（1）基于给定的trainingData目录中的数字符号存储文件，构建K最近邻模型（使用汉明距离）。数字符号文件的命名规则如下：数字符号_序号.txt（如0_6.txt），其中数字符号表示文件中存储的数字，序号表示是该数字符号存储文件的编号，注意不同数字的存储文件个数是不一样的。 （2）读取testData目录中存储的数字符号数据文件（每个数字有1个存储文件，命名规则与训练数据相同），通过模型对符号进行分类预测并分别输出分类正确和错误的数字。提示：如果模型预测结果与文件名中第一部分存储的数字相同代表预测正确；汉明距离计算可用第三方Levenshtein 模块，from Levenshtein import hamming，hamming('0010', '1111')结果为3。

好的，你的问题是如何基于给定的训练数据和测试数据构建K最近邻模型，并对测试数据进行分类预测。

首先，我们需要读取训练数据目录中的所有数字符号存储文件，并提取出文件名中的数字作为标签。然后，我们可以使用Levenshtein模块中的hamming函数计算每个训练数据文件与测试数据文件之间的汉明距离，找出与测试数据文件汉明距离最小的K个训练数据文件，并统计这K个训练数据文件中出现最多的标签作为测试数据的预测标签。

下面是一个简单的Python代码示例，用于实现K最近邻模型的训练和测试：

import os
from Levenshtein import hamming

# 读取训练数据
train_dir = 'trainingData'
train_data = []
train_labels = []
for filename in os.listdir(train_dir):
    label = int(filename.split('_')[0])
    train_labels.append(label)
    with open(os.path.join(train_dir, filename), 'r') as f:
        data = f.read().strip()
        train_data.append(data)

# 定义K值和汉明距离函数
K = 5
def hamming_distance(a, b):
    return hamming(a, b)

# 对每个测试数据进行分类预测
test_dir = 'testData'
correct_count = 0
total_count = 0
for filename in os.listdir(test_dir):
    true_label = int(filename.split('_')[0])
    with open(os.path.join(test_dir, filename), 'r') as f:
        test_data = f.read().strip()
        distances = [hamming_distance(test_data, d) for d in train_data]
        nearest_indices = sorted(range(len(distances)), key=lambda i: distances[i])[:K]
        nearest_labels = [train_labels[i] for i in nearest_indices]
        pred_label = max(set(nearest_labels), key=nearest_labels.count)
        if pred_label == true_label:
            correct_count += 1
        else:
            print(f'Error: true label is {true_label}, but predicted label is {pred_label}.')
        total_count += 1

# 输出分类准确率
accuracy = correct_count / total_count
print(f'Accuracy: {accuracy:.2%} ({correct_count}/{total_count})')

以上代码中，我们首先读取训练数据目录中的所有数字符号存储文件，并提取出文件名中的数字作为标签，存储在train_labels列表中，训练数据存储在train_data列表中。

然后，我们定义了K值为5，并定义了一个hamming_distance函数，用于计算两个数据之间的汉明距离。

接下来，我们遍历测试数据目录中的所有文件，读取测试数据并计算与训练数据之间的汉明距离。我们找到与测试数据汉明距离最小的K个训练数据，并统计这K个训练数据中出现最多的标签作为测试数据的预测标签。如果预测标签与真实标签相同，则分类预测正确，否则输出错误信息。

最后，我们统计分类的准确率并输出结果。