下面在鸢尾花数据上使用感知器算法实现分类。如果使用4个特征属性解决鸢尾花的三分类问题，其实问题是非线性可分的。为了把它变成一个单层感知器可以解决的问题，接下来只关心山鸢尾和杂色鸢尾两类数据，并且只使用其中的花萼长度和花瓣长度两个特征属性进行分类。首先需要导入将要使用的库，其中pandas用来处理和分析数据，numpy用来做数组与矩阵的运算，matplotlib用来做数据可视化。另外，为了简单起见，这里直接使用sklearn提供的感知器算法。
In[1]：importpandasaspd
In[2]：importnumpyasnp
In[3]：
In[4]：importmatplotlibasmat
In[5]：
In[6]：fromsklearn.linear_modelimportPerceptron
在Python使用matplotlib画图时，在图中使用中文说明会增强图的可读性，但如果直接用中文进行说明，会显示乱码。为了解决这个问题，可以事先指定中文字体，在画图过程中需要使用中文时，可以直接调用这个字体，就不会有乱码问题了。
In[7]：font=mat.font_manager.FontProperties（fname='C：\Wind
ows\Fonts\'）
从文件夹读取数据集，打印最后5条数据和数据形状，以熟悉接下来需要进行分析的数据的存储格式。
In[8]：data=pd.read_csv（""，header=None）
In[9]：print（（n=5））
012345
146146.06.735.22.3virginica
147147.06.32.55.19virginica
148148.06.535.22virginica
149149.06.23.45.42.3virginica
150150.05.935.11.8virginica
In[10]：print（）
（151，6）
为了让读者更熟悉Python处理数据的方式，在这个案例中，将从整个鸢尾花数据集中抽取需要使用的类别和特征属性数据。
In[11]：flower_class=[1：101，5].values
In[12]：flower_class=（flower_class=="setosa"，-1，1）
In[13]：flower_shape=[1：101，[1，3]].values
在上述数据抽取的过程中，有几点需要注意。在Python中数据编号是从0开始的。例如，想读取第1条数据，那么在代码中应该告诉Python你想读取的数据编号是0，如果想读取第9条数据，那么告诉Python的数据编号应该是8。案例需要分析的是鸢尾花数据的前两类，一共100条数据。在下载的数据集中，第一行是数据项的名称，所以应该读取第2到第101条。因此在In[11]中，告诉Python的数据编号是“1：101”（不含101）。类别数据在表格中位于第6列，所以代码中的列编号为“5”。类似地，花萼长度和花瓣长度位于表格的第2列和第4列，所以在In[13]中告诉Python的编号是1和3。In[12]中，把类别“setosa”和“versicolour”转换成了-1和1，它的意思是，如果是setosa，则类别为-1，否则为1。
接下来定义绘制数据散点图的函数，通过data_show（ ）调用函数显示散点图（图6-4）。
In[14]：defdata_show（）：
（"鸢尾花散点图"，fontproperties=font）
（"花瓣长度"，fontproperties=font）
（"萼片长度"，fontproperties=font）
