故障' 为 1，以此类推
data.('报警等级') = double( data.('最高报警等级') );
% 对每个连续特征与报警等级计算 Spearman 相关系数
spearmanCorr = zeros(length(features),1);
for i = 1:length(features)
% 取出当前特征数据，确保为数值型
featureData = data.(features{i});
if ~isnumeric(featureData)
featureData = str2double(featureData);
end
% 计算 Spearman 等级相关系数（忽略 NaN）
spearmanCorr(i) = corr(featureData, data.('报警等级'), 'Type', 'Spearman', 'Rows','pairwise');
end
% 绘制 Spearman 相关系数热力图（单行热图）
figure('Position',[100,100,800,200]);
h2 = heatmap(features, {'报警等级'}, spearmanCorr');
h2.Title = 'Spearman等级相关系数：连续数据与报警等级之间的相关性';
h2.Colormap = coolwarm;
h2.CellLabelFormat = '%.2f';
% 输出 Spearman 相关系数
disp('Spearman等级相关系数：');
T_spearman = array2table(spearmanCorr, 'RowNames', features, 'VariableNames', {'SpearmanCorr'});
disp(T_spearman);
%% 加载数据
file_path = 'C:\Users\24404\Desktop\matlab代码\附件\processed_merged_data1_cleaned.csv';
opts = detectImportOptions(file_path, 'VariableNamingRule', 'preserve');
data = readtable(file_path, opts);
%% 数据预处理
% 1. 将“数据采集时间”转换为日期格式后删除该列
data.('数据采集时间') = datetime(data.('数据采集时间'));
data.('数据采集时间') = [];
% 2. 对分类数据进行标签编码： '车辆状态', '充电状态', 'DC-DC状态'
categorical_features = {'车辆状态', '充电状态', 'DC-DC状态'};
for i = 1:length(categorical_features)
feat = categorical_features{i};
data.(feat) = grp2idx(categorical(data.(feat)));
end
% 3. 处理缺失值：使用均值填充数值型特征
numerical_features = {...
'车速', '累计里程', '总电压', '总电流', 'SOC', '绝缘电阻',...
'驱动电机控制器温度', '驱动电机转速', '驱动电机转矩', '驱动电机温度',...
'电机控制器输入电压', '电机控制器直流母线电流', '电池单体电压最高值',...
'电池单体电压最低值', '最高温度值', '最低温度值'};
for i = 1:length(numerical_features)
col = numerical_features{i};
colData = data.(col);
meanVal = mean(colData, 'omitnan');
data.(col) = fillmissing(colData, 'constant', meanVal);
end
%% 选择特征和目标变量
features = {'车辆状态', '充电状态', 'DC-DC状态', '累计里程', '驱动电机控制器温度', '最高温度值'};
X = data(:, features);
y = data.('最高报警等级');
%% 拆分数据集（80% 训练，20% 测试）
nSamples = height(data);
cv = cvpartition(nSamples, 'HoldOut', 0.2);
trainIdx = training(cv);
testIdx = test(cv);
X_train = X(trainIdx, :);
y_train = y(trainIdx);
X_test = X(testIdx, :);
y_test = y(testIdx);
%% KNN模型训练（邻居数设置为5）
model_knn = fitcknn(X_train, y_train, 'NumNeighbors', 5);
%% 预测
y_pred = predict(model_knn, X_test);
%% 模型评估
% 计算混淆矩阵
cm = confusionmat(y_test, y_pred);
% 计算准确率
accuracy = sum(diag(cm)) / sum(cm(:));
% 计算每个类别的精确率、召回率和F1-score
classes = unique(y_test);
nClasses = numel(classes);
precision = zeros(nClasses, 1);
recall = zeros(nClasses, 1);
f1 = zeros(nClasses, 1);
for i = 1:nClasses
TP = cm(i,i);
FP = sum(cm(:,i)) - TP;
FN = sum(cm(i,:)) - TP;
precision(i) = TP / (TP + FP + eps);
recall(i) = TP / (TP + FN + eps);
f1(i) = 2 * precision(i) * recall(i) / (precision(i) + recall(i) + eps);
end
macro_recall = mean(recall);
macro_f1 = mean(f1);
% 输出分类报告
fprintf('KNN 分类报告:\n');
fprintf('准确率: %.4f\n', accuracy);
fprintf('宏平均召回率: %.4f\n', macro_recall);
fprintf('宏平均 F1-score: %.4f\n', macro_f1);
disp('混淆矩阵:');
