导入需要用到的包

import random import csv # csv包可以读写csv文件

定义K值

K = 5

数据读取

with open('iris.csv', 'r') as file: # 打开iris.csv文件 reader = csv.DictReader(file) # 使用csv包的DictReader()方法读取文件内容，将csv文件转换为字典形式，每一行数据都是一个字典 datas = [row for row in reader] # 将每一行数据的字典存储到一个列表中

分组

random.shuffle(datas) # 将数据集打乱顺序，相当于洗牌 n = len(datas) // 3 # 整除，避免小数的出现

2/3是训练集 1/3是测试集

test_set = datas[0:n] # 取列表中的前n个作为测试集 train_set = datas[n:] # 取列表中的第n个及以后的数据作为训练集

定义一个函数，用于计算两个数据点之间的距离

def distance(d1, d2): res = 0 # 定义距离初始值为0 for key in ('sepal_length', 'sepal_width', 'petal_length', 'petal_width'): # 循环遍历每一个要计算距离的属性 res += (float(d1[key]) - float(d2[key])) ** 2 # 将每个属性的差值平方后累加，得到两个数据点之间的总距离 return res ** 0.5 # 返回两个数据点之间的欧氏距离

定义一个函数，用于预测测试集中每一个数据点对应的分类结果

def knn(data): # KNN算法过程 # 1.求距离 # 2.排序——升序 # 3.取前K个 # 4.加权平均

# 1.求距离
res = [
    {"result": train['species'], "distance": distance(data, train)}  # 计算测试集中每一个数据点与训练集中每一个数据点之间的距离，将结果存储为字典
    for train in train_set
]
# 排序-升序
res = sorted(res, key=lambda item: item['distance'])  # 将结果列表按照距离从小到大进行排序，使用lambda表达式指定按照字典中的distance键值进行排序
# 取前K个
resK = res[0:K]  # 取排序后的结果列表中前K个，即距离最近的K个数据点
# 4.加权平均(离的近的权重高，离得远的权重低)
result = {'setosa': 0, 'versicolor': 0, 'virginica': 0}  # 定义一个字典，用于存储每个分类的权重
# 算前K个的总距离
sum_distance = 0  # 定义前K个数据点中的总距离
for r in resK:  # 循环遍历前K个数据点
    sum_distance += r['distance']  # 将每个数据点的距离累加
for r in resK:  # 循环遍历前K个数据点
    result[r['result']] += 1 - r['distance'] / sum_distance  # 计算每个分类的权重，离得近的数据点权重高，离得远的数据点权重低
return (sorted(result, key=lambda x: result[x])[-1])  # 返回字典中最大value对应的key，即预测的分类结果

对测试集中的每一个数据点进行分类预测，并计算准确率

correct = 0 # 定义初始正确分类的数据点数为0 for test in test_set: # 循环遍历测试集中的每一个数据点 result = test['species'] # 获取该数据点的真实分类结果 result_predict = knn(test) # 对该数据点进行分类预测 if result == result_predict: # 如果预测分类结果与真实分类结果一致，则正确分类的数据点数加1 correct += 1

score = correct / len(test_set) # 计算准确率 print("test Accuracy:{:.2f}".format(score)) # 输出准确率，保留两位小数