加载并返回莺尾花数据集数据集包含150个样本（数据集的行）数据集包含4个属性(数据集的列）：SepalLength, Sepal Width, Petal Length, PetalWidth: 'feature_names' 利用numpy.ndarray存储这150x4的数据：‘data’分类标签取自array['Setosa', 'Versicolour', 'Virginica']: 'target_namesSetosa,Versicolour,Virginica是数据集所包含的3中品种的鸢尾花这3个分类标签（即150x1数据）用np.ndarray存储：‘target’总之，这个数据存储了150×4的特征数据和150×1的分类标签，其中特征数据又放在‘data'里，分类标签放在‘target'里

可以使用以下代码加载并返回莺尾花数据集：

from sklearn import datasets
import numpy as np

# 加载莺尾花数据集
iris = datasets.load_iris()

# 获取特征数据
data = iris.data

# 获取分类标签
target = iris.target

# 获取分类标签名称
target_names = iris.target_names

# 打印数据形状
print("data shape: ", data.shape)
print("target shape: ", target.shape)

# 打印分类标签名称
print("target names: ", target_names)

输出结果为：

data shape:  (150, 4)
target shape:  (150,)
target names:  ['setosa' 'versicolor' 'virginica']

其中，data数组存储了150个样本的4个属性数据，target数组存储了每个样本对应的分类标签，target_names数组存储了所有分类标签的名称。可以通过如下方式获取某个样本的特征数据和分类标签：

# 获取第一条数据的特征数据和分类标签
x = data[0]
y = target[0]
print("x: ", x)
print("y: ", y)

输出结果为：

x:  [5.1 3.5 1.4 0.2]
y:  0

其中，x为一个长度为4的一维数组，表示第一条数据的4个特征数据，y为一个整数，表示第一条数据的分类标签。