（1）收集数据：提供文本文件

将需要识别的数字使用图形处理软件，处理成32像素×32像素的黑白图像，并将图像转换为文本格式。

1）训练数据集trainingDigits：用于训练分类器，其中包含了大约2000个例子，每个例子的内容下图所示，每个数字大约有200个样本；

2）测试数据集testDigits：用于测试分类器的效果，其中中包含了大约900个测试数据。

（2）准备数据：编写函数classify0()，将图像格式转换为分类器使用的list格式。

将图像格式化处理为一个向量：即把一个32×32的二进制图像矩阵转换为1×1024的向量，这样就可以使用分类器来处理数字图像信息了。

此功能是用函数img2vector来实现的：

1）创建1×1024的NumPy数组

2）打开给定的文件，循环读出文件的前32行，并将每行的头32个字符值存储在NumPy数组中，最后返回数组。

（3）分析数据：在Python命令提示符中检查数据，确保它符合要求。

将上述代码输入到kNN.py文件中，在Python命令行中输入下列命令，对img2vector函数进行测试，然后与文本编辑器打开的文件进行比较：

testVector =kNN.img2vector(D://mymodule/testDigits/0_13.txt)

testVector

注：每个人testDigits文件位置不一样，把D://mymodule/testDigits/0_13.txt修改成自己的文件路径

（4）训练算法：对k近邻算法来说，一般此步骤可以省略。

（5）测试算法：编写函数使用提供的部分数据集作为测试样本（已经完成分类的数据），如果预测分类与实际类别不同，则标记为一个错误。

将第（2）步处理好的数据输入到分类器，检测分类器的执行效果。

此处，用函数handwritingClassTest()来完成测试分类器，将其写kNN.py文件中。

（6） 使用算法：

在Python命令提示符中输入kNN.handwritingClassTest()，测试该函数的输出结果。

注：此过程会比较长，请耐心等待。

（7）判断结果

k-近邻算法识别手写数字数据集，错误率为1.0571%。改变变量k的值、修改函数handwriting-ClassTest随机选取训练样本、改变训练样本的数目，都会对k-近邻算法的错误率产生影响 。

依赖于机器速度，加载数据集可能需要花费很长时间

符合标准的路径格式：（1）双引号+双斜杠 （2）单引号+反斜杠

#trainingFileList = listdir(E:\\python_example\\exp1\\digits\\trainingDigits\\)或者 trainingFileList = listdir(E:/python_example/exp1/digits/trainingDigits)

如果在spyder中修改后，在anaconda prompt中，一定要先“ctrl+Z”，然后重新import kNN才起作用。