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

对于问题(1)，可以使用scikit-learn库中的KNeighborsClassifier模型来实现kNN算法对手写数字进行分类。具体代码如下：

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

# 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)

# 定义kNN模型
knn = KNeighborsClassifier(n_neighbors=5)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

对于问题(2)，可以使用scikit-learn库中的GridSearchCV模型来实现对k值的搜索。具体代码如下：

from sklearn.model_selection import GridSearchCV

# 定义kNN模型
knn = KNeighborsClassifier()

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

# 定义GridSearchCV模型
grid_search = GridSearchCV(knn, param_grid, cv=5)

# 训练模型
grid_search.fit(X_train, y_train)

# 输出最优的k值和准确率
print("最优的k值：", grid_search.best_params_['n_neighbors'])
print("准确率：", grid_search.best_score_)

注意：以上代码仅供参考，实际使用时需要根据具体情况进行调整。