代码：
# 导入所需的库
from sklearn.datasets import load_iris # 导入Iris数据集
from sklearn.model_selection import train_test_split # 导入用于数据划分的train_test_split函数
from sklearn.preprocessing import MinMaxScaler, StandardScaler # 导入数据归一化和标准化的类
from sklearn.neighbors import KNeighborsClassifier # 导入K邻近分类器（KNN）
# 加载Iris数据集，包含特征数据和目标标签
iris = load_iris()
# 将数据集划分为训练集和测试集，其中20%作为测试集，80%作为训练集
x_train, x_test, y_train, y_test = train_test_split(iris['data'], iris['target'], test_size=0.2, random_state=42)
# 初始化MinMaxScaler，将特征缩放到[0, 1]的范围
transfer = MinMaxScaler(feature_range=(0, 1))
# 初始化StandardScaler，将特征进行标准化，均值为0，方差为1
transfer1 = StandardScaler()
# 对训练数据进行标准化
ret_train_data = transfer1.fit_transform(x_train)
# 对测试数据进行标准化
ret_test_data = transfer1.fit_transform(x_test)
# 设置KNN算法中的邻居数为5
n_neighbors_num = 5
# 初始化KNN分类器，设置邻居数
knn_model = KNeighborsClassifier(n_neighbors=n_neighbors_num)
# 用标准化后的训练数据训练KNN模型
knn_model.fit(ret_train_data, y_train)
# 用测试集数据进行预测
y_pre = knn_model.predict(ret_test_data)
# 输出预测结果
print("预测值是： \n", y_pre)
# 输出真实标签
print("真实值是 : \n", y_test)
# 对比预测值和真实值，输出是否一致的布尔值
print("预测值和真实值的对比是： \n", y_pre == y_test)
# 计算KNN模型在测试集上的准确率
score = knn_model.score(ret_test_data, y_test)
# 输出模型的准确率
print("准确率是： \n", score)
结果：
