k近鄰演算法思想很簡單，一個類的資料之間距離較近，單純比較距離就好，下面註釋比較清楚，常犯的錯誤也已經標記出來了
import numpy as np
import operator
from matplotlib import pyplot as plt
def classify0(inX,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]
    diffMat=np.tile(inX,(dataSetSize,1))-dataSet               #計算輸入資料點與訓練集資料點的差值
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1)                          #計算與各個訓練集資料點的距離
    distance=sqDistances**0.5
    sortedDistIndicies=np.argsort(distance)                    #返回distance按照從小到大排序的序列的索引
    classCount={}                                              #建立一個空的字典
    for i in range(k):
        voteIlabel=labels[sortedDistIndicies[0]]
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1   #classCount字典儲存每個標籤的數量，Get函式（key,default）若key不存在則以default為預設值建立該key
    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]
# DBset=np.matrix([[1,1]
#                  [1,1.1]
#                  [2,2]
#                  [2,2.1]])
DBset=np.array([[1,1],[1,1.1],[2,2],[2,2.1]])
LB=('甲','甲','乙','乙')                                         #訓練集的Rt(標記)，注意數量要和訓練集大小一致
x=(1.8,2.3)          #元組型別
kp=1
mp=classify0(x,DBset,LB,kp)
print(mp)
###############################繪圖################################
plt.figure(1)
plt.xlabel('x')            #設定x軸標籤
plt.ylabel('y')
plt.xlim([0,5])         #設定x軸顯示範圍
plt.ylim([0,5])
ax=plt.subplot('111')
ax.set_title('KNN')
plt.scatter(DBset[:2,0],DBset[:2,1],c='g')             #'甲'類    DBset[:3,0]需要說一下啊 (:]左開右閉（劃重點）
plt.scatter(DBset[2:,0],DBset[2:,1],c='r')
plt.scatter(x[0],x[1],c='r')                           #這裡不能用[:,1]這種形式，因為是一維的，沒有切片的概念
plt.show()

輸出結果：

乙