disp(cm);
%% 绘制模型评估指标柱状图
metrics = [accuracy, macro_recall, macro_f1];
metric_names = {'准确率','召回率','F1-score'};
figure('Position', [100, 100, 600, 400]);
bar(categorical(metric_names), metrics);
title('KNN 模型评估指标', 'FontSize', 14);
xlabel('指标', 'FontSize', 12);
ylabel('得分', 'FontSize', 12);
grid on;

复制代码

import pandas as pd
import os
# 指定包含CSV文件的文件夹路径
folder_path = r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件'
# 要合并的文件名列表
file_names = ['month_01.csv', 'month_02.csv', 'month_03.csv', 'month_04.csv',
'month_05.csv', 'month_06.csv', 'month_07.csv', 'month_08.csv', 'month_09.csv']
# 创建一个空列表，用于存储每个CSV文件的DataFrame
dfs = []
# 遍历每个文件，读取它并将其添加到列表中
for file in file_names:
file_path = os.path.join(folder_path, file) # 获取完整的文件路径
try:
df = pd.read_csv(file_path, encoding='utf-8') # 尝试使用utf-8编码读取CSV文件
except UnicodeDecodeError: # 如果出现解码错误，尝试使用GBK编码
df = pd.read_csv(file_path, encoding='GBK') # 使用GBK编码读取
dfs.append(df) # 将DataFrame添加到列表中
# 使用pd.concat()将所有DataFrame按行合并
merged_df = pd.concat(dfs, ignore_index=True)
# 可选：将合并后的DataFrame保存为新的CSV文件
merged_df.to_csv(os.path.join(folder_path, 'merged_data.csv'), index=False)
import pandas as pd
# 读取已经合并的CSV文件
merged_file_path = r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件\merged_data.csv'
# 读取合并后的文件
merged_df = pd.read_csv(merged_file_path)
# 获取数据框的行数
num_rows = len(merged_df)
# 输出总行数
print(f"合并后的文件共有 {num_rows} 行。")
# 删除第 11 至 16 列中包含 "1：" 的部分
columns_to_process = merged_df.columns[10:16] # 第 11 至第 16 列对应的列名（索引从 0 开始，所以是 10 到 15）
# 对指定列进行处理，删除 "1：" 部分
for col in columns_to_process:
merged_df[col] = merged_df[col].apply(lambda x: str(x).replace("1:", "") if isinstance(x, str) else x)
# 输出最后一行的数据
last_row = merged_df.iloc[-1]
# 输出最后一行具体数据
print("\n最后一行的数据：")
print(last_row)
# 可选：将处理后的数据保存为新的CSV文件
merged_df.to_csv(r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件\processed_merged_data.csv', index=False)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用SimHei字体
plt.rcParams['axes.unicode_minus'] = False # 正确显示负号
# 读取已经合并的CSV文件
merged_file_path = r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件\processed_merged_data.csv'
# 读取合并后的文件
merged_df = pd.read_csv(merged_file_path)
# 统计缺失值的个数
missing_values_count = merged_df.isnull().sum()
# 输出每列的缺失值个数
print("每列的缺失值统计：")
print(missing_values_count)
# 可视化缺失值统计
plt.figure(figsize=(10, 6))
missing_values_count.plot(kind='bar')
plt.title("每列缺失值个数")
plt.xlabel('列名')
plt.ylabel('缺失值个数')
plt.xticks(rotation=90)
plt.show()
print(merged_df.columns)
# 填充列名为 '驱动电机控制器温度'、'驱动电机转速'、'驱动电机转矩' 等的缺失值为 0
columns_to_fill_zero = [
'驱动电机控制器温度', '驱动电机转速', '驱动电机转矩', '驱动电机温度', '电机控制器输入电压', '电机控制器直流母线电流'
] # 根据实际列名修改
merged_df[columns_to_fill_zero] = merged_df[columns_to_fill_zero].fillna(0)
# 使用上一行数据填充其余缺失值
merged_df.fillna(method='ffill', inplace=True)
# 正态分布和非正态分布列
normal_columns = []
non_normal_columns = []
