k近邻法（k-nearest neighbor，k-NN）是一种基本分类与回归方法。k近邻法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。k近邻法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。因此，k近邻法不具有显式的学习过程。k近邻法实际上利用训练数据集对特征向量空间进行划分，并作为其分类

1 、筛选出数据的指定几行数据2 、筛选出数据某列为某值的所有数据记录data=3 、模式匹配4 、范围区间值筛选5、 获取某一行某一列的某个值# 结果:16086 、获取原始的numpy二维数组7、 根据条件得到某行元素所在的位置importdf=8、 元素位置筛选9、删除多行/多列# 使用的前提是，dataframe的index和columns用的是数字，利用了drop（）和range()函数