使用python实现knn不使用sklearn的代码

### 回答1：
在 Python 中实现 KNN 不使用 scikit-learn 库的示例代码如下:

from collections import Counter
import numpy as np

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

def knn(x_train, y_train, x_test, k):
    distances = [euclidean_distance(x_test, x) for x in x_train]
    k_nearest = np.argsort(distances)[:k]
    k_nearest_labels = [y_train[i] for i in k_nearest]
    return Counter(k_nearest_labels).most_common(1)[0][0]

# 示例数据
x_train = np.array([[1, 2], [2, 3], [3, 4], [4, 5]])
y_train = np.array(['a', 'b', 'a', 'b'])
x_test = np.array([3, 4])
k = 3

print(knn(x_train, y_train, x_test, k)) # 'a'

其中：
- x_train 是训练样本的特征矩阵，y_train 是训练样本的标签向量。
- x_test 是待预测样本的特征向量，k 是 kNN 算法中的 k 值。
- euclidean_distance 函数用于计算欧几里得距离。
- knn 函数用于实现 kNN 算法，其中 Counter 用于统计 k 个最近邻样本中各类别标签的数量，most_common(1)[0][0] 返回出现次数最多的标签。

这是一个最基本的KNN算法实现,希望能帮到你

### 回答2：
K近邻算法（K-Nearest Neighbors, KNN）是一种简单直观的机器学习算法，可以用于分类或回归问题。下面是使用Python实现KNN算法，但不使用sklearn库的代码。

import math

# 计算两个数据点的欧式距离
def euclidean_distance(point1, point2):
    distance = 0.0
    for i in range(len(point1)):
        distance += (point1[i] - point2[i]) ** 2
    return math.sqrt(distance)

# KNN算法
def knn(training_data, test_data, k):
    distances = []
    for i in range(len(training_data)):
        distance = euclidean_distance(training_data[i], test_data)
        distances.append((training_data[i], distance))
    distances.sort(key=lambda x: x[1])  # 根据距离排序
    neighbors = []
    for i in range(k):
        neighbors.append(distances[i][0])  # 获取前k个最近邻居
    return neighbors

# 测试数据
training_data = [[1, 2, 'A'], [2, 1, 'A'], [4, 5, 'B'], [6, 9, 'B']]
test_data = [3, 4]
k = 3
neighbors = knn(training_data, test_data, k)
print(neighbors)

以上代码实现了一个简单的KNN算法，包含了欧式距离计算和KNN算法的核心部分。其中，`training_data`是训练数据集，每个样本由特征与标签组成；`test_data`是待分类的测试数据；`k`是最近邻居的个数。代码计算测试数据与训练数据集中每个数据点之间的欧式距离，然后选择距离最近的k个数据点作为最近邻居。最后，将最近邻居返回为结果。

上述代码只是一个简单的实现示例，可以根据具体需求进行修改和优化，例如考虑加权距离、处理不同特征尺度等。

### 回答3：
K近邻算法（K-Nearest Neighbors，KNN）是一种常用的监督学习算法，用于分类和回归任务。在Python中，我们可以手动实现KNN算法，而不依赖于sklearn库。

首先，我们需要导入必要的库：numpy用于数值计算和处理，math用于距离计算。

import numpy as np
import math

接下来，我们定义一个函数来计算两个样本之间的欧氏距离。

def euclidean_distance(point1, point2):
    distance = 0.0
    for i in range(len(point1)):
        distance += pow((point1[i] - point2[i]), 2)
    return math.sqrt(distance)

然后，我们定义一个KNN分类器函数，该函数接受训练集数据和标签、测试数据以及k参数作为输入。

def knn(train_data, train_labels, test_data, k):
    distances = []
    for i in range(len(train_data)):
        distance = euclidean_distance(test_data, train_data[i])
        distances.append((train_data[i], train_labels[i], distance))
    distances.sort(key=lambda x: x[2])  # 根据距离升序排序
    neighbors = distances[:k]  # 取前k个最近的样本
    counts = {}  # 统计样本类别出现的次数
    for neighbor in neighbors:
        label = neighbor[1]
        if label in counts:
            counts[label] += 1
        else:
            counts[label] = 1
    sorted_counts = sorted(counts.items(), key=lambda x: x[1], reverse=True)  # 根据次数降序排序
    return sorted_counts[0][0]  # 返回出现次数最多的类别

最后，我们可以使用一个简单的例子来测试我们实现的KNN算法。

train_data = np.array([[1, 2], [2, 3], [3, 1], [4, 2]])
train_labels = np.array([0, 0, 1, 1])
test_data = np.array([3, 2])
k = 3
predicted_label = knn(train_data, train_labels, test_data, k)
print(predicted_label)

在上述例子中，我们将训练数据集分为两个类别（0和1），并将测试数据进行分类，假设K值为3。程序将输出测试数据的预测类别。

这就是使用Python手动实现KNN算法而不依赖于sklearn库的代码。