我玩Python这几年最先接触的数据集就是Iris鸢尾花也用它在各种场合演示过数据加载和可视化分析。如果你刚入门Python数据分析大概率会在教程里反复看到“iris.csv”或load_iris()这几行代码。这个数据集很经典150条样本、4个特征、3个类别既能快速验证代码逻辑又能把pandas、matplotlib、seaborn的核心操作走一遍。这篇内容我就把自己平时用Python处理Iris数据集的完整流程、常用代码、踩过的坑全部整理出来从数据加载到可视化分析每一段都对应实际可运行的代码方便你边看边敲。1. 项目思路与方案选择1.1 为什么选Iris数据集Iris数据集也叫安德森鸢尾花数据集统计学家R.A. Fisher在1936年发表的论文里用过它做线性判别分析后来慢慢成了机器学习和数据分析最常见的入门数据集。它包含三种鸢尾花分别是Setosa、Versicolour、Virginica每种50条样本每条样本记录4个特征花萼长度、花萼宽度、花瓣长度、花瓣宽度单位是厘米。这个数据集非常“干净”没有缺失值、没有乱码、类别也均衡特别适合拿来练习数据加载、数据清洗、统计摘要、可视化和简单的分类建模。我经常给刚接触Python的朋友推荐Iris因为它的规模和结构足够小能让你把精力放在“代码本身”上而不是被数据预处理拖住。等你把Iris这套流程跑熟了切换到其他数据集时基本路径是相通的加载、探索、清洗、可视化、建模。1.2 整体方案设计从加载到可视化整个实操流程我会按照数据处理的标准顺序来组织环境准备、数据加载、数据体检、数据预处理、统计探索、可视化分析、常见问题排查。每一步都对应一个明确目标最后你能得到一整套可直接复用的Iris数据分析脚本。在工具选型上我统一采用Python生态里最常用的三件套pandas负责加载和表格操作matplotlib负责底层绘图seaborn负责高级统计图表。三者的分工很明确pandas解决“数据怎么组织”seaborn解决“图怎么画得又快又好看”matplotlib解决“画完怎么微调细节”。不用额外的重型框架也不需要数据库一个.py文件或Jupyter Notebook就能跑完全程。2. 环境准备与数据加载2.1 Python环境与依赖库安装在跑数据之前先把环境搞干净。如果你是Windows用户建议直接去Python官网下载安装包安装时一定要勾选“Add Python to PATH”macOS和Linux用户一般系统自带Python 3但版本可能偏旧建议通过Homebrew或apt安装新的Python 3。装完之后打开终端或命令提示符先看一下版本python --version如果显示类似Python 3.10.x或更高版本环境基本没问题。接下来安装依赖库pip install pandas matplotlib seaborn scikit-learn国内网络环境下pip下载速度偶尔很慢这时可以直接临时指定国内镜像源我用清华源比较多实测稳定pip install pandas matplotlib seaborn scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple装完之后可以用一行代码验证库是否可用python -c import pandas, matplotlib, seaborn, sklearn; print(ok)如果你用的是VSCode记得在命令面板里选对Python解释器也就是你刚安装那个Python 3的路径。用PyCharm的话直接在Settings里给项目选好Interpreter就行。这个坑很常见库明明装了但IDE用的是另一个Python环境导致ModuleNotFoundError排错时第一个想到的应该是解释器路径。2.2 加载Iris数据的两种方式第一种方式直接用scikit-learn内置的加载函数。load_iris()返回一个类似字典的Bunch对象里面包含数据和元信息from sklearn.datasets import load_iris import pandas as pd iris load_iris() # 特征数据150行4列 print(iris.data) # 目标标签0、1、2分别对应三种鸢尾花 print(iris.target) # 特征名 print(iris.feature_names) # 类别名 print(iris.target_names) # 转换成DataFrame df pd.DataFrame(iris.data, columnsiris.feature_names) df[species] iris.target_names[iris.target] print(df.head())第二种方式从UCI或Kaggle等平台下载iris.csv文件再用pandas读取。这种方式更贴近真实工作场景因为实际项目里数据大多来自外部文件import pandas as pd df pd.read_csv(iris.csv) print(df.head())两种方式各有适用场景。如果是做快速验证和算法演示load_iris()最省事不用额外管理文件如果是演示“从文件导入”的完整流程或者数据格式与官方CSV版本有差异那用pd.read_csv()更合适。