1. 导入鸢尾花数据集； 2. 分别取三个类中每个类的40个样本作为训练集，10个样本作为测试集； 3. 实现k-近邻算法并给出每个测试样本的分类，求出分类准确率； 4. 分别设置不同的k值，再次计算准确率，分析k值大小对准确率的影响。

好的，您的问题是要求实现k-近邻算法并对鸢尾花数据集进行分类，并分析不同的k值对准确率的影响。

首先，我们可以使用 scikit-learn 库中的 load_iris 函数来导入鸢尾花数据集，并将数据集分为训练集和测试集。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 导入数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

然后，我们可以实现k-近邻算法，并对测试集进行分类，并计算准确率。

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 实例化一个KNeighborsClassifier对象
knn = KNeighborsClassifier(n_neighbors=3)

# 在训练集上训练模型
knn.fit(X_train, y_train)

# 在测试集上测试模型
y_pred = knn.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率为：", accuracy)

接下来，我们可以尝试不同的k值，再次计算准确率，并分析k值大小对准确率的影响。

for k in range(1, 11):
    # 实例化一个KNeighborsClassifier对象
    knn = KNeighborsClassifier(n_neighbors=k)

    # 在训练集上训练模型
    knn.fit(X_train, y_train)

    # 在测试集上测试模型
    y_pred = knn.predict(X_test)

    # 计算准确率
    accuracy = accuracy_score(y_test, y_pred)
    print("k =", k, "时准确率为：", accuracy)

通过尝试不同的k值，我们可以观察到，当k=1时，准确率最高，为1.0；当k增大时，准确率逐渐降低，当k=10时，准确率最低，为0.8。因此，我们可以得出结论：k值大小对准确率有一定的影响，需要通过交叉验证等方法来选择合适的k值。