python代码实现knn优化算法，导入外部给定的数据集，近邻参数为K，K从1取到10，K每取一个值都会进行以下操作，将数据集划分为十份，训练集占九份，测试集占一份，准确率为预测正确的个数除以测试集的长度，然后运行并且输出一个准确率。每完成一次都会从训练集里面选取一份未被选取过的和测试集交换作为新的测试集和训练集，直到训练集都被选取过一次，并且每次都输出一个准确率以及运行一次所需时间。然后将在同一K值下运行十次的所有准确率按顺序记录保存下来，直到K取到10。

我可以回答这个问题。以下是Python代码实现knn优化算法：

import numpy as np
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import KFold
import time

# 导入数据集
data = np.loadtxt('data.csv', delimiter=',')
X = data[:, :-1]
y = data[:, -1]

# 定义K值范围
k_range = range(1, 11)

# 定义KFold
kf = KFold(n_splits=10, shuffle=True)

# 定义结果列表
results = []

# 循环K值
for k in k_range:
    accuracies = []
    start_time = time.time()
    # 循环KFold
    for train_index, test_index in kf.split(X):
        # 划分训练集和测试集
        X_train, X_test = X[train_index], X[test_index]
        y_train, y_test = y[train_index], y[test_index]
        # 训练模型
        knn = KNeighborsClassifier(n_neighbors=k)
        knn.fit(X_train, y_train)
        # 预测并计算准确率
        accuracy = knn.score(X_test, y_test)
        accuracies.append(accuracy)
        # 交换训练集和测试集
        X_train, X_test = X_test, X_train
        y_train, y_test = y_test, y_train
    end_time = time.time()
    # 记录结果
    results.append((k, accuracies, end_time - start_time))

# 输出结果
for k, accuracies, time_taken in results:
    print(f'K={k}:')
    for i, accuracy in enumerate(accuracies):
        print(f'Accuracy {i+1}: {accuracy:.2f}')
    print(f'Time taken: {time_taken:.2f} seconds')

这段代码实现了KNN算法的优化，并且按照要求将数据集划分为十份，每次选取一份作为测试集，剩下的九份作为训练集，计算准确率并记录下来。同时，每次都会从训练集里面选取一份未被选取过的和测试集交换作为新的测试集和训练集，直到训练集都被选取过一次。最后将在同一K值下运行十次的所有准确率按顺序记录保存下来，直到K取到10。