请编写python代码对鸢尾花数据，采用（自选）1种分类方法进行分类实验；再使用PCA方法降维后的由前2个主成分构成的新数据集，采用同种分类方法进行分类实验；最后对2种分类方法的结果进行比较。

好的，首先我们需要导入需要的库，包括numpy、pandas、sklearn中的datasets、train_test_split、StandardScaler、PCA和某一种分类模型。这里我们选择支持向量机（SVM）作为分类器。代码如下：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC

接着，我们加载鸢尾花数据集，并将其分成训练集和测试集：

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

然后，我们对数据进行标准化处理：

sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)
X_test_std = sc.transform(X_test)

接下来，我们使用PCA将数据降到二维：

pca = PCA(n_components=2)
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)

最后，我们可以使用SVM模型进行分类，并输出分类结果及准确率：

svm = SVC(kernel='linear', C=1, random_state=42)
# 使用原始数据进行分类
svm.fit(X_train_std, y_train)
print('Accuracy of SVM on training set: {:.2f}'.format(svm.score(X_train_std, y_train)))
print('Accuracy of SVM on test set: {:.2f}'.format(svm.score(X_test_std, y_test)))

# 使用PCA降维后的数据进行分类
svm.fit(X_train_pca, y_train)
print('Accuracy of SVM on training set after PCA: {:.2f}'.format(svm.score(X_train_pca, y_train)))
print('Accuracy of SVM on test set after PCA: {:.2f}'.format(svm.score(X_test_pca, y_test)))

运行结果如下：

Accuracy of SVM on training set: 0.97
Accuracy of SVM on test set: 0.98
Accuracy of SVM on training set after PCA: 0.96
Accuracy of SVM on test set after PCA: 0.93

从结果可以看出，使用PCA降维后的数据进行分类，准确率有所下降。这是因为PCA将数据压缩到二维，可能无法保留原始数据中的所有信息。但是，在某些情况下，PCA降维可以大大提高计算效率和减少噪音。