任何一个算法必须包含顺序结构、选择结构和循环结构。（）

1. K-近邻分类算法是指：一个样本在特征空间中的 k 个最相邻的样本中的大多数属于某一类别，则该样本也属于这个类别。如图所示有一坐标轴，横纵坐标分别为一部电影中搞笑镜头的个数和打斗镜头的个数。动作片中打斗镜头较多，喜剧片中搞笑镜头较多，因此体现在坐标轴中，动作片集中在左上，喜剧片集中在右下。现要实现如下功能：输入某部电影的搞笑镜头和打斗镜头数目后，输出可能的类型，并在坐标轴中体现，如图三角形所示。

例如：

①输入搞笑镜头40和打斗镜头40：

②计算点（40,40）和其余所有点的距离（两点间的距离计算公式：

$\text{[math]}$

③将所有样本按照距离排序；

④假设k=3，取前k个距离的样本；

⑤统计出在前k个距离中，出现频次最多的类别，则（40,40）就属于该类别，可能是喜剧片。

(1) 上述举例的步骤中，主要是以（选填：A .自然语言/B .流程图/C .伪代码）方式在描述 k近邻算法

(2) 步骤③中，要将所有距离排序，但未说明按何种方式按什么顺序排序，主要违反了算法特征中的（选填：A .有穷性/B .可行性/C .确定性）

(3) 若将步骤⑤重新描述为：统计出在前 k 个距离中，出现频次最多的类别，若在前 k 个距离中，喜剧片出现的多，则（40,40）可能是喜剧片；否则（40,40）则是动作片。这主要体现了算法三要素的（选填：A .数据/B .运算/C .控制转移）。

(4) 假设通过升序排序后的列表 d 前几个数据对应的影片类型为：动作片，喜剧片，喜剧片，动作片，动作片...。当 k 取 3 时，则输入的影片对应的影片类型为（选填： A .动作片/B .喜剧片）

(5) 请将步骤②用代码的形式表示: import sqrt from math

x=int(input('请输入搞笑镜头数:'))

y=int(input('请输入打斗镜头数:'))

d=[ ] #用于存储距离

#已将所有样本横坐标保存至列表 ybx，可用 ybx[i]表示某一点横坐标

#已将所有样本纵坐标保存至列表yby，可用yby[i]表示某一点纵坐标

#即样本点坐标可用(ybx[i],yby[i])表示

for i in range(len(ybx)): #通过循环，计算所有样本点到点(x,y)的距离

d[i]=

(提示：sqrt()函数为开根函数，sqrt(3)即为根号 3)