怎么用python代码实现knn算法

下面是一个简单的示例代码，实现了knn算法：

```python
import numpy as np
from collections import Counter

def knn(train_X, train_y, test_X, k):
   distances = []
   
   # 计算测试样本与训练样本之间的距离
   for i in range(len(train_X)):
       distance = np.sqrt(np.sum(np.square(test_X - train_X[i])))
       distances.append((distance, train_y[i]))
   
   # 按距离从小到大排序
   distances.sort(key=lambda x: x[0])
   
   # 选择距离最近的k个样本
   neighbors = []
   for i in range(k):
       neighbors.append(distances[i][1])
   
   # 根据k个样本的标签进行投票，选择出现次数最多的标签作为预测结果
   counter = Counter(neighbors)
   prediction = counter.most_common(1)[0][0]
   
   return prediction

# 测试数据
train_X = np.array([[1, 1], [1, 2], [2, 2], [3, 3], [4, 4]])
train_y = np.array([0, 0, 1, 1, 1])
test_X = np.array([[2, 3]])

# 使用knn算法进行预测
prediction = knn(train_X, train_y, test_X, 3)
print("预测结果:", prediction)
```

在这个示例中，我们使用numpy库进行数据处理，collections库中的Counter类用于计算标签的出现次数。首先，计算测试样本与训练样本之间的欧式距离，并将距离和对应的标签保存在列表中。然后，根据距离从小到大排序，选择距离最近的k个样本。最后，根据k个样本的标签进行投票，选择出现次数最多的标签作为预测结果。在这个例子中，我们使用一个简单的二维数据集进行测试，预测结果为1。