# 3西格玛原则：对于正态分布的列，判定异常值
for col in merged_df.select_dtypes(include=[np.number]).columns:
# 使用Shapiro-Wilk检验检测正态性
_, p_value = stats.shapiro(merged_df[col].dropna()) # 去除空值进行检验
if p_value > 0.05:
normal_columns.append(col)
else:
non_normal_columns.append(col)
# 输出正态分布和非正态分布的列
print(f"\n正态分布的列: {normal_columns}")
print(f"非正态分布的列: {non_normal_columns}")
# 3西格玛原则：检测正态分布的列的异常值
for col in normal_columns:
mean = merged_df[col].mean()
std_dev = merged_df[col].std()
threshold = 3 # 设置为3西格玛原则
upper_bound = mean + threshold * std_dev
lower_bound = mean - threshold * std_dev
# 找到异常值
outliers = merged_df[(merged_df[col] < lower_bound) | (merged_df[col] > upper_bound)]
# 可视化异常值
plt.figure(figsize=(10, 6))
plt.title(f"{col} 列异常值检测（3西格玛原则）")
sns.boxplot(x=merged_df[col])
plt.show()
print(f"{col} 列的异常值数量: {len(outliers)}")
# 对于非正态分布的列，使用箱线图判定异常值
for col in non_normal_columns:
plt.figure(figsize=(10, 6))
plt.title(f"{col} 列异常值检测（箱线图）")
sns.boxplot(x=merged_df[col])
plt.show()
# 找到异常值
Q1 = merged_df[col].quantile(0.25)
Q3 = merged_df[col].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
outliers = merged_df[(merged_df[col] < lower_bound) | (merged_df[col] > upper_bound)]
print(f"{col} 列的异常值数量: {len(outliers)}")
# 可选：将处理后的数据保存为新的CSV文件
merged_df.to_csv(r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件\processed_merged_data1.csv', index=False)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用SimHei字体
plt.rcParams['axes.unicode_minus'] = False # 正确显示负号
# 读取已经合并的CSV文件
# 文件路径（每个月的数据文件），这里假设数据文件有一个通用格式，如 'month_01.csv', 'month_02.csv' 等
folder_path = r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件'
# 创建一个文件名列表，包含01月到09月的文件
file_names = [f'month_{i:02d}.csv' for i in range(1, 10)] # 格式化为 month_01, month_02, ..., month_09
# 创建一个空的DataFrame，合并所有文件的数据
dfs = []
for file in file_names:
file_path = f'{folder_path}\\{file}'
try:
# 尝试用utf-8编码读取
df = pd.read_csv(file_path, encoding='utf-8')
except UnicodeDecodeError:
# 如果遇到编码错误，尝试使用GBK编码
df = pd.read_csv(file_path, encoding='GBK')
dfs.append(df)
# 合并所有的DataFrame
merged_df = pd.concat(dfs, ignore_index=True)
# 将 "数据采集时间" 列转换为 datetime 格式
merged_df['数据采集时间'] = pd.to_datetime(merged_df['数据采集时间'], errors='coerce')
# 提取月份信息，添加到一个新的列 'month'
merged_df['month'] = merged_df['数据采集时间'].dt.month
# 统计每月的故障报警次数（假设 "最高报警等级" 表示故障报警，若需修改请根据实际列名调整）
monthly_fault_alarms = merged_df.groupby('month')['最高报警等级'].count()
# 可视化故障报警次数
plt.figure(figsize=(10, 6))
sns.lineplot(x=monthly_fault_alarms.index, y=monthly_fault_alarms.values, marker='o')
plt.title('每月故障报警次数及其变化规律')
plt.xlabel('月份')
plt.ylabel('故障报警次数')
plt.grid(True)
plt.show()
# 2. 统计每月的充电情况
# 假设 "充电状态" 列表示充电状态，统计充电状态为"充电中"的次数
monthly_charge_count = merged_df[merged_df['充电状态'] == '充电中'].groupby('month').size()
# 可视化充电次数
plt.figure(figsize=(10, 6))
sns.barplot(x=monthly_charge_count.index, y=monthly_charge_count.values)
plt.title('每月充电次数')
plt.xlabel('月份')
plt.ylabel('充电次数')
plt.show()
