请用python实现不使用sklearn的knn中的indices

以下是一个简单的Python代码示例，用于实现不使用sklearn的KNN算法中的indices：

import numpy as np

def knn_indices(X, k):
    n = X.shape[0]
    indices = np.zeros((n, k), dtype=int)
    distances = np.zeros((n, k))
    
    for i in range(n):
        x = X[i]
        for j in range(n):
            if i == j:
                continue
            dist = np.linalg.norm(x - X[j])
            idx = np.argmin(distances[i])
            if dist < distances[i][idx]:
                distances[i][idx] = dist
                indices[i][idx] = j
    
    return indices

该函数接受两个参数：数据集X和k值。它返回一个大小为（n，k）的数组，其中n是数据集中的样本数，k是要返回的最近邻居数。数组中的每一行包含与数据集中该行对应的样本的k个最近邻居的索引。

该函数使用numpy库计算欧几里德距离，并使用numpy.argmin函数查找每个样本的k个最近邻居。距离和索引都存储在distances和indices数组中。该函数的时间复杂度为O（n^2 k），其中n是数据集中的样本数，k是最近邻居数。在实践中，如果数据集很大，可能需要更高效的算法。