Python语言不用考虑内存分配问题，在函数中传递的是列表的引用，在函数内部对列表对象的修改。将会影响该列表对象的整个生存周期
K—近邻算法（KNN）采用测量不同特征值之间的距离方法进行分类
优点：精度高，对异常值不敏感，无数据输入的假定
缺点：计算复杂度高，空间复杂度高
适用数据范围：数值型和标称型
工作原理：存在一个样本数据集，也称作训练样本集，并且样本集中每个数据都存在标签，即使我们知道样本集中每一数据与所属的分类的对应关系。输入没有标签的新数据后，将新数据的每一个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据的分类标签。
一般流程：（1）收集数据：可以使用任何方法
（2）准备数据：距离计算所需要的数值，最好是结构化的数据格式
（3）分析数据：可以使用任何方法
（4）训练算法：此步骤不适用于K—近邻算法
（5）测试数据：计算错误率
（6）使用算法：首先需要输入样本数据和结构化的输出结构，然后运行K-近邻算法判定输入数据分别属于哪一类，最后应用对计算出的分类执行后续的处理。
伪代码：
对未知类别属性的数据集中的每个点依次执行以下操作：
（1）计算已知类别数据集中的点与当前点之间的距离；
（2）按照距离递增次序排序
（3）选取与当前点距离最小的K个点
（4）确定前K个点所在类别的出现频率
（5）返回前K个点出现频率最高的类别作为当前点的预测分类
如果大家想要实战，可以参考《机器学习实战》。