代码如下：

from sklearn.neighbors import NearestNeighbors
import numpy as np

X = np.array([[-1,-1],
              [-2,-1],
              [-3,-1],
              [1,1],
              [2,1],
              [3,2]
              ])

nbrs = NearestNeighbors(n_neighbors=3, algorithm="ball_tree").fit(X)
distances, indices = nbrs.kneighbors(X)
print(distances)
print(indices)

上述代码，数据X尺寸为(6,2)，为6行2列的数据，
n_neighbors确定希望找到的邻居数，这里设置为3。
algorithm为希望使用的搜索算法（有很多，可以换别的）
nbrs.kneighbors(X)指X和X比较，找相似的；也可以nbrs.kneighbors(Y)，即Y和X比较，找相似的，Y的行数可以与X不同，但是Y的列应该与X相同。
（可以理解为，X和Y两个数据，找其中最相似的几行数据，每行数据的特征是不同的，每行比较的时候，需要保证每行的特征数是相同的。）
可以得到距离和相似的3个点（越靠前越相似）。

输出结果为：

[[0.         1.         2.        ]
 [0.         1.         1.        ]
 [0.         1.         2.        ]
 [0.         1.         2.23606798]
 [0.         1.         1.41421356]
 [0.         1.41421356 2.23606798]]
[[0 1 2]
 [1 2 0]
 [2 1 0]
 [3 4 5]
 [4 3 5]
 [5 4 3]]

距离（distance），输出第几个数据和该行数据的距离，输出前top3.
标签（indices），第几个数据和该行的数据最相似，输出前top3.
如果是自己和自己比较，因为每行的数据都与自己最相似，所以，距离第一列都是0；所以，标签第一列都是自己；如果不是自己和自己比较，距离第一列就不都是0了。

参考：

1. sklearn.neighbors_Nearest Neighbors：https://blog.csdn.net/qq_40570795/article/details/78655825