(1)使用python加载鸢尾花数据集iris(iris数据集中共有3种类别山鸢尾、变色鸢尾和维吉尼亚鸢尾,共有150条记录,每条记录各有4个特征花萼长度、花萼宽度、花瓣长度、花瓣宽度),并绘制散点图; (2)使用python,利用决策树分类方法根据4个特征对鸢尾花数据集iris分类。

好的，我可以帮你回答这个问题。

首先，我们需要导入需要用到的库，包括pandas, sklearn和matplotlib。然后，我们可以使用pandas库中的read_csv()函数读取iris数据集，并将数据集分为特征和标签两个部分。

接下来，我们可以使用matplotlib库中的scatter()函数绘制散点图，其中x轴表示花萼长度，y轴表示花萼宽度，点的颜色表示鸢尾花的类别。

最后，我们可以使用sklearn库中的DecisionTreeClassifier类训练决策树模型，并使用该模型对测试集进行预测。

以下是完整的代码示例：

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 绘制散点图
colors = ['red', 'green', 'blue']
for i in range(len(colors)):
    xs = X[:, 0][y == i]
    ys = X[:, 1][y == i]
    plt.scatter(xs, ys, c=colors[i])
plt.legend(iris.target_names)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)
print("Accuracy:", clf.score(X_test, y_test))

运行该代码，即可得到绘制的散点图和决策树模型的准确率。