注意loc函数的端点是闭区间

#注意看我y和X这两行的注释：要么全是df.loc,要么全是df.iloc，核对一下自己代码

import matplotlib.pyplot as plt
import numpy as np

y = df.loc[0:100, 4].values #loc/iloc得统一
y = np.where(y == 'Iris-setosa', -1, 1)

#抽出第0列和第2列
X = df.loc[0:100, [0, 2]].values # loc/iloc得统一
plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa')
plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')
plt.xlabel('花瓣长度')
plt.ylabel('花茎长度')
plt.legend(loc='upper left')
#plt.show()

两行code解决问题，只显示error级别的通知

from matplotlib.axes._axes import _log as matplotlib_axes_logger
matplotlib_axes_logger.setLevel('ERROR')

我也用的python3.7，这是我的代码，谢谢采纳~

import numpy as np

class Perceptron(object):
    # 注释1
    def __init__(self, eta = 0.01, n_iter = 10):
        self.eta = eta
        self.n_iter = n_iter
    def fit(self, X, y):
        # 注释2
        self.w_ = np.zeros(1 + X.shape[1])
        self.errors_ = []
        for _ in range(self.n_iter):
            errors = 0
            # 注释3
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))
                # 注释4
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
                self.errors_.append(errors)
    def net_input(self, X):
        # 注释5
        return np.dot(X, self.w_[1:]) + self.w_[0]
    def predict(self, X):
        return np.where(self.net_input(X) >= 0.0, 1, -1)

注释1：
    eta：学习率
    n_iter：权重向量的训练次数
    w_：神经分叉权重向量
    errors_：用于记录神经元判断出错次数
注释2：
    输入训练数据，培训神经元，X是输入样本向量，y是对应的样本分类
    X:shape[n_samples, n_features]
    比如：X:[[1, 2, 3], [4, 5, 6]]
    那么：n_samples: 2，n_features: 3，y:[1, -1]

    初始化权重向量为0，加1是因为提到的w0,即步调函数的阈值
注释3：
    比如：X:[[1, 2, 3], [4, 5, 6]
    所以y:[1, -1]，zip(X, y):[[1, 2, 3, 1]. [4, 5, 6, -1]]

    update = n * (y - y')
注释4：
    xi是一个向量
    update * xi等价于：[ w1 = x1*update, w2 = x2*update, ...]
注释5：
    z = w0*1 + w1*x1 + w2*x2 + ... 
    np.dot()是做点积

from matplotlib.colors import ListedColormap

from matplotlib.colors import ListedColormap

def plot_decision_region(X, y, classifier, resolution=0.02):
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()

    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))
    z = classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
    z = z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, z, alpha=0.4, cmap=cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.xlim(xx2.min(), xx2.max())
    plt.scatter(X[:50,0],X[:50,1],color='red',marker='o',label='setosa')         
    plt.scatter(X[50:100,0],X[50:100,1],color='blue',marker='x',label='versicolor')
# 执行语句
plot_decision_regions(X,y,ppn,resolution=0.02)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.xlabel('花茎长度')
plt.ylabel('花瓣长度')
plt.legend(loc='upper left')
plt.show()

设置的类型不对呀

将y = df.loc[0:100, 4].values改为y = df.iloc[0:100, 4].values

看出区别了吗？loc前面多个i。不然y的维度为101。

当然你也可以直接改成y = df.loc[0:99, 4].values

是的，classifier参数对应的就是感知器

通过图上xlabel可以看到显示的是“Epocha”,是上一张图的横轴，

plot_decision_reqions（）的图画成这样应该是和上一张图叠加在一起显示了，建议在plot_decision_reqions(X,y,ppn,resolution=0.02)语句前面添加一句代码：plt.figure(),表示新建一个画板，这样就不会出现和上面的图叠加显示的情况了。

#拼写错误，应该是'contourf'

可以啊，搜索关键词“python anaconda jupyter”+“教程 安装”。mac用命令行安装更简单，先搜索”homebrew 教程”

numpy

我是这样改的：

import matplotlib.pyplot as plt

import numpy as np

y = df.loc[0:99, 4].values

y = np.where(y == 'Iris-setosa', -1, 1)

#print(y)

X = df.iloc[0:100, [0, 2]].values

#print(X)

plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa')

plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='vericolor')

plt.rcParams['font.sans-serif']=['SimHei']

plt.xlabel('花瓣长度')

plt.ylabel('花茎长度')

plt.legend(loc='upper left')

plt.show()

