connectivity = kneighbors_graph(data, n_neighbors=7, mode='distance', metric='minkowski', p=2, include_self=True)
　　　 　# kneighbors_graph([X,n_neighbors,mode]) 计算X中k个临近点（列表）对应的权重。

        # metric：字符或者调用，默认值为‘minkowski’

        # n_neighbors：整数，可选（默认值为5）,用kneighbors_graph查找的近邻数。

        # p：整数，可选（默认值为2）。是sklearn.metrics.pairwise.pairwise_distance里的闵可夫斯基度量参数，当 p=1时，

        # 使用曼哈顿距离。当p=2时，使用的是欧氏距离。对于任意的p，使用闵可夫斯基距离。

1、n_neighbors：整数，可选（默认值为5）,用k_neighbors查找的近邻数。
2、radius：浮点数，可选（默认值为1.0）
3、algorithm：{‘auto’,’ball_tree’,’kd_tree’,’brute’},可选 算法用来计算临近的值，‘ball_tree’会用BallTree,’kd_tree’会用KDtree,’brute’会用burte-force来搜寻。
‘auto’会基于fit方法来决定大部分相似情况下合适的算法。
4、NoTe:如果fit用在稀疏（矩阵）的输入上，那么将会覆盖参数的设置，而使用brute force.
5、leaf_size：整数，可选（默认值为30）
6、Leaf size是针对BallTree 和 KDTree的。 它将会影响构建模型和搜寻的速度，以及存储的树的内存。可选值将决定该问题的类型。
7、p：整数，可选（默认值为2）。是sklearn.metrics.pairwise.pairwise_distance里的闵可夫斯基度量参数，当 p=1时，使用曼哈顿距离。当p=2时，使用的是欧氏距离。对于任意的p，使用闵可夫斯基距离。
8、metric：字符或者调用，默认值为‘minkowski’
9、metric用来计算距离。scikit-learn或者scipy.spatial.distance中的任何距离都可以被使用。
如果距离是可选函数，每一对实例都会返回相应的记录值。（无法计算矩阵间的距离。）
10、metric_params：字典，可选（默认值为1）
关于距离公式中其他的关键值讨论。
11、n_jobs：int，可选（默认值为1）
表示搜寻近邻值时并行作业的数量 。如果为-1，那么并行数量则会被设定为CPU的内核数。
（只针对k_neighbors 和kneighbors_graph方法）