1. 读入Iris数据集文件，并将其转化为数值矩阵； 2. 将矩阵中的每一列（即特征）归一化到0~1之间； 3. 将样本分为训练集和测试集，其中训练集占总样本的80%； 4. 使用训练集训练决策树模型； 5. 对测试集中的每个样本进行预测，并计算准确率和召回率。

好的，我会根据您的要求进行回答。

1. 读入Iris数据集文件，并将其转化为数值矩阵：

可以使用 Pandas 库来读取 CSV 格式的数据集文件，并将其转化为数值矩阵：

import pandas as pd

# 读取数据集文件
iris_data = pd.read_csv('iris.csv')

# 将类别列转化为数值
iris_data['Species'] = iris_data['Species'].map({'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2})

# 将数据集转化为数值矩阵
iris_matrix = iris_data.values

2. 将矩阵中的每一列（即特征）归一化到0~1之间：

可以使用 Scikit-learn 库的 MinMaxScaler 类来进行特征缩放：

from sklearn.preprocessing import MinMaxScaler

# 实例化 MinMaxScaler 类
scaler = MinMaxScaler()

# 对特征进行缩放
iris_matrix[:, :-1] = scaler.fit_transform(iris_matrix[:, :-1])

3. 将样本分为训练集和测试集，其中训练集占总样本的80%：

可以使用 Scikit-learn 库的 train_test_split 函数来进行数据集划分：

from sklearn.model_selection import train_test_split

# 划分训练集和测试集
train_data, test_data = train_test_split(iris_matrix, test_size=0.2, random_state=0)

4. 使用训练集训练决策树模型：

可以使用 Scikit-learn 库的 DecisionTreeClassifier 类来实例化决策树分类器，并使用 fit 方法进行模型训练：

from sklearn.tree import DecisionTreeClassifier

# 实例化决策树分类器
clf = DecisionTreeClassifier()

# 使用训练集训练模型
clf.fit(train_data[:, :-1], train_data[:, -1])

5. 对测试集中的每个样本进行预测，并计算准确率和召回率：

可以使用 predict 方法对测试集进行预测，使用 accuracy_score 和 recall_score 函数来计算准确率和召回率：

from sklearn.metrics import accuracy_score, recall_score

# 对测试集进行预测
predict_labels = clf.predict(test_data[:, :-1])

# 计算准确率和召回率
accuracy = accuracy_score(test_data[:, -1], predict_labels)
recall = recall_score(test_data[:, -1], predict_labels, average='macro')

最终，完整的代码如下所示：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, recall_score

# 读取数据集文件
iris_data = pd.read_csv('iris.csv')

# 将类别列转化为数值
iris_data['Species'] = iris_data['Species'].map({'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2})

# 将数据集转化为数值矩阵
iris_matrix = iris_data.values

# 对特征进行缩放
scaler = MinMaxScaler()
iris_matrix[:, :-1] = scaler.fit_transform(iris_matrix[:, :-1])

# 划分训练集和测试集
train_data, test_data = train_test_split(iris_matrix, test_size=0.2, random_state=0)

# 实例化决策树分类器
clf = DecisionTreeClassifier()

# 使用训练集训练模型
clf.fit(train_data[:, :-1], train_data[:, -1])

# 对测试集进行预测
predict_labels = clf.predict(test_data[:, :-1])

# 计算准确率和召回率
accuracy = accuracy_score(test_data[:, -1], predict_labels)
recall = recall_score(test_data[:, -1], predict_labels, average='macro')

print('准确率：', accuracy)
print('召回率：', recall)

希望我的回答能够帮助到您。