8、（选做）使用sklearn库创建基于SVC的分类模型，对标准化后的data进行分类分析；将数据集中的70%作为训练集，30%作为测试集，并分析模型的性能；

好的，下面是使用sklearn库创建基于SVC的分类模型，对标准化后的data进行分类分析的代码：

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score

# 加载数据集
data = pd.read_csv('data.csv')

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.iloc[:, :-1], data.iloc[:, -1], test_size=0.3, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建SVC分类器
clf = SVC(kernel='linear')

# 拟合训练集数据
clf.fit(X_train, y_train)

# 对测试集数据进行预测
y_pred = clf.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("模型准确率为：", accuracy)

在这里，我们使用了sklearn库中的SVC模型进行分类分析，并使用train_test_split函数将数据集分为训练集和测试集。然后，我们使用StandardScaler将数据标准化，这是因为SVC模型对数据的缩放比例很敏感，标准化可以消除这种影响。接着，我们创建SVC分类器，并使用拟合训练集数据，最后使用预测函数对测试集数据进行预测，并计算模型的准确率。

你可以根据自己的数据集进行调整和优化，以获得更好的性能。