尝试自己将KNN算法原理总结出来。

甚至你也可以尝试自己将KNN算法用Python实现出来。

尝试在代码框中执行以下内容：
第一步： 构建数据集，提取出特征和标签
1、导入我们需要使用的库，x特征矩阵，y是标签。
2、定义一个要预测的新样本，变量名为new_data

import numpy as np
import pandas as pd

# 训练数据
rowdata = {'酒精浓度':[14.23,13.2,13.16,14.37,13.24,12.07,12.43,11.79,12.37,12.04],
          '颜色深度':[5.64,4.38,5.68,4.80,4.32,2.76,3.94,3.  ,2.12,2.6 ],
          '品种':[0,0,0,0,0,1,1,1,1,1]}

# 0 代表 “黑皮诺”，1 代表 “赤霞珠” 
new_data = np.array([12.8,4.1])

# 将数据保存成DataFrame
wine_data = pd.DataFrame(rowdata)

第二步： 计算已知类别数据集中的点与当前点之间的距离

X = wine_data.iloc[:, :2]    #选取已知类别数据集的前两列
d = np.sqrt(np.sum((X - new_data)**2 ,  axis= 1))
d 

第三步： 将距离升序排列，然后选取距离最小的k个点

k = 3
topk = np.argsort(d)[:k]
topk 

第四步： 选择出现次数最多的类别作为当前点的预测类别

topk_num = wine_data.iloc[topk, -1] # 选取距离最小的k个点对应的target, 然后进行统计
result = topk_num.value_counts().index[0]  #输出最终分类结果
result

请根据学习内容回答以下问题:

尝试输出new_data的分类结果