优化代码def button_click(): X = # 定义特征矩阵 y = # 定义目标变量 result_dict = {} k_list = [1,3,5,7,9,11] for k in k_list: score,train_score = knn_score(k,X,y) result_dict[k] = [score,train_score] # 将结果显示在文本框中 text1.delete(1.0, tk.END) text1.insert(tk.END, str(result_dict))

这段代码主要是用 k 近邻算法对数据进行分类，并得出不同 k 值下的预测准确率和训练准确率，然后将结果显示在文本框中。

优化建议：

1.函数名：根据函数的行为，应该将函数名改为更具体的名称，以便更好地表达函数的行为。例如，可以将函数名改为 `knn_classification`。

2.变量命名：通常应该使用更具体的名称来表达变量的含义。例如，可以将 `X` 和 `y` 改为 `feature_matrix` 和 `target_variable`。

3.列表推导式：可以使用列表推导式来创建 `k_list`，以减少代码行数。例如，可以将 `k_list = [1,3,5,7,9,11]` 改为 `k_list = [i for i in range(1, 12, 2)]`。

4.代码注释：添加必要的注释，以便其他人更好地理解代码的意图和功能。

综上所述，可以将代码优化为以下形式：

def knn_classification(feature_matrix, target_variable):
    result_dict = {}
    k_list = [i for i in range(1, 12, 2)]
    
    for k in k_list:
        score, train_score = knn_score(k, feature_matrix, target_variable)
        result_dict[k] = [score, train_score]
    
    # 将结果显示在文本框中
    text1.delete(1.0, tk.END)
    text1.insert(tk.END, str(result_dict))

当然，这只是一个优化的建议，具体的优化方式还需要根据实际情况进行调整。