针对已有的鸢尾花数据集，分成两组iris数据，一组为训练数据，另外一组为测试数据，每组数据中包含三个类别，75个数据，每个样本有四个特征，现在利用PCA与K-L变换方法对数据进行降维，并利用降维后的特征构建基于最小错误率的贝叶斯分类器，已知每个类别的先验概率为1/3，并用测试数据进行验证，计算分类错误率，画出分类效果图。在降维基础上再用K-近邻法做分类器设计，简单分析和比较两个分类器效果和性能！

好的，这是一个涉及到数据预处理、降维和分类器设计的问题。我尝试回答你的问题，如果有不清楚的地方，请随时提问。

首先，将原始数据集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=0.5, random_state=0)

其中，X为特征矩阵，y为标签向量，test_size=0.5表示将数据集分为训练集和测试集的比例为1:1。

接下来，我们使用PCA方法对数据进行降维。PCA的目的是将原始数据映射到一个新的低维空间，以保留尽可能多的数据方差。代码如下：

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
X_train_pca = pca.fit_transform(X_train)
X_test_pca = pca.transform(X_test)

其中，n_components=2表示将数据降到2维。

然后，我们可以使用贝叶斯分类器对降维后的数据进行分类。代码如下：

from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score

clf = GaussianNB()
clf.fit(X_train_pca, y_train)
y_pred = clf.predict(X_test_pca)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: %.2f" % accuracy)

其中，GaussianNB()表示使用高斯朴素贝叶斯分类器，accuracy_score()函数用于计算分类准确率。

接下来，我们可以使用K-近邻法对降维后的数据进行分类。代码如下：

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train_pca, y_train)
y_pred = knn.predict(X_test_pca)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: %.2f" % accuracy)

其中，n_neighbors=5表示使用5个最近邻的样本进行分类。

最后，可以使用matplotlib库绘制分类效果图。代码如下：

import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap

cmap = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
plt.scatter(X_test_pca[:, 0], X_test_pca[:, 1], c=y_pred, cmap=cmap)
plt.xlabel('PCA1')
plt.ylabel('PCA2')
plt.title('Classification Results')
plt.show()

这段代码中，ListedColormap()函数用于定义颜色映射，plt.scatter()函数用于绘制数据点，c参数表示数据点的颜色，xlabel()和ylabel()函数用于设置坐标轴标签，title()函数用于设置标题，plt.show()函数用于显示图像。

至于两个分类器的性能和效果，需要根据具体数据集的情况进行分析。通常情况下，K-近邻法在高维数据集上表现较好，而贝叶斯分类器在低维数据集上表现较好。但是，由于数据集的不同，这个结论并不是绝对的。