1.Python的語言環境和參考的書籍
下面給出的程式碼是基於Python2.7.9編寫的（編譯器推薦使用pycharm），Python到了3.0以後的版本語言有所改變，但是大體上沒有太大的變化。我所給出的程式碼是引用《機器學習實戰》中的程式碼，帶對於一些書中程式碼沒有標註的地方進行詳細的標註。
2.使用Python實現演算法
開啟Python編譯器 ，建立KNN.py檔案。在檔案的開頭寫入#coding= utf-8 -2- （Python不支援中文釋義，加入這個可以解決這個問題）。
2.1使用Python匯入資料

#coding= utf-8 -2-
from
 
 numpy import *  #numpy是科學計算包
import operator   #運算子模組
def createDataSet():
    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
    labels = ['A','A','B','B']
    return group , labels

建立一個Python測試檔案knn1.py，將該檔案放入和KNN.py相同的目錄中，寫入如下程式碼

#coding= utf-8 -2-
import KNN   #呼叫KNN模組
group , labels = KNN.createDataSet()
print group
 
 ,labels

輸出結果：
[[ 1. 1.1]
[ 1. 1. ]
[ 0. 0. ]
[ 0. 0.1]] [‘A’, ‘A’, ‘B’, ‘B’]
這裡的group只是簡單的建立了4個數據，每行為不同的資料組，每個陣列可以看做座標軸上的x，y的值。labels為每組資料代表的類，即如【1.0 , 1.1】為A類。
2.2編寫k近鄰演算法
k近鄰演算法的實現思想為1.計算測試資料和已知型別的資料集中的資料的距離（這裡可以看出k近鄰在測試大量資料時計算量是很大的）；2.按照計算得到的每個已知資料和測試資料的距離從小到大排序；3.按照排序選取距離最小的k的資料，並計算這k個數據中每個型別出現的頻率；4.頻率最大的型別即為測試資料的型別。用歐式距離公式計算距離，在前面建立好的KNN.py中寫入程式碼：

'''定義的k—近鄰演算法程式碼，使用歐式距離公式計算樣本點之間的距離'''
def classify0(inX,dataSet,labels,k):  # inx為需要測試的資料，dataset為訓練樣本集，labels為標籤，k為最近鄰的數目
    dataSetSize = dataSet.shape[0]  #讀取矩陣dataSet一維長度
    diffMat = tile(inX,(dataSetSize,1)) - dataSet #此處及以下為計算樣本之間的距離
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount = {}
    for i in range(k):     #此處及以下為選取樣本間距離最小的k個點
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    sortedClassCount = sorted(classCount.iteritems(),
                              key=operator.itemgetter(1),reverse=True)  #對k個點進行逆排序，返回頻率最高的點
    return sortedClassCount[0][0]

2.3使用K近鄰演算法
在上面knn1.py中寫入程式碼並執行：

print KNN.classify0([0,0],group,labels,3)