在jupyter中(1)使用kNN算法，对手写数字进行分类 (2)使用sklearn中的GridSearchCV, 找出准确率最高的k值。k=1-20

对于第一个问题，可以使用scikit-learn库中的KNeighborsClassifier类来实现kNN算法，代码如下：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

# 加载手写数字数据集
digits = load_digits()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.2, random_state=42)

# 创建kNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = knn.score(X_test, y_test)
print("准确率为：", accuracy)

对于第二个问题，可以使用sklearn中的GridSearchCV类来进行网格搜索，代码如下：

from sklearn.model_selection import GridSearchCV

# 定义k值的范围
param_grid = {'n_neighbors': range(1, 21)}

# 创建kNN分类器
knn = KNeighborsClassifier()

# 使用GridSearchCV进行网格搜索
grid_search = GridSearchCV(knn, param_grid, cv=5)

# 在训练集上进行训练
grid_search.fit(X_train, y_train)

# 输出最优的k值和对应的准确率
print("最优的k值为：", grid_search.best_params_['n_neighbors'])
print("最高准确率为：", grid_search.best_score_)

注意：以上代码中的X_train, X_test, y_train, y_test是手写数字数据集的训练集和测试集，可以根据实际情况进行替换。