· 你需要为一个简单的多分类识别器补上“K 近邻”判别模块。做法是：先度量待测样本与训练样本的距离，挑选出距离最近的 K 个样本，再用多数票决定最终类别。 · 操作要点（按流程执行）： · 先计算待测点到每个样本点的距离（为了效率，可直接用“平方欧氏距离”参与排序，结果等价）。 · 将样本按距离升序排列，截取前 K 个作为近邻。 · 统计这 K 个近邻的标签出现次数，频数最高的标签即为预测值。 · 如出现“最高频数并列”，只在并列标签对应的近邻里，按由近到远的顺序挑第一个的标签。 · 约束与假设： · 数据集已做归一化处理（不同维度量纲一致），特征保留两位小数。 · 每个类别在数据集中都至少有一个样本。 · 距离采用欧氏距离： d(q,x)=√(Σ_)i=1^n(q_i-x_i)^2
· 第 1 行：k m n s k 为最近邻个数（≤20），m 为样本数（≤200），n 为特征维度（不含标签，≤5），s 为类别个数（≤5）。 · 第 2 行：待分类样本的 n 维特征。 · 第 3 行至第 m+2 行：每行 n+1 列，前 n 列为特征，最后 1 列为类别标签（整数，以浮点给出）。
输出两项：预测标签 与 该标签在前 K 个近邻中的出现次数 格式：label count
3 6 2 2 0.00 0.00 0.20 0.10 0.0 0.30 0.00 0.0 0.00 0.40 1.0 0.60 0.60 1.0 0.05 0.02 0.0 0.90 0.90 1.0
0 3
4 6 2 3 1.00 1.00 0.95 0.95 2.0 1.10 1.00 2.0 0.90 1.10 1.0 0.80 0.90 1.0 2.00 2.00 3.0 1.30 1.40 1.0
2 2
考点：排序
限制 1 秒 / 256MB ｜ 标准输入输出
参考方向：排序
先用 O(n log n) 排序把无序变有序，后续处理往往就简单了。
思路框架（排序 通法 · 非本题专属）
实现要点：在 C++ 中用 std::sort，Python 用 sorted()；注意自定义比较函数的严格弱序。
复杂度：时间 O(n log n) ｜ 空间 O(log n) ~ O(n)
该范式的通法易错点
本题在源数据中没有官方考点标签，方向由题面特征推断，仅供参考。
样例 1：输入 3 6 2 2 / 0.00 0.00 / 0.20 0.10 0.0 / 0.30 0.00 0.0 / 0.00 0.40 1.0 / 0.60 0.60 1.0 / 0.05 0.02 0.0 → 输出 0 3
距离最近的 3 个样本依次为 (0.05,0.02,0), (0.20,0.10,0), (0.30,0.00,0)。
多数票为标签 0，且在前 K=3 个邻居中出现 3 次，故输出“0 3”。
样例 2：输入 4 6 2 3 / 1.00 1.00 / 0.95 0.95 2.0 / 1.10 1.00 2.0 / 0.90 1.10 1.0 / 0.80 0.90 1.0 / 2.00 2.00 3.0 → 输出 2 2
最近的 4 个邻居按距离为：(0.95,0.95,2)、(1.10,1.00,2)、(0.90,1.10,1)、(0.80,0.90,1)。
标签 1 与 2 在前 K=4 中均出现 2 次，构成并列；比较并列集合中“最近”的样本，其最近者为 (0.95,0.95,2)，因此最终返回标签 2；同时输出该标签在前 K 中出现的次数 2。
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2025年秋招-华为-8月27号AI岗。