KNN的工作原理：給定一個已知標籤類別的訓練資料集，輸入沒有標籤的新資料後，在訓練資料集中找到與新資料最鄰
近的k個例項，如果這k個例項的多數屬於某個類別，那麼新資料就屬於這個類別。可以簡單理解為：由那些離X最
近的k個點來投票決定X歸為哪一類。

在二維平面下：            計算新資料與附件k（K近鄰）個訓練資料集的距離。在二維條件下，可理解為只有兩個特徵值來決定其分類。

在N維空間下，也就是N個特徵值來決定新輸入資料的分類：

其演算法步驟如下：

(1) 計算已知類別資料集中的點與當前點之間的距離；
(2) 按照距離遞增次序排序；
(3) 選取與當前點距離最小的k個點；
(4) 確定前k個點所在類別的出現頻率；
(5) 返回前k個點出現頻率最高的類別作為當前點的預測類別。
 

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pa
rowdata={'電影名稱':['無問西東','後來的我們','前任3','紅海行動','唐人街探案','戰狼2'],
          '打鬥鏡頭':[1,5,12,108,112,115],
          '接吻鏡頭':[101,89,97,5,9,8],
          '電影型別':['愛情片','愛情片','愛情片','動作片','動作片','動作片']}
movie_data=pa.DataFrame(rowdata)
def movie_classify(judge_data,movie_data,k):
    result=[]
    dist = list((((movie_data.iloc[:6, 1:3] - new_data) ** 2).sum(1)) ** 0.5)
    dist_l = pa.DataFrame({'dist': dist, 'labels': (movie_data.iloc[:6, 3])})
    dr = dist_l.sort_values(by='dist')[:k]
    re = dr.loc[:, 'labels'].value_counts()
    result.append(re.index[0])
    return result
str1=input('請輸入該部電影中的打鬥鏡頭次數：')
str2=input('請輸入該部電影中的接吻鏡頭次數：')
new_data=[int(str1),int(str2)]
predicetion=movie_classify(new_data,movie_data,4)
print('這是一部：',predicetion)