下面是一個簡單的KNN算法的Python代碼示例：

import numpy as np
from collections import Counter

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2) ** 2))

class KNN:
    def __init__(self, k=3):
        self.k = k
    
    def fit(self, X, y):
        self.X_train = X
        self.y_train = y
    
    def predict(self, X):
        y_pred = [self._predict(x) for x in X]
        return np.array(y_pred)
    
    def _predict(self, x):
        # 計算所有訓練樣本與待預測樣本的距離
        distances = [euclidean_distance(x, x_train) for x_train in self.X_train]
        # 根據距離排序并獲取前k個樣本的索引
        k_indices = np.argsort(distances)[:self.k]
        # 獲取前k個樣本的標簽
        k_labels = [self.y_train[i] for i in k_indices]
        # 返回出現次數最多的標簽作為預測結果
        most_common = Counter(k_labels).most_common(1)
        return most_common[0][0]

使用示例：

X_train = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
y_train = np.array([0, 0, 1, 1, 0, 1])

knn = KNN(k=3)
knn.fit(X_train, y_train)

X_test = np.array([[2, 3], [6, 9], [1, 1]])
y_pred = knn.predict(X_test)

print(y_pred)  # 輸出：[0, 1, 0]

這個示例中使用的是歐氏距離作為距離度量方法，同時實現了一個簡單的KNN類，其中的fit()方法用于訓練模型，predict()方法用于預測新樣本的標簽。KNN類的_predict()方法用于計算單個樣本的預測結果。