在训练集train_data和测试集test_data上运行K近邻算法，可以使用自定义函数knn_classify(train_data, test_data, k)；

在Python中，你可以通过以下步骤使用K近邻(KNN)算法对给定的训练集`train_data`和测试集`test_data`进行分类：

1. **导入所需库**：
首先，你需要导入numpy和sklearn库，其中sklearn的`metrics`模块将用于计算准确度等性能指标，而`neighbors`模块包含了KNN模型。

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

2. **数据预处理**：
确保训练集和测试集的数据格式是适当的，例如特征和标签应该分开，数值型数据需要标准化或归一化。

3. **分割数据**：
使用`train_test_split`函数将原始数据分为训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(train_data[:, :-1], train_data[:, -1], test_size=0.2, random_state=42)

4. **创建KNN模型**：
创建一个KNN分类器，设置`n_neighbors`参数为你想要的邻居数量。

k = 5  # 例如选择5个最近邻
knn = KNeighborsClassifier(n_neighbors=k)

5. **拟合模型**：
使用训练数据对模型进行训练。

knn.fit(X_train, y_train)

6. **预测**：
对测试集应用模型，得到预测结果。

y_pred = knn.predict(X_test)

7. **评估性能**：
计算预测的准确性或其他性能指标，如使用`accuracy_score`。

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy on the test set: {accuracy}")

8. **自定义函数**：
将上述步骤封装到名为`knn_classify`的函数中，接收训练集、测试集和邻居数作为输入，并返回预测结果及性能评估。

def knn_classify(train_data, test_data, k):
    # ... (上述所有步骤)

# 调用函数
predictions, accuracy = knn_classify(train_data, test_data, k)