开发一个KNN算法案例，最好有图有数据，能使用动画实现最优

开发一个基于K近邻(K-Nearest Neighbors, KNN)算法的案例通常涉及以下步骤：

**1. 数据准备**：
假设我们有一个简单的二维数据集，比如鸢尾花数据集（Iris dataset），它包含三个特征（花瓣长度、花瓣宽度、萼片长度和萼片宽度），我们要根据前两个特征来进行分类。

import pandas as pd
from sklearn.datasets import load_iris

data = load_iris()
X = data.data[:, :2]  # 我们只取前两维特征用于简化展示
y = data.target

**2. 动画演示**：
为了创建动画效果，我们可以使用matplotlib库中的`animation`模块。首先，我们需要绘制初始的散点图，并标记类别。

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()
ax.set_title('KNN 算法 - 动态示例')
scatter = ax.scatter(X[:, 0], X[:, 1], c=y)

def animate(i):
    if i == 0:
        return scatter
    k = 5  # 示例中使用5个最近邻居
    distances, indices = kneighbors(X[i:i+1], X, k=k)
    color = cmap[y[indices[0]]]
    scatter.remove()  # 清除旧点
    scatter = ax.scatter(X[indices[0]][0], X[indices[0]][1], s=100, c=color)
    return scatter,

ani = FuncAnimation(fig, animate, frames=len(X), interval=100, blit=True)
plt.show()

在这个例子中，`kneighbors`函数模拟了计算每个新样本点的K个最近邻居的过程，然后更新散点的颜色，代表当前样本所属的类别。

**