另外，还有一处会报错，makers这，改成maker：

 for idx, cl in enumerate(np.unique(y)):

        plt.scatter(x=X[y==cl, 0], y=X[y==cl, 1], alpha=0.8, c=cmap(idx), marker=marker[idx], label=cl)

y = df.loc[:100, 4].values 改为 y = df.loc[:99, 4].values

或者

x = df.iloc[:100, [0, 2]].values 改为 x = df.iloc[:101, [0, 2]].values

不知道为啥，反正能运行了就，不然说数组越界

你看下你的classifier在函数plot_decision_regions(X, y, resolution=0.02)没有定义吧，肯定报错。 

看看你的输入数据

回答楼主第二个问题

from matplotlib.colors import ListedColormap

def plot_decision_regions(X,y,classifier,resolution=0.02):

    markers=('o','x','s','v')

    colors=('red','blue','lightgreen','gray','cyan')

把老师写的marker元组改成markers就可以了。

# coding=utf-8
import numpy as np

#分类器代码
class Perceptron(object):
    """
    eta:学习率
    n_iter:权重向量的训练次数
    w_:神经分叉权重向量
    errors_:用于记录神经元判断出错次数
    """
    def __init__(self,eta = 0.01,n_iter = 10):
        self.eta = eta;
        self.n_iter = n_iter
        pass
    def fit(self,X,y):
        """
        输入训练数据，培训神经元
        :param X: 输入样本向量
        :param y: 对应样本分类
        
        X:shape[n_samples, n_features]
        X:[[1,2,3],[4,5,6]]
        n_samples :2
        n_features:3
        
        y:[1,-1]
        """

        """
        初始化向量为0
        加一是因为步调函数阈值
        """
        self.w_ =np.zeros(1+X.shape[1]);
        self.errors_=[]

        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X,y):
                update = self.eta*(target - self.predict(xi))

                self.w_[1:]+= update * xi
                self.w_[0] += update;

                errors += int(update!= 0)
                self.errors_.append(errors)
                pass


            pass

    def net_input(self,X):
        return np.dot(X,self.w_[1:]+self.w_[0])
        pass
    def predict(self,X):
        return np.where(self.net_input(X)>=0.0,1,-1)
        pass

import pandas as pd

file = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'

df = pd.read_csv(file,header=None)


import matplotlib.pyplot as plt


y = df.loc[0:100,4].values
y=np.where(y=='Iris-setosa',-1,1)

#根据整数位置选取单列或单行数据
X = df.loc[0:100,[0,2]].values
plt.scatter(X[:50,0],X[:50,1],color='red',marker='o',label="setosa")

plt.scatter(X[50:100,0],X[50:100,1],color='blue',marker='x',label="versicolor")

plt.xlabel('huabanchangdu')
plt.ylabel('huajingchangdu')
plt.legend(loc='upper left')


ppn =Perceptron(eta=0.1,n_iter=10)
ppn.fit(X,y)

from matplotlib.colors import ListedColormap
def plot_decision_region(X,y,classifier,resolution=0.02):
    markers=('s','x','o','v')
    colors=('red','blue','lightgreen','gray','cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])

    x1_min ,x1_max = X[:,0].min()-1,X[:,0].max()
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()
    xx1,xx2 = np.meshgrid(np.arange(x1_min,x1_max,resolution),
                      np.arange(x2_min, x2_max, resolution))
    Z =classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
    print (xx1.ravel())
    print(xx2.ravel())
    print Z
    Z=Z.reshape(xx1.shape)
    plt.contourf(xx1,xx2,Z,alpha =0.4, cmap=cmap)
    plt.xlim(xx1.min(),xx1.max())
    plt.ylim(xx2.min(),xx2.max())
    for idx,cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y==cl,0],y=X[y==cl,1],alpha=0.8,c=cmap(idx),
                    marker=markers[idx],label=cl)

plot_decision_region(X,y,ppn,resolution=0.02)
plt.xlabel('huajingchang')
plt.ylabel('huabanchang')
plt.legend(loc='upper left')
plt.show()

C1代表数据的类别，即+1或者-1。

x的含义是导入数据X中标号为c1的数据的第一列

y的含义是导入数据X中标号为c1的数据的第二列

在上一节的开头能看到用csv文件的数据进行训练的代码的

我的python3.6，没问题的。

是不是没有写predict这个函数？或者函数名写错了？

ppn训练怎么做？

把net_input  predict函数拿到fit函数外部 与fit函数平级  检查下自己的函数名以及 __init__函数

你可以试试把y的数值减小一个

y=df.loc[0:99,4].values

不用导入，只是函数里的一个可变参数