KNN算法的简单应用将一维数据集分类——打开就可以跑

KNN算法属于监视类算法，即需要人类自己进行将数据分类，然后根据已知的数据类型来预测未知的数据类型

# 基本数据
x=[0,1,2,3,4,5,6,7,8]    # 样本距离
y=[0,0,0,0,1,1,1,1,1]     # 类别
x0=3.1                 # 根据到各个样本距离来判断类型
# 算出x0到其他所有值的距离，并将0，1表示的类别与之对应
data=[]
for i in range(len(x)):
    dis=(x[i]-x0)**2
    data.append((y[i],dis))        
 # 元组有两个数据并入列表中 ，第一个数据为类型，第二个数据为距离
 #根据第二个值来排序
data_one=sorted(data,  key=lambda x: x[1])  # 按元组第二个数据进行排序
 #只取距离最近的前三个来比较，选最优的类别
k = 5  # 超参数
data_two=data_one[:k]
c={}
for i in data_two:                 # data_two 为列表，该列表包括元组，一个元组里面包含了两个数据
    if i[0] in c.keys():    # i[0] 为元组的第零个元素，即类别
        c[i[0]]=c[i[0]]+1   # c[i[0]]为字典对应的值，即类别出现的频次
    else:
        c[i[0]]=1
 #再根据上一步的结果，再进行排序（不排序则是按出现什么情况，进行将什么情况并入字典中，是无序排列的）
type_max=sorted(c.items(), key=lambda x:x[1])            # #返回列表，里面包含元组
print("如果 0,1,2,3 的类别是 0;\n4，5，6，7，8的类别是 1")
print("则x0的类别是：",type_max[-1][-2])