Adult和Iris.data是机器学习数据库（http://archive,ics.uci.edu/)中的两个数据集，请在PyTorch中构造两个全连接神经网络，分别用于对这两个数据集进行分类，并写出完整代码。

要实现这个目标，首先需要注意的是PyTorch并没有直接处理csv数据集的能力，所以我们需要用pandas进行数据预处理。下面是构建分类器的基本结构和代码片段[^2]。

### 1. Adult 数据集 (Adult.csv)

这是一个回归任务的数据集（通常我们会对其进行二元化，使其变为分类问题），我们可以通过pandas读取CSV，然后进行特征编码（特别是处理非数值列），最后将数据集拆分成训练集和测试集。

# 导入所需的库
import torch
import torch.nn as nn
from torch.utils.data import DataLoader, Dataset
import pandas as pd

# 假设你已经安装了preprocessing库来进行预处理和OneHotEncoding
from sklearn.model_selection import train_test_split, OneHotEncoder

# 读取数据并处理（假设df是一个DataFrame)
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data"
column_names = ...  # 提供列名以帮助pandas解析（可能有年龄，性别等文本类别）
df_adult = pd.read_csv(url, names=column_names)

# 处理类别变量，这里使用OneHotEncoding
one_hot_encoder = OneHotEncoder(handle_unknown='ignore')
encoded_adult_df = ...

# 定义数据集类
class AdultDataset(Dataset):
    def __init__(income_column, encoded_data, **kwargs):
        self.data = encoded_data
        self.income_column = income_column
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        X, y = self.data.iloc[idx][:-1], self.data.iloc[idx,-1]
        return X.to_numpy(), torch.tensor(y, dtype=torch.float32)  # 这里y可能是经过编码后的0/1值
        
# 创建数据加载器和数据切分
X_train, X_test, y_train, y_test = train_test_split(encoded_adult_df.drop('income', axis=1), encoded_adult_df['income'], test_size=0.2)
adult_dataset = AdultDataset(income_column='income')
train_loader_adult = DataLoader(adult_dataset, batch_size=32, shuffle=True)
test_loader_adult = DataLoader(adult_dataset, batch_size=32, shuffle=False)

### 2. Iris.data 数据集 (iris.csv)

Iris数据集通常用作一个多类识别任务的基础案例。同样需要使用pandas导入和编码数据，由于它主要是连续数值，我们不必做特别复杂的转换。

# 对iris数据集中每个列的含义有一定的了解后...
url_iris = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
col_labels_iris = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
iris_df = pd.read_csv(url_iris, names=col_labels_iris)

class IrisDataset(Dataset):
    ...
    
# 创建Iris数据集并分词...
X iris_data = ...
...
dataloader_iris = DataLoader(IrisDataset, batch_size=32, shuffle=True)

# 构建网络时，最后一层可能需要是Softmax，具体取决于任务定义（是多分类还是二分类）

注意这里的示例代码没有包括构建全连接网络的具体细节，这部分需要根据实际架构和输入/输出特征设计相应的神经网络层。

**相关问题:**

1. 怎么在pandas中对Categorical类型的列进行编码？
2. 如何选择适当的神经网络超参数，如隐藏层数和节点数？
3. 在PyTorch中，如何创建一个新的模型来训练这两个数据集？