方法一：pickle库

---

        这是Python的标准序列化模块，可以将几乎任何Python对象转化为字节流（即序列化），然后可以将其存储到文件中或通过网络发送。之后，可以使用pickle再次加载这个字节流，恢复原始对象。在机器学习中，pickle常用于保存整个模型实例，包括训练配置和参数。 

# 导入pickle模块
import pickle# 保存模型
with open('knn_pickle.pkl', 'wb') as f:pickle.dump(knn, f)# 导入模型
with open('knn_pickle.pkl', 'rb') as f:model = pickle.load(f)

方法二：joblib库

---

        它是专为科学计算设计的库，特别适合于大NumPy数组的存储。相比pickle，joblib在处理大型numpy数组时速度更快，更节省内存。对于机器学习模型，尤其是基于scikit-learn的模型，使用joblib保存和加载模型是推荐做法。 

# 导入joblib
import joblib# 保存模型
joblib.dump(knn, 'knn_joblib.pkl')# 加载模型
model = joblib.load('knn_joblib.pkl')