K近邻算法对Iris数据集进行分类：数据集的加载、数据集的划分、模型的训练、模型的评估、预测花萼长5cm 宽2.9cm，花瓣长1cm宽0.2cm的花型进行类别预测。

1. 数据集的加载
首先，我们需要加载Iris数据集。可以使用sklearn库中的load_iris()函数来加载数据集，代码如下：

from sklearn.datasets import load_iris

iris = load_iris()
X, y = iris.data, iris.target

其中，X为数据集中的特征矩阵，y为数据集中的标签。

2. 数据集的划分
为了评估模型的性能，我们需要将数据集划分为训练集和测试集。可以使用sklearn库中的train_test_split()函数来实现，代码如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

其中，test_size表示测试集所占比例，random_state表示随机种子，保证每次划分的结果相同。

3. 模型的训练
使用sklearn库中的KNeighborsClassifier()函数来构建K近邻分类器，并在训练集上进行训练，代码如下：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)

其中，n_neighbors表示K近邻算法中的K值。

4. 模型的评估
使用测试集对模型进行评估。可以使用sklearn库中的accuracy_score()函数来计算分类器的准确率，代码如下：

from sklearn.metrics import accuracy_score

y_pred = knn.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("模型在测试集上的准确率为：{:.2f}%".format(accuracy*100))

5. 预测花型的类别
使用训练好的K近邻分类器对新的花型进行分类预测，代码如下：

new_data = [[5, 2.9, 1, 0.2]]
prediction = knn.predict(new_data)
print("预测花型的类别为：{}".format(iris.target_names[prediction[0]]))

其中，new_data表示新的花型数据，prediction表示预测结果，iris.target_names是数据集中标签的名称。