connectivity = kneighbors_graph(data, n_neighbors=7, mode=‘distance‘, metric=‘minkowski‘, p=2, include_self=True)
　　　 　# kneighbors_graph([X,n_neighbors,mode]) 計算X中k個臨近點（列表）對應的權重。
        # metric：字符或者調用，默認值為‘minkowski’
        # n_neighbors：整數，可選（默認值為5）,用kneighbors_graph查找的近鄰數。
        # p：整數，可選（默認值為2）。是sklearn.metrics.pairwise.pairwise_distance裏的閔可夫斯基度量參數，當 p=1時，
 

        # 使用曼哈頓距離。當p=2時，使用的是歐氏距離。對於任意的p，使用閔可夫斯基距離。

1、n_neighbors：整數，可選（默認值為5）,用k_neighbors查找的近鄰數。
2、radius：浮點數，可選（默認值為1.0）
3、algorithm：{‘auto’,’ball_tree’,’kd_tree’,’brute’},可選 算法用來計算臨近的值，‘ball_tree’會用BallTree,’kd_tree’會用KDtree,’brute’會用burte-force來搜尋。
‘auto’會基於fit方法來決定大部分相似情況下合適的算法。
4、NoTe:如果fit用在稀疏（矩陣）的輸入上，那麽將會覆蓋參數的設置，而使用brute force.
5、leaf_size：整數，可選（默認值為30）
6、Leaf size是針對BallTree 和 KDTree的。 它將會影響構建模型和搜尋的速度，以及存儲的樹的內存。可選值將決定該問題的類型。
7、p：整數，可選（默認值為2）。是sklearn.metrics.pairwise.pairwise_distance裏的閔可夫斯基度量參數，當 p=1時，使用曼哈頓距離。當p=2時，使用的是歐氏距離。對於任意的p，使用閔可夫斯基距離。
8、metric：字符或者調用，默認值為‘minkowski’
9、metric用來計算距離。scikit-learn或者scipy.spatial.distance中的任何距離都可以被使用。
如果距離是可選函數，每一對實例都會返回相應的記錄值。（無法計算矩陣間的距離。）
10、metric_params：字典，可選（默認值為1）
關於距離公式中其他的關鍵值討論。
11、n_jobs：int，可選（默認值為1）
表示搜尋近鄰值時並行作業的數量 。如果為-1，那麽並行數量則會被設定為CPU的內核數。
（只針對k_neighbors 和kneighbors_graph方法）

sklearn.neighbors.kneighbors_graph的簡單屬性介紹