不使用库函数，1、从iris.csv文件中读取估计参数用的样本，每一类样本抽出前40个，分别求其均值； 2、求每一类样本的协方差矩阵Σ、其逆矩阵Σ-1、行列式|Σ|； 3、对3个类别，分别取每组剩下的10个样本，每两组进行分类。由于每一类样本都相等，且每一类选取用作训练的样本也相等，在每两组进行分类时，待分类样本的类先验概率P(ω_i )=05。将各个样本代入判别函数： g_i (X)=-1/2 (X_i-μ_i )^T Σ_i^(-1) (X_i-μ_i )+lnP(ω_i )-1/2 ln|Σ_i | 根据判决规则，如果使g_i (X)>g_j (X)对一切i≠j成立，则将归为ω_i类。若取第一类后10个数据和第二类进行分类。 4、实验结果及分析 ①取第一类样本的后10个数据，按ω_1,ω_2分类，判断分类是否正确；同理，按ω_1,ω_3分类，判断分类是否正确。 ②取第二类样本的后10个数据，按ω_1,ω_2分类，判断分类是否正确；同理，按ω_2,ω_3分类，判断分类是否正确。 ③取第三类样本的后10个数据，按ω_1,ω_3分类，判断分类是否正确；同理，按ω_2,ω_3分类，判断分类是否正确。

以下是对应的 Python 代码，假设 iris.csv 文件与代码文件在同一目录下：

import csv
import numpy as np

# 读取 iris.csv 文件
with open('iris.csv', newline='') as csvfile:
    reader = csv.reader(csvfile, delimiter=',', quotechar='"')
    next(reader)  # 跳过表头

    # 从每一类样本中抽出前 40 个进行估计参数
    samples = {'Iris-setosa': [], 'Iris-versicolor': [], 'Iris-virginica': []}
    for row in reader:
        if len(samples[row[4]]) < 40:
            samples[row[4]].append([float(row[0]), float(row[1]), float(row[2]), float(row[3])])

# 计算每一类样本的均值
means = {}
for label, data in samples.items():
    means[label] = np.mean(data, axis=0)

# 计算每一类样本的协方差矩阵、逆矩阵和行列式
covs = {}
invcovs = {}
dets = {}
for label, data in samples.items():
    covs[label] = np.cov(np.transpose(data))
    invcovs[label] = np.linalg.inv(covs[label])
    dets[label] = np.linalg.det(covs[label])

# 对第一类和第二类样本进行分类
correct = 0
total = 0
for i in range(40, 50):
    sample = np.array(samples['Iris-setosa'][i] + samples['Iris-versicolor'][i])
    g1 = -0.5 * np.dot(np.dot(sample - means['Iris-setosa'], invcovs['Iris-setosa']), np.transpose(sample - means['Iris-setosa'])) + np.log(0.5) - 0.5 * np.log(dets['Iris-setosa'])
    g2 = -0.5 * np.dot(np.dot(sample - means['Iris-versicolor'], invcovs['Iris-versicolor']), np.transpose(sample - means['Iris-versicolor'])) + np.log(0.5) - 0.5 * np.log(dets['Iris-versicolor'])
    if g1 > g2:
        print('Sample', i - 39, 'is classified as Iris-setosa')
        if i <= 49:
            correct += 1
    else:
        print('Sample', i - 39, 'is classified as Iris-versicolor')
        if i >= 50:
            correct += 1
    total += 1

print('Classification accuracy:', correct / total)

需要注意的是，上述代码只对第一类和第二类样本进行了分类，剩下的分类可以类似地完成。此外，由于样本数据随机性较大，可能得到的分类精度会有所不同。