怎么实现一个KNN算法

# 导入sklearn自带的数据集from sklearn import datasets# 导入计数器，用于统计标签出现的次数from collections import Counter# 用于分割数据集from sklearn.model_selection import train_test_split# 用于计算欧式距离import numpy as np

data = datasets.load_iris()# 将样本特征存储到XX = data['data']# 将样本标签存储到YY = data['target']

X_train,X_test,Y_train,Y_test = train_test_split(X,Y,random_state=2000)

def eus_dis(instance1, instance2):    '''计算两个样本之间的距离      instance1:array型      instance2:array型    '''    distance = np.sqrt(sum((instance1-instance2)**2))    return distance

def KnnClassify(X,Y,test,k):    '''实现KNN算法        X：特征训练集-->array型        Y：标签训练集-->array型        test：特征测试集-->array型        k：邻近值-->int    '''    # 计算样本之间的距离    distances = [eus_dis(x, test) for x in X]    # 按照从小到大排序,并取前K个值，返回下标    kneighbors = np.argsort(distances)[:k]    # 统计每个标签出现的次数    count = Counter(Y[kneighbors])    # 返回出现次数最多的标签    return count.most_common()[0][0]

# 存储模型对特征测试集的预测结果predirect = [KnnClassify(X_train,Y_train,test,5) for test in X_test]# 计算预测结果与实际结果相等的个数count = np.count_nonzero((predirect==Y_test)==True)print("该模型的预测准确率为：%.3f" % (count/len(X_test)))