算法思想：给定一个带标检的训练数据集（就是带分类结果的样本），对于一个新的输入实例，我们在训练数据集中以某种距离度量方式找出与该输入实例距离最近邻的k个实例。
找出这k个实例（这也是knn中k的含义）中类别出现最多的那个类别，最后我们就将该新的输入实例划分为此类别

import numpy as np

# bmp 图片后缀

import matplotlib.pyplot as plt

from sklearn.neighbors import KNeighborsClassifier

img_path = './data/3/3_100.bmp'

arr_img = plt.imread(img_path)

arr_img.shape  #维度

#特征必须是二维

feature = [] #特征

target = [] #目标数据

for i in range(10):

    for j in range(1,501):

        #img_path = './data/'+str(i)+'/'+str(i)+'_'+str(j)+'.bmp'

        #将图片数据读取到了numpy

        img_arr = plt.imread('./data/%d/%d_%d.bmp'%(i,i,j))  #格式化替换

        feature.append(img_arr)

        target.append(i)

#将列表转numpy

feature = np.array(feature)

feature.shape  #发现feature是三维，必须变形成二维的才可以作为特征数据

#获取了符合要求的特征数据（二维）

feature = feature.reshape((5000,784))

target = target

#将样本集拆分成训练数据和测试数据

np.random.seed(6)

np.random.shuffle(feature)

np.random.seed(6)

np.random.shuffle(target)

#训练数据

x_train = feature[0:4950]

y_train = target[0:4950]

#测试数据

x_test = feature[4950:]

y_test = target[4950:]

x_train.shape  #训练形状

knn = KNeighborsClassifier(n_neighbors=15)

knn.fit(x_train,y_train)  #试数据

knn.score(x_test,y_test)  #评分

print('模型分类结果:',knn.predict(x_test))

print('真实分类:',y_test)

#获取外部的一张数字图片，让模型进行分类

digist_img_arr = plt.imread('./数字.jpg')

digist_img_arr.shape

plt.imshow(digist_img_arr)

five_img_arr = digist_img_arr[95:150,90:125]  #图片切割   行/列

plt.imshow(five_img_arr)

#检查切分出图片（即将被模型进行分类的图片）的形状

five_img_arr.shape   #(55, 35, 3)

#将图片的第三个维度删除（降维）

five_img_arr = five_img_arr.mean(axis=2) #任意的聚合方法都能降维  0-x 1-y 2-z

five_img_arr.shape

#对不满足像素要求的图片进行等比例压缩

import scipy.ndimage as ndimage

five_img_arr = ndimage.zoom(five_img_arr,zoom=(28/55,28/35))  #图片压缩

five_img_arr.shape #(28, 28)

five_img_arr = five_img_arr.reshape((1,784))  #1行784列

five_img_arr.shape  #(1,784)

knn.predict(five_img_arr)[0]  #X  未知分类的数据

#保存模型

from sklearn.externals import joblib

joblib.dump(knn,'./knn.m')  #写入模型 value, filename, compress=0, protocol=None, cache_size=None

kknn = joblib.load('./knn.m')  #读取模型   kknn对象

print(kknn)

#KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',

           #metric_params=None, n_jobs=1, n_neighbors=15, p=2,

           #weights='uniform')

kknn.predict(five_img_arr)[0] #测试模型 结果5