简单说明
这个算法主要工作是测量不同特征值之间的距离，有个这个距离，就可以进行分类了。
简称kNN。
已知：训练集，以及每个训练集的标签。
接下来：和训练集中的数据对比，计算最相似的k个距离。选择相似数据中最多的那个分类。作为新数据的分类。
python实例
# -*- coding: cp936 -*-#win系统中应用cp936编码，linux中最好还是utf-8比较好。
from numpy import *#引入科学计算包
import operator #经典python函数库。运算符模块。#创建数据集
def createDataSet():
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels=['A','A','B','B']
return group,labels#算法核心
#inX：用于分类的输入向量。即将对其进行分类。
#dataSet：训练样本集
#labels:标签向量
def classfy0(inX,dataSet,labels,k):
#距离计算
dataSetSize =dataSet.shape[0]#得到数组的行数。即知道有几个训练数据
diffMat =tile(inX,(dataSetSize,1))-dataSet#tile:numpy中的函数。tile将原来的一个数组，扩充成了4个一样的数组。diffMat得到了目标与训练数值之间的差值。
sqDiffMat =diffMat**2#各个元素分别平方
sqDistances =sqDiffMat.sum(axis=1)#对应列相乘，即得到了每一个距离的平方
distances =sqDistances**0.5#开方，得到距离。
sortedDistIndicies=distances.argsort()#升序排列
#选择距离最小的k个点。
classCount={}
for i in range(k):
voteIlabel=labels[sortedDistIndicies[i]]
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1
#排序
sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0]
意外收获
把自己写的模块加入到python默认就有的搜索路径：在python/lib/-packages目录下建立一个 xxx.pth的文件，写入自己写的模块所在的路径即可
本文python k-近邻算法实例分享到此结束。以往拥有的，不要忘记；已经得到的，更要珍惜；属于自我的，不要放下；已经失去的，留着回忆；想要得到的，必须努力；但最重要的，是好好爱惜自我。小编再次感谢大家对我们的支持！
