python编程实现 k 最近邻分类 编写 k-nearestN 函数，输入训练数据 X_train,其对应标签 y,近邻数 k，测试 集 X_test，以及距离度量，输出测试集中每个样本的标签。默认距离度量为欧 式距离，其他可选距离包括余弦相似度等。

好的，这是一个关于python编程的问题。您可以通过以下代码来实现 k 最近邻分类：

from collections import Counter
import numpy as np

def k_nearest_neighbor(X_train, y_train, X_test, k=3, distance_metric='euclidean'):
    
    # Calculate pairwise distances between each test sample and training sample
    if distance_metric == 'euclidean':
        distances = np.sqrt(((X_train - X_test[:, np.newaxis])**2).sum(axis=2))
    elif distance_metric == 'cosine':
        dot_product = np.dot(X_test, X_train.T)
        X_test_norms = np.linalg.norm(X_test, axis=1)
        X_train_norms = np.linalg.norm(X_train, axis=1)
        distances = 1 - dot_product / np.outer(X_test_norms, X_train_norms)

    # Obtain k nearest neighbors for each test sample based on distances
    k_nearest_idx = np.argsort(distances)[:, :k]
    k_nearest_labels = y_train[k_nearest_idx]

    # Predict class for each test sample based on majority vote among its k nearest neighbors
    predicted_labels = [Counter(labels).most_common(1)[0][0] for labels in k_nearest_labels]

    return predicted_labels

其中，X_train 是训练数据集，y_train 是 X_train 对应的标签，X_test 是测试集，k 是近邻数，distance_metric 是距离度量（默认为欧式距离）。这个函数将返回测试集中每个样本的标签。

希望这个代码能对您有所帮助！