问题遇到的现象和发生背景
用代码块功能插入代码，请勿粘贴截图
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
np.random.seed(20)
def predict(x_test, x_train, y_train, k = 3):
"""
:param x_test: 测试集特征值
:param x_train: 训练集特征值
:param y_train: 训练集目标值
:param k: k邻居数，请根据具体情况调节k值的大小
:return: 返回预测结果，类型为numpy数组
"""
# 请根据注释在下面补充你的代码实现knn算法的过程
# ********** Begin ********** #
result = np.array(np.zeros(x_train.shape[0]).astype('int64'))
# 对ndarray数组进行遍历，每次取数组中的一行。
for rowData in x_train:
# 对于测试集中的每一个样本，依次与训练集中的所有样本求欧几里得距离。
dis = np.sqrt(np.sum((x_test - rowData)**2,axis=1))
# 返回数组排序后，每个元素在原数组（排序之前的数组）中的索引。并进行截断，只取前k个元素。【取距离最近的k个元素的索引】
index = dis.argsort()[:k]
# 返回数组中每个元素出现的次数。元素必须是非负的整数。【使用weights考虑权重，权重为距离的倒数。】
count = np.bincount(y_train[index],weights=1/dis[index])
# 返回ndarray数组中，值最大的元素对应的索引。该索引就是我们判定的类别。
# 最大元素索引，就是出现次数最多的元素。
result = count.argmax()
# ********** End ********** #
return result
if __name__ == '__main__':
iris = load_iris()
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)
result = predict(x_test, x_train, y_train)
score = (np.sum(result == y_test) / len(result))
if score >= 0.9:
print("测试通过")
else:
print("测试失败")
运行结果及报错内容
score = (np.sum(result == y_test) / len(result))
^^^^^^^^^^^
TypeError: object of type 'numpy.int64' has no len()
