实验代码：

# 导入所需要的库
import numpy as np 
import pandas as pd
from sklearn.ensemble import RandomForestClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.neighbors import KNeighborsClassifier
# 导入数据集
df = pd.read_csv('C:\\Users\\Administrator\\Desktop\\iris.csv')

# 提取特征和标签
X = df.iloc[:, 0:4].values 
y = df.iloc[:, 4].values

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 建立 KNN 模型

"""
1.    n_neighbors：整数值，表示要考虑的最近邻的数量。
2.    weights：可以是'uniform'或者是'distance'，表示在计算最近邻的距离时考虑的权重，'uniform'表示所有最近邻的距离权重都一样，而'distance'表示距离越近的最近邻权重越大。
3.    algorithm：可以是'ball_tree'、'kd_tree'或者'brute'，表示使用何种算法来计算最近邻的距离。
4.    leaf_size：整数值，表示在构建 ball_tree 或者 kd_tree 时考虑的叶节点的尺寸。
5.    metric：字符串值，表示使用何种度量来计算最近邻的距离，常用的有'euclidean'（欧几里得距离）和'minkowski'（闵可夫斯基距离）。
"""
knn = KNeighborsClassifier(n_neighbors=5) 
knn.fit(X, y)

# 训练模型
knn.fit(X_train, y_train)

# 预测测试集结果
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = knn.score(X_test, y_test)

# 打印准确率
print("Accuracy: {}".format(accuracy))

实验结果：

数据集：

见所提供资料