将这个代码插入进上面总代码

当然可以，以下是将感知机分类模型的交叉验证和性能评估代码插入到前面提到的总代码中的位置：

# ...
# 导入必要的库和数据预处理步骤

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 感知机分类模型
print("训练感知机分类器...")
perceptron_clf = Perceptron(penalty=None, tol=1e-3, random_state=42)
scores = cross_val_score(perceptron_clf, X_train, y_train, cv=5, scoring='accuracy')
print(f"感知机 CV 平均得分: {scores.mean():.3f} (+/- {scores.std() * 2:.3f})")

# K近邻分类模型
# ...（之前的代码）

# 朴素贝叶斯分类模型
# ...（之前的代码）

# 决策树分类模型
# ...（之前的代码）

# 决策树可视化
# ...（之前的代码）

# 逻辑回归分类模型和性能指标随C变化图的绘制
# ...（之前的代码）

这段代码应该放在数据划分之后，这样我们就有了一个准备好的训练集来评估感知机模型的性能。cross_val_score 函数会返回一个数组，包含每次交叉验证的得分。我们计算这个数组的平均值和两倍标准差，以提供关于模型性能稳定性的信息。

请确保在运行此代码之前，你已经完成了数据导入、预处理、特征提取等步骤，并成功划分了训练集和测试集。此外，对其他分类模型的训练和评估代码也应当按照类似的结构进行组织。