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. 计算每个类的概率密度函数，即每个类的样本均值与方差（假设样本特征数据满足高斯分布）； 4. 将测试样本带入每个类的概率密度函数，并判断该样本属于哪个类别； 5. 计算精确率 ，召回率 ，F度量

好的，我明白了，让我来逐步回答你的问题。

首先，导入鸢尾花数据集需要使用到Python中的sklearn库，你可以使用以下代码来导入数据集：

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data # 特征数据
y = iris.target # 目标数据

接下来，我们需要按照要求将数据集分成训练集和测试集。你可以使用以下代码来实现：

import numpy as np

# 将数据按类别分组
X1 = X[:40,:] # 第一类数据
X2 = X[50:90,:] # 第二类数据
X3 = X[100:140,:] # 第三类数据

# 将数据分成训练集和测试集
X_train = np.vstack((X1[:30,:], X2[:30,:], X3[:30,:])) # 训练集（每类40个样本中的前30个）
X_test = np.vstack((X1[30:,:], X2[30:,:], X3[30:,:])) # 测试集（每类40个样本中的后10个）

y_train = np.hstack((y[:30], y[50:80], y[100:130])) # 训练集目标数据
y_test = np.hstack((y[30:40], y[80:90], y[130:140])) # 测试集目标数据

然后，我们需要计算每个类别的概率密度函数（假设样本特征数据满足高斯分布）。你可以使用以下代码来计算每个类别的样本均值和方差：

# 计算每个类别的均值和方差
mean1, mean2, mean3 = np.mean(X1, axis=0), np.mean(X2, axis=0), np.mean(X3, axis=0)
var1, var2, var3 = np.var(X1, axis=0), np.var(X2, axis=0), np.var(X3, axis=0)

接下来，我们可以将测试样本带入每个类别的概率密度函数，并判断该样本属于哪个类别。你可以使用以下代码来实现：

from scipy.stats import norm

# 定义一个函数，计算一个样本属于某个类别的概率值
def class_probability(sample, mean, var):
    # 使用高斯分布的概率密度函数计算概率值
    p = norm.pdf(sample, mean, np.sqrt(var))
    # 计算概率值的乘积
    return np.prod(p)

# 对每个测试样本计算属于每个类别的概率值，选择概率值最大的类别作为预测结果
y_pred = []
for sample in X_test:
    p1 = class_probability(sample, mean1, var1)
    p2 = class_probability(sample, mean2, var2)
    p3 = class_probability(sample, mean3, var3)
    if p1 > p2 and p1 > p3:
        y_pred.append(0)
    elif p2 > p1 and p2 > p3:
        y_pred.append(1)
    else:
        y_pred.append(2)

最后，我们可以计算精确率、召回率和F度量。你可以使用以下代码来实现：

from sklearn.metrics import precision_score, recall_score, f1_score

precision = precision_score(y_test, y_pred, average='macro')
recall = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')

print('Precision:', precision)
print('Recall:', recall)
print('F1 score:', f1)

以上就是按照要求实现的流程和代码，希望能对你有所帮助。