不调用sklearn模块，自己实现最近邻算法，并计算在测试集上的准确率

在Python中，不依赖`sklearn`库，我们可以自定义一个简单的最近邻（K-Nearest Neighbors, KNN）算法。首先，我们需要一个数据结构来存储训练样本和它们对应的标签，以及一个距离度量函数（如欧氏距离）。以下是基本步骤：

1. **准备数据**：
- 将数据分为训练集和测试集。
- 训练集中保存特征值和对应的类别。

2. **实现KNN类**：
- 定义一个类，包含计算距离、找到最近邻居、预测新数据点类别等功能。
- `find_neighbors` 函数接收一个新的数据点和阈值k，返回其k个最接近的训练样本及其类别。

   class KNN:
       def __init__(self, k=3):
           self.k = k
           self.train_data = None
           self.train_labels = None

       def fit(self, X_train, y_train):
           self.train_data = X_train
           self.train_labels = y_train

       def euclidean_distance(self, x1, x2):
           # 自己实现欧氏距离计算
           pass

       def predict(self, X_test):
           predictions = []
           for test_point in X_test:
               distances = [(self.euclidean_distance(test_point, train), label)
                            for train, label in zip(self.train_data, self.train_labels)]
               top_k_neighs = sorted(distances)[:self.k]
               most_common_class = Counter([dist[1] for dist in top_k_neighs]).most_common(1)[0][0]
               predictions.append(most_common_class)
           return predictions

3. **评估模型**：
- 使用预测结果和实际测试标签比较，计算准确率。

   def accuracy_score(y_true, y_pred):
       correct_count = sum([1 for i in range(len(y_true)) if y_true[i] == y_pred[i]])
       return correct_count / len(y_true)

   X_train, X_test, y_train, y_test = ... # 分割数据
   knn = KNN()
   knn.fit(X_train, y_train)
   y_pred = knn.predict(X_test)
   acc = accuracy_score(y_test, y_pred)
   print(f"测试集上的准确率为: {acc * 100}%")