测试数据，数据有四个向量特征，三个标签，用Python对数据进行分类，并画出分类后的散点图，打印出分类结果得分

在Python中，你可以使用诸如scikit-learn这样的机器学习库来进行数据分类，比如使用支持向量机(SVM)、决策树或者随机森林等算法。对于具有四个特征向量(X1, X2, X3, X4)和三个类别标签(y1, y2, y3)的数据集，首先需要加载数据并预处理，然后选择合适的模型进行训练。

以下是基本步骤：

1. **导入所需的库**：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import matplotlib.pyplot as plt

2. **加载和预处理数据**：

# 假设数据在CSV文件中
data = pd.read_csv('your_data.csv')
X = data.iloc[:, :-3] # 特征向量
y = data.iloc[:, -3:] # 标签列

3. **数据分割**：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **标准化数据**：

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

5. **选择分类器（这里以SVM为例）**：

clf = SVC(kernel='linear') # 或者 'rbf', 'poly' 等其他内核
clf.fit(X_train, y_train)

6. **预测并评估**：

y_pred = clf.predict(X_test)
score = clf.score(X_test, y_test)
print(f"分类得分：{score}")

7. **绘制分类结果的散点图**：

plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred)
for i, txt in enumerate(np.unique(y_pred)):
    plt.annotate(txt, (X_test[y_pred == txt, 0].mean(), X_test[y_pred == txt, 1].mean()))
plt.xlabel("特征1")
plt.ylabel("特征2")
plt.title("分类后散点图")
plt.show()

记得将上述代码中的`your_data.csv`替换为实际数据文件路径。运行这段代码后，你会得到分类得分以及一个展示各个类别分布的散点图。