python 寻找样本的k近邻

K近邻（K-Nearest Neighbor，KNN）是一种基本的分类与回归方法，其基本思想是找出距离待分类样本最近的K个训练样本，然后根据它们的类别信息来确定待分类样本的类别。在Python中，我们可以使用scikit-learn库实现K近邻算法。以下是一个示例代码：

from sklearn.neighbors import KNeighborsClassifier
import numpy as np

# 创建训练集数据和标签
X_train = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y_train = np.array([0, 0, 1, 1])

# 创建K近邻分类器对象
knn = KNeighborsClassifier(n_neighbors=3)

# 拟合模型
knn.fit(X_train, y_train)

# 预测新的数据点的标签
X_test = np.array([[2, 3], [6, 7]])
y_pred = knn.predict(X_test)

print(y_pred)  # 输出预测结果

在上面的代码中，我们首先创建了一个4个样本、2个特征的训练集，其中前两个样本属于第0类，后两个样本属于第1类。接着我们创建了一个K近邻分类器对象，并使用`fit()`方法拟合模型。最后，我们使用`predict()`方法预测了两个新的数据点的标签，并输出了预测结果。