k-近邻算法的一般流程：

1，收集数据：可以使用爬虫进进行数据的收集，也可以使用第三方提供的免费或收费的数据。一般
来讲，数据放在txt文本文件中，按照一定的格式进行行存储，便便于解析及处理理。
2，准备数据：使用Python解析、预处理理数据。
3，分析数据：可以使,用很多方法对数据进行行分析，例例如使用Matplotlib将数据可视化。
4，测试算法：计算错误率。
5，使用算法：错误率在可接受范围内，就可以运行行k-近邻算法进行行分类

代码：

def classify0(inX, dataSet, labels, k):
#numpy函数shape[0]返回dataSet的行数
dataSetSize = dataSet.shape[0]
#在列列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)
diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
#二维特征相减后平⽅方
sqDiffMat = diffMat**2
#sum()所有元素相加，sum(0)列列相加，sum(1)行相加
sqDistances = sqDiffMat.sum(axis=1)
#开⽅方，计算出距离
distances = sqDistances**0.5
#返回distances中元素从小到大排序后的索引值
sortedDistIndices = distances.argsort()
#定一个记录类别次数的字典
classCount = {}
for i in range(k):
#取出前k个元素的类别
voteIlabel = labels[sortedDistIndices[i]]
#dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不不在字典中返
回默认值。
#计算类别次数
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#python3中用items()替换python2中的iteritems()
#key=operator.itemgetter(1)根据字典的值进行排序
#key=operator.itemgetter(0)根据字典的键进行排序
#reverse降序排序字典
sortedClassCount =
sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
#返回次数最多的类别,即所要分类的类别
return sortedClassCount[0][0]

预测红色圆点标记的电影(101，20)的类别，K-NN的k值为3

#创建数据集
group, labels = createDataSet()
#测试集
test = [101,20]
#kNN分类
test_class = classify0(test, group, labels, 3)
#打印分类结果
print(test_class)