使用python写一个KNN算法

好的，下面是一个简单的 Python 代码实现 KNN 算法：

import numpy as np

class KNN:
    def __init__(self, k):
        self.k = k

    def fit(self, X, y):
        self.X_train = X
        self.y_train = y

    def predict(self, X):
        y_pred = []

        for i in range(len(X)):
            distances = np.sqrt(np.sum(np.square(self.X_train - X[i]), axis=1))
            indexes = np.argsort(distances)[:self.k]
            k_nearest_labels = [self.y_train[j] for j in indexes]
            label = max(set(k_nearest_labels), key=k_nearest_labels.count)
            y_pred.append(label)

        return y_pred

其中，`KNN` 类有三个方法：

- `__init__(self, k)`：初始化方法，参数 `k` 表示 KNN 算法中的 K 值，即选择最近的 K 个邻居。
- `fit(self, X, y)`：训练方法，输入训练数据 `X` 和标签 `y`。
- `predict(self, X)`：预测方法，输入测试数据 `X`，输出预测结果。

以上代码实现了 KNN 算法的基本流程：

1. 计算测试数据与训练数据之间的距离。
2. 选择最近的 K 个邻居。
3. 统计邻居中出现次数最多的标签作为预测结果。

如果需要使用该类进行预测，可以按照以下步骤进行：

# 加载数据
from sklearn.datasets import load_iris
iris = load_iris()
X, y = iris.data, iris.target

# 划分数据集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
knn = KNN(k=5)
knn.fit(X_train, y_train)

# 预测结果
y_pred = knn.predict(X_test)

# 计算准确率
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

以上代码中，首先加载了鸢尾花数据集，然后划分数据集为训练集和测试集，接着使用 `KNN` 类进行训练和预测，并计算准确率。