用Python来实现K近邻分类算法（KNN）已经是一个老生常谈的问题，网上也已经有诸多资料，不过这里我还是决定记录一下自己的学习心得。

　　1、配置numpy库

　　2、准备训练样本

　　这里简单的构造四个点并配以对应标签作为KNN的训练样本：

　　这里有一个小细节，就是通过array（）函数老构造并初始化numpy的矩阵对象时，要保证只有一个参数，因此在代码中需要将参数用中括号括起来，像下面这种调用方式是不合法的：

　　3、创建分类函数

　　K近邻算法在分类时一般是根据欧氏距离进行分类的，因此需要将输入的数据与训练数据在各个维度上相减再平方求和，再开方，如下：

　　这里tile（）函数是numpy的矩阵扩展函数，比如说这个例子中训练样本有四个二维坐标点，对于输入样本（一个二维坐标点），需要将其先扩展为一个4行1列的矩阵，然后在进行矩阵减法，在平法求和，再开平方算距离。计算完距离之后，调用矩阵对象的排序成员函数argsort（）对距离进行升序排序。在这里介绍一个Pycharm查看源码生命的小技巧：加入在编写这段程序的时候我们并不确定argsort（）是否为array对象的成员函数，我们选中这个函数然后 右键 -> Go to -> Declaration，这样就会跳转到argsort（）函数的声明代码片中，通过查看代码的从属关系能够确认array类中确实包含这个成员函数，调用没有问题：

　　对距离排序之后，接下来就根据前K个最小距离值所对应的标签来判断当前样本属于哪一类：

　　这里有一个小问题就是在Python2中获取字典元素使用的是dict.iteritems（）成员函数，而在Python3中改为dict.items（）函数。“key = operator.itemgetter(1)”的意思是指定函数针对字典中第二维元素进行排序，注意这里需要在之前导入符号库operator。这里是通过记录前K个距离最下值中每类标签出现的次数来判决测试样本的归属。

　　4、测试

　　这里给出完整的KNN测试代码：

　　运行代码，程序答应结果“C”。这里需要提一点的就是对于单训练样本（每类只有一个训练样本）的分类问题，KNN的K值应该设定为1。

下面关于Python的文章您也可能喜欢，不妨看看：