从给出的iris.csv文件中加载数据，并划分为训练集和验证集，划分比例为：训练集/验证集=7/3。注意需要做数据的标准化，可使用pandas读取数据，再将dataframe转成numpy数组(to_numpy())，然后打乱数据、再切片、值标准化。

以下是代码实现：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 读取数据
iris = pd.read_csv('iris.csv')

# 将数据转换为numpy数组，并打乱数据
data = iris.to_numpy()
np.random.shuffle(data)

# 划分数据集
train_data, test_data = train_test_split(data, test_size=0.3)

# 将训练集和验证集分别拆分为输入和输出
x_train, y_train = train_data[:, :-1], train_data[:, -1]
x_test, y_test = test_data[:, :-1], test_data[:, -1]

# 数据标准化
scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)
x_test = scaler.transform(x_test)

首先使用pandas读取iris.csv文件，然后将数据转换为numpy数组。为了防止数据的顺序影响训练结果，使用np.random.shuffle()函数打乱数据。

接着，使用train_test_split()函数将数据集划分为训练集和测试集，比例为7:3。然后，将训练集和测试集分别拆分为输入和输出，即x_train和y_train、x_test和y_test。

最后，使用StandardScaler()函数对训练集和测试集的输入数据进行标准化处理，使得数据的均值为0，方差为1。