写一个Knn函数，result=Knn(train_data,train_label,test_data,n_test,K)

K近邻算法(K-Nearest Neighbors, KNN)是一种基于实例的学习方法，用于分类或回归分析。下面是一个简单的Python示例，如何编写一个基本的KNN函数。这个函数接受训练数据集`train_data`、训练标签`train_label`、测试数据集`test_data`，以及一些额外参数如`n_test`（测试样本的数量）、`K`（邻居数）。注意，在实际应用中，通常需要预处理数据并引入库如sklearn来进行计算，这里为了简洁只给出了核心逻辑：

def Knn(train_data, train_label, test_data, n_test, K):
    from sklearn.metrics.pairwise import euclidean_distances
    from collections import Counter

    def classify(data, labels, k):
        distances = euclidean_distances(data, labels)
        nearest_labels = [labels[index] for index in distances.argsort()[:k]]
        return Counter(nearest_labels).most_common(1)[0][0]

    # 计算距离和预测结果
    predictions = []
    for i in range(n_test):
        single_test_point = test_data[i]
        prediction = classify(train_data, train_label, K)
        predictions.append(prediction)

    result = predictions
    return result

# 使用例子
train_data, train_label, test_data = ... # 这里应该替换为实际的数据
n_test, K = ..., ... # 测试样本数量和邻居数
result = Knn(train_data, train_label, test_data, n_test, K)