1、首先需要一些训练样本集，例如一道问题（数据）及答案（标签），可以看做一条样本，那么多条，就是样本集
当然这里应该是一条数据及该数据所属的分类，该类别称为标签
2、现在我们已经知道数据与所属类别的对应关系
3、那么当我们想要输入一条数据时，就可以通过KNN算法，根据已知的对应关系，判断该数据的类别。
具体步骤如下：
1、收集训练样本集（数据<->类别）
2、输入所要判断的数据
3、计算该数据与训练样本的距离
4、将这些距离升序排列，取前K条训练样本，这就是kNN，k的出处
5、统计这k条训练样本数据所属类别及其对应的个数，然后降序排列
6、第一个类别便是输入数据的计算结果
python3例子如下：
from numpy import *
import operator def createDataSet():
group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels = ['A','A','B','B']
return group,labels def classify0(inX, dataSet, labels,k):
# 欧式距离计算
dataSetSize = dataSet.shape[0]
diffMat = tile(inX, (dataSetSize,1)) - dataSet
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1)
distances = sqDistances**0.5
sortedDisIndicies = distances.argsort()
# 选择距离最小的k个点
classCount={}
for i in range(k):
voteIlabel = labels[sortedDisIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
# 排序
sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
return sortedClassCount[0][0] group, labels = createDataSet()
print(classify0([0,0],group,labels,3))