编写自定义函数knn_classify(train_data, test_data, k)

好的，让我来为您编写一个自定义函数knn_classify(train_data, test_data, k)：

import numpy as np
from collections import Counter

def knn_classify(train_data, test_data, k):
    """
    K-最近邻分类器。

    参数：
    train_data -- 训练数据，一个二维NumPy数组，每行表示一个训练样本，每列表示一个特征。
    test_data -- 测试数据，一个一维NumPy数组，表示待分类的样本。
    k -- 选择最近邻的个数。

    返回值：
    label -- 分类结果，一个字符串，表示测试样本所属的类别。
    """
    # 计算训练数据中每个样本与测试样本之间的距离
    distances = np.sqrt(np.sum((train_data - test_data) ** 2, axis=1))

    # 找到距离最近的k个训练样本的索引
    nearest_indices = np.argsort(distances)[:k]

    # 找到这k个训练样本中出现次数最多的类别
    nearest_labels = train_data[nearest_indices][:, -1]
    label = Counter(nearest_labels).most_common(1)[0][0]

    return label

该函数使用欧几里得距离作为样本间的距离度量，并使用Counter对象来统计k个最近邻样本中出现次数最多的类别，并将其作为预测结果返回。