# 3. 统计每月的用车情况
# 假设 "车速" 列表示用车数据，用车次数可以通过车速不为零的记录进行计算
monthly_drive_count = merged_df[merged_df['车速'] > 0].groupby('month').size()
# 可视化用车次数
plt.figure(figsize=(10, 6))
sns.barplot(x=monthly_drive_count.index, y=monthly_drive_count.values)
plt.title('每月用车次数')
plt.xlabel('月份')
plt.ylabel('用车次数')
plt.show()
# 4. 总结分析
print("故障报警次数每月变化：")
print(monthly_fault_alarms)
print("\n每月充电情况：")
print(f"充电次数：\n{monthly_charge_count}")
print("\n每月用车情况：")
print(f"用车次数：\n{monthly_drive_count}")
file_path = r'C:\Users\24404\PycharmProjects\pythonProject1\未来杯\附件\processed_merged_data1_cleaned.csv'
data = pd.read_csv(file_path)
# 数据预处理
# 1. 删除 "数据采集时间" 列（或转换为数值型）
data['数据采集时间'] = pd.to_datetime(data['数据采集时间'])
data.drop('数据采集时间', axis=1, inplace=True) # 删除“数据采集时间”列
# 2. 对分类数据进行标签编码
categorical_features = ['车辆状态', '充电状态', 'DC-DC状态']
le = LabelEncoder()
for feature in categorical_features:
data[feature] = le.fit_transform(data[feature].astype(str))
# 3. 处理缺失值
# 使用SimpleImputer对数值型特征进行缺失值填充
numerical_features = [
'车速', '累计里程', '总电压', '总电流', 'SOC', '绝缘电阻',
'驱动电机控制器温度', '驱动电机转速', '驱动电机转矩', '驱动电机温度',
'电机控制器输入电压', '电机控制器直流母线电流', '电池单体电压最高值',
'电池单体电压最低值', '最高温度值', '最低温度值'
]
# 填充缺失值
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy='mean') # 用均值填充
data[numerical_features] = imputer.fit_transform(data[numerical_features])
# 选择特征和目标变量
features = ['车辆状态', '充电状态', 'DC-DC状态', '累计里程', '驱动电机控制器温度', '最高温度值']
X = data[features]
y = data['最高报警等级']
# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# KNN模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# 预测并评估
y_pred_knn = knn.predict(X_test)
# 输出分类报告
print("KNN分类报告:")
print(classification_report(y_test, y_pred_knn))
# 计算模型的评估指标
accuracy_knn = accuracy_score(y_test, y_pred_knn)
report_knn = classification_report(y_test, y_pred_knn, output_dict=True)
# 提取精确度、召回率和F1-score
metrics_knn = {
'精确度': report_knn['accuracy'],
'召回率': report_knn['macro avg']['recall'],
'F1-score': report_knn['macro avg']['f1-score']
}
# 绘制可视化结果
plt.figure(figsize=(8, 6))
sns.barplot(x=list(metrics_knn.keys()), y=list(metrics_knn.values()))
plt.title('KNN模型评估指标')
plt.ylabel('得分')
plt.xlabel('指标')
plt.tight_layout()
plt.show()

复制代码

各指标取值区间
字段名称	说明
车速	有用值范围：0～2200，最小计量单元：0.1km/h，
累计里程	有用值范围：0～9999999，最小计量单元：0.1km。
总电压	有用值范围： 0～10000，最小计量单元： 0.1V
总电流	有用值范围： 0～20000，最小计量单元： 0.1A
SOC	有用值范围：0～100，最小计量单元：1%
DC-DC状态	1：工作； 2：断开
绝缘电阻	有用范围 0～60000，最小计量单元： 1KΩ
驱动电机控制器温度	有用值范围：0～250，最小计量单元：1℃
驱动电机转速	偏移量 1000rpm，表现-1000rpm～10000rpm
驱动电机温度	有用值范围：0～250，最小计量单元：1℃
电机控制器输入电压	有用值范围： 0～10000，最小计量单元： 0.1V
电机控制器直流母线电流	有用值范围： 0～20000，最小计量单元： 0.1A
电池单体电压最高值	有用值范围：0～15 000，最小计量单元：0.001V
电池单体电压最低值	有用值范围：0～15 000，最小计量单元：0.001V
最高温度值	有用值范围：0～250，最小计量单元：1℃
最低温度值	有用值范围：0～250，最小计量单元：1℃

名称	数据范例	名称
车辆状态	分类数据	驱动电机转速
充电状态	分类数据	驱动电机转矩
车速	连续数据	驱动电机温度
累计里程	连续数据	电机控制器输入电压
总电压	连续数据	电机控制器直流母线电流
总电流	连续数据	电池单体电压最高值
SOC	连续数据	电池单体电压最低值
DC-DC状态	分类数据	最高温度值
绝缘电阻	连续数据	最低温度值
驱动电机控制器温度	连续数据	最高报警等级