是的，你只需要找到一个合适的距离度量，而不是使用默认的欧几里得距离。欧几里得距离会起作用，但在非欧几里得空间上使用时会失去很多正点。

对于您的特定情况，Jaccard 距离基本上测量两个实例上有多少个 1 相等，忽略两者都是 0 的维度。这给出了类似“如果一个程序有课程，但另一个没有，那么它们是不同的”的解释。Jaccard 索引在高维布尔矩阵中非常有用，例如由 one-hot 编码生成的。

另一个更直观的选择是完美匹配距离，它可以简单地测量两个实例有多少维度不同，并且可以通过下式轻松计算 $\sum_{i=1}^n |X_i - Y_i|$. 在这种情况下，解释变得类似于“如果两个程序都有课程，或者两个程序都没有课程，那么它们是相似的”。

但是，请注意 K-NN 的 K 值。您只有两个 B 类实例，因此您必须为 K 的值选择 1 或 2（技术上最多 3）。

哇，给定五个分数，有一种更简单的方法可以找到正确的程序。

样本空间是 2^5 = 32（就像抛硬币五次一样）。这些中的每一个都必须映射到一个程序 AC，并且因为 32 > 3，一个以上的可能组合被映射到至少一个程序。

在其他条件相同的情况下，大多数程序由大约 10 种组合映射。但是必须有一个规则将每个组合与一个程序相关联，不是吗？

因此，您所需要的只是一个键值哈希表。可能最简单的做法是将主题连接成五个字母字符串（'11011'）以用作键，因此 Python 中的最小字典看起来像

sorting_hat = {'11011': 'C'}