为了简化理解，需要识别的数字已经使用图形处理软件，处理成具有相同的色彩和大小32*32的黑白图像，并转换成文本格式

准备数据：将图像转换为测试向量

实际图像存储在trainingDigits的2000个例子和testDigits中的900个测试数据

我们使用trainingDigits目录中的数据训练分类器，使用testDigits目录中的数据测试分类器的效果。

为了使用分类器，我们必须将图像格式化处理为一个向量。我们将32*32的二进制图像矩阵转换为1*1024的向量。首先，要创建一个函数，将图像转换为向量：该函数创建一个1*1024的NumPy数组，然后打开给定的文件，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：

def img2vector(filename):     returnVect=zeros((1,1024))     fr=open(filename)     for i in range(32):         lineStr=fr.readlines()         for j in range(32):             returnVect[0,32*i+j]=int(lineStr[j])     return returnVect

测试算法：使用k-近邻算法识别手写数字

将数据输入到分类器，检测分类器的执行效果：

def handwritingClassTest():     hwLabels=[]     trainingFileList=listdir('trainingDigits')     m=len(trainingFileList)     trainingMat=zeros((m,1024))     for i in range(m):         fileNameStr=trainingFileList[i]         fileStr=fileNameStr.split('.')[0]         classNumStr=int(fileStr.split('_')[0])         hwLabels.append(classNumStr)         trainingMat[i,:]=img2vector('trainingDigits/%s'%fileNameStr)     testFileList=listdir('testDigits')     errorCount=0.0     mTest=len(testFileList)     for i in range(mTest):         fileNameStr=testFileList[i]         fileStr=fileNameStr.split('.')[0]         classNumStr=int(fileStr.split('_')[0])         vectorUnderTest=img2vector('testDigits/%s'%fileNameStr)         classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)         print('识别为：%d,实际为：%d'%(classifierResult,classNumStr))         if(classifierResult!=classNumStr):errorCount=errorCount+1     print('错误数：',errorCount)     print('错误率：',errorCount/float(mTest))

在上述代码中，将trainingDigits目录中的文件存储在列表中，然后可以得到目录中有多少文件，并将其存储在变量m中。接着，代码创建一个m行1024列的训练矩阵，该矩阵的每行数据存储一个图像。

我们可以从文件名中解析出分类数字。该目录下的文件按照规则命名，然后我们可以将类代码存储在hwLabels向量中，使用前面的img2vector函数载入图像。

下一步中，我们对testDigits目录中的文件执行类似的操作，使用classify0()函数测试目录下的每个文件。

可以看到，错误率只有1%左右。通过改变变量k的值，修改函数的训练、测试样本的数目，都会对错误率产生影响。

实际使用这个算法时，算法的执行效率并不高，因为算法需要为每个测试向量做2000次距离计算，每个距离计算包括了1024个维度浮点运算，总共要执行900次。