K-邻近分类方法通过计算待分类目标和训练样例之间的距离，选取与待分类目标距离最近的K个训练样例，根据K个选取样例中占多数的类别来确定待分类样例。距离类型有很多，大致有欧式距离，曼哈顿距离，切比雪夫距离，闽科夫斯基距离，标准化欧式距离，马氏距离，夹角余弦，汉明距离，相关系数，信息熵等。

KNN算法的具体步骤：

1、计算待分类目标与每个训练样例之间的距离dist；

2、对dist进行排序，选择前K个训练样例作为K-最邻近样例；

3、统计K个训练样例中每个类别出现的频次；

4、选择出现频次最大的类别作为待分类目标的类别。

依据上述流程，给出实现代码：

fromnumpyimport*importoperatordefknn(x,transet,labels,k,type=0):'''k-近邻算法:paramx:待分类特征:paramtranset:已知特征:paramlabels:特征标签:paramk::paramtype:距离类型：0：欧式，1：曼哈顿，2：切比雪夫，3：闽科夫斯基，4：标准化欧式，5：马氏，6：夹角余弦7：汉明距离，8：杰卡德，9：相关系数，11:信息熵:return:'''distances=zeros_like(labels)iftype==0:tranSize=shape(transet)diffMat=tile(x,(tranSize[0],1))-transetdistances=((diffMat**2).sum(axis=1))**0.5#TODO：根据不同的类型计算距离sortedIndex=distances.argsort()classCount={}foriinlabels[sortedIndex[:k]]:classCount[i]=classCount.get(i,0)+1sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)returnsortedClassCount;

KNN算法的优点：理论简单，实现简单。

KNN算法的缺点：1）对K值的选取依赖大，不同的K值选取可能产生不同的结果。可以通过实验选取分类误差最小的K值。2）由于需要计算特征的距离，所以需要特征进行量化和标准化。