用C语言实现K 近邻(k-Nearest Neighbor，KNN)分类算法，并给出代码

在C语言中实现K近邻(KNN)分类算法，虽然不像高级语言那样直观易读，但基本步骤包括数据预处理、存储数据、距离计算以及基于最近邻居投票进行预测。下面是一个简单的示例，我们将数据表示为点集（二维数组），假设我们有一个整数K作为近邻的数量：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

// 定义数据结构
typedef struct {
    int x, y; // 数据点坐标
    int label; // 标签（类别）
} DataPoint;

// 计算两点之间的欧氏距离
double distance(DataPoint* p1, DataPoint* p2) {
    return sqrt(pow(p1->x - p2->x, 2) + pow(p1->y - p2->y, 2));
}

// 获取k个最接近的数据点
void get_neighbors(DataPoint dataset[], int size, int target, int k, DataPoint neighbors[k]) {
    double min_distance = DBL_MAX;
    int index = 0;

    for (int i = 0; i < size; i++) {
        if (dataset[i].label != target) continue; // 不考虑自身类别的样本

        double dist = distance(&dataset[target], &dataset[i]);
        if (dist < min_distance) {
            min_distance = dist;
            index = i;
        }
    }

    for (int i = 0; i < k && index < size; i++) {
        neighbors[i] = dataset[index];
        index++; // 移动到下一个未添加的位置
    }
}

// KNN预测
int knn_predict(DataPoint dataset[], int size, DataPoint query, int k) {
    DataPoint neighbors[k];
    int closest_labels[k];

    get_neighbors(dataset, size, query.y, k, neighbors);

    // 求得频率最高的标签作为预测结果
    int max_count = 0, prediction = query.y;
    for (int i = 0; i < k; i++) {
        closest_labels[i] = neighbors[i].label;
        if (closest_labels[i] > max_count) {
            max_count = closest_labels[i];
            prediction = closest_labels[i];
        }
    }

    return prediction;
}

int main() {
    // 示例数据...
    DataPoint dataset[] = {/* 数据点列表 */};
    int dataset_size = sizeof(dataset) / sizeof(dataset[0]);

    // 测试样本
    DataPoint test = {/* 测试样本坐标 */};
    int predicted_label = knn_predict(dataset, dataset_size, test, 5);
    printf("预测标签: %d\n", predicted_label);

    return 0;
}

这个例子非常基础，实际应用中可能需要对数据进行排序、归一化等预处理操作，并且可能使用更高效的搜索算法如kd树或球树来提高性能。