分析KNN的算法思想，并根据算法流程写出伪代码

K近邻(K-Nearest Neighbors, KNN)算法是一种基于实例的学习，也被称为记忆式学习或懒惰学习方法。它的基本思想非常直观：新来的样本会与其训练集中最相似的k个邻居进行比较，然后根据这k个邻居的类别标签多数决定该样本的归属。

算法流程大致如下：

1. **输入**：一个新的待分类样本以及已经训练好的数据集（包含特征和对应的标签）。
2. **初始化**：设置邻域大小k（通常是一个奇数，如5、7等）。
3. **计算距离**：计算新样本与训练集中每个样本之间的距离（常用的距离度量有欧氏距离、曼哈顿距离等）。
4. **排序邻居**：根据距离将邻居按照从近到远的方式排序。
5. **计数**：统计前k个邻居中每个类别的数量。
6. **决策**：如果某一类别的邻居最多，则将新样本归入该类别。
7. **输出**：返回新样本的预测类别。

以下是KNN算法的一个简单伪代码示例：

function KNN_predict(new_sample, training_data, labels, k):
    distances = []  # 初始化一个空列表用于存储样本间的距离
    for sample, label in zip(training_data, labels):
        distance = calculate_distance(new_sample, sample)  # 计算新样本与当前样本的距离
        distances.append((distance, label))  # 将距离和标签添加到列表

    distances.sort()  # 按照距离升序排列
    neighbors_labels = [pair[1] for pair in distances[:k]]  # 取前k个邻居的标签

    most_common_label = Counter(neighbors_labels).most_common(1)[0][0]  # 统计最常见的标签
    return most_common_label  # 返回预测类别

这里的`calculate_distance()`是一个需要实际实现的具体函数，用于计算两个样本之间的距离。