knn算法实例带数据集

好的，下面是一个简单的KNN算法实例，包括一个数据集。请注意，这个数据集只是一个示例，您可以根据自己的需求修改它。

import math

# 定义KNN算法
def knn(data, query, k, distance_fn, choice_fn):
    """
    data: 训练数据，是一个列表，每个元素都是一个元组，元组的第一个元素是数据点的特征，第二个元素是数据点的标签
    query: 查询数据，是一个元组，元组的第一个元素是查询点的特征
    k: 选择最近邻居的数量
    distance_fn: 距离函数，用于计算数据点之间的距离
    choice_fn: 投票函数，用于选择最终的标签
    """
    # 计算查询点与每个数据点之间的距离
    distances = []
    for index, point in enumerate(data):
        distance = distance_fn(point[0], query)
        distances.append((distance, index))
    
    # 按照距离排序
    distances = sorted(distances)
    
    # 选择最近的k个邻居
    neighbors = distances[:k]
    
    # 对邻居进行投票，选择最终的标签
    labels = [data[i][1] for distance, i in neighbors]
    return choice_fn(labels)

# 定义欧几里得距离函数
def euclidean_distance(point1, point2):
    """
    point1: 特征向量1
    point2: 特征向量2
    """
    distance = 0
    for i in range(len(point1)):
        distance += pow(point1[i] - point2[i], 2)
    return math.sqrt(distance)

# 定义投票函数，选择标签出现最多的那个
def mode(labels):
    """
    labels: 标签列表
    """
    return max(set(labels), key=labels.count)

# 定义一个数据集
data = [
    ([1, 2, 3], 'A'),
    ([4, 5, 6], 'B'),
    ([7, 8, 9], 'C'),
    ([10, 11, 12], 'D')
]

# 测试KNN算法
print(knn(data, [1, 2, 1], 3, euclidean_distance, mode)) # 输出 A

带有数据集的KNN算法实现到这里就结束了，您可以根据自己的需求修改数据集和特征向量的维度。