KNN算法是比较简单的基于欧氏距离的有监督分类算法；
大致思路：
对于多维多特征数据，数据的分布呈现一定的规律，所以通过计算待分类样本距离数据集的各个欧氏距离，距离最短的数据中点的类别，就有可能是该待分类样本的类别。
类似于聚类，其中K邻近中K的含义为欧氏距离最小的k个样本，通过统计k中哪个类别个数最多，则说明该类别最有可能是待分类样本的类别；
样例参考代码：
def classify(inx,dataset,labels,k):
#输入：inx为预测样本的特征向量/dataset训练集/labels训练集标签/k最小的个数
datasetsize=dataset.shape[0]
#获得训练集的个数，也就是计算的个数
diffmat=tile(inx,(datasetsize,1))-dataset
#title为平铺函数，旨在对inx进行扩充，由（1，n）变为（m,n）直接进行欧式计算
sqdiffmat=diffmat**2
#注意**2是针对于矩阵内的单个元素，而不是矩阵乘积
sqdistances=sqdiffmat.sum(axis=1)
#对每一行的各列求和，压缩矩阵为一个列向量
distances=sqdistances**0.5
#列向量整体开方，仍然是欧氏距离计算范畴
sorteddistindicies=distances.argsort()
#argsort返回排序后的索引，而非数值
classcount={}
for i in range(k):
voteilabel=labels[sorteddistindicies[i]]
classcount[voteilabel]=classcount.get(voteilabel,0)+1
#利用字典进行值得统计；
#get函数旨在当字典中不含有该索引的时候，添加，并且赋值default，这里default=1
sortedclasscount=sorted(classcount.items(),key=lambda d:d[1],reverse=True)
#针对字典进行排序，返回一个二维数组而非dict；
return sortedclasscount[0][0]
【补充说明】：
sorted函数：https://www.runoob.com/python/python-func-sorted.html
dict以及dict排序、迭代器问题：https://www.runoob.com/python/att-dictionary-get.html https://blog.csdn.net/qq_32126633/article/details/78359767
numpy中sum得问题：https://blog.csdn.net/leekingsen/article/details/76242244
numpy中argsort得问题：https://blog.csdn.net/maoersong/article/details/21875705