我第一次写Iris教程时两种方式都试过后来更偏好CSV方式因为能顺带练习cols选择、列重命名、类型调整这些基础操作这些恰恰是日常工作中天天用到的技能。2.3 数据体检shape、head、describe数据加载进来之后不要急着画图先做一次快速体检。我用数据时习惯按顺序看四个东西维度、前几行、列信息和统计摘要。# 1. 查看维度 print(df.shape) # 2. 查看前5行 print(df.head()) # 3. 查看列信息包括非空值和数据类型 print(df.info()) # 4. 数值列的统计摘要 print(df.describe())shape告诉你数据规模是150行、5列head()帮你快速扫一眼数据长什么样info()能看到每列的类型和非空数量是做数据质量判断的关键describe()则输出计数、均值、标准差、最小值、四分位数和最大值能让你对特征分布有第一印象。实测下来Iris数据集的4个特征均值有明显差异花瓣长度和花瓣宽度的均值范围比较大而花萼宽度相对集中。这个细节先记住后面画图时会发现正是这种特征差异让分类可视化变得非常清晰。2.4 数据清洗与预处理很多人觉得Iris数据太干净不需要清洗但我每次都会走一遍标准预处理流程目的不是给Iris“洗澡”而是建立一套肌肉记忆切换到其他数据集时不会被脏数据卡住。# 1. 检查缺失值 print(df.isnull().sum()) # 2. 检查重复行 print(df.duplicated().sum()) # 3. 如果有重复行直接删除 df df.drop_duplicates() # 4. 检查类别分布是否均衡 print(df[species].value_counts())如果后续要做机器学习建模通常还会把类别文字映射成数值df[species_code] df[species].map({setosa: 0, versicolor: 1, virginica: 2}) print(df.head())预处理阶段有两个点容易踩坑。第一个是列名里有空格或特殊字符如果是从在线数据集下载的CSV列名可能是sepal length这类带空格的写法用df[sepal length]虽然能访问但写起来很麻烦建议一进来就统一重命名df.columns [sepal_length, sepal_width, petal_length, petal_width, species]第二个是数据类型转换。df.info()如果显示某列是object而实际应该是数值类型比如CSV里写了5.1cm这样的文本就需要用pd.to_numeric()把列转成浮点数转换时可以把errorscoerce参数也加上让无法解析的值变成NaN再统一处理。3. 数据探索与统计洞察3.1 类别分布与样本均衡性检查数据预处理之后先确认类别分布。Iris的三个类别样本数相同都是50属于均衡数据集。这在分类任务里是理想情况如果换个数据集中某一类只占5%建模时就要考虑过采样或欠采样了。import matplotlib.pyplot as plt df[species].value_counts().plot(kindbar) plt.title(Species Count) plt.xlabel(Species) plt.ylabel(Count) plt.xticks(rotation45) plt.show()这里有一个实用细节plt.xticks(rotation45)可以旋转横轴标签解决标签太长互相重叠的问题。后面在画其他图时如果遇到横坐标文字堆成一团优先考虑加大画布尺寸或者旋转标签。3.2 分组聚合与统计摘要分组聚合是理解“特征与类别关系”最快的方法。我的习惯是按物种分组分别计算每个特征的均值、标准差和分位数df.groupby(species).agg({ sepal_length: [mean, std], sepal_width: [mean, std], petal_length: [mean, std], petal_width: [mean, std] }).round(2)输出结果会清楚显示setosa的petal_length均值明显更短virginica则普遍更长。这种差距在数值上一天就看得出来但更直观的方式还是画图下一节会详细拆解。也可以顺手算一下特征之间的相关性用.corr()生成相关性矩阵范围在-1到1之间。花瓣长度和花瓣宽度相关性很高说明这两个特征携带的信息有重叠后续做PCA降维时这种信息冗余是正常现象。3.3 数值特征的统计分析除了整体统计摘要我还会单独对每个数值特征做分布检查比如计算偏度、峰度用来判断数据是否接近正态分布from scipy import stats for col in [sepal_length, sepal_width, petal_length, petal_width]: skew_val stats.skew(df[col]) print(f{col}: skew {skew_val:.3f})偏度绝对值越小越接近对称分布。Iris数据的几个特征整体偏度不大画直方图时会看到比较规则的钟形或近似钟形分布。这一步骤在实际项目中很重要因为很多统计检验和机器学习模型对特征分布有假设提前掌握分布形态能帮你决定是否需要做标准化或幂变换。4. 可视化分析实战4.1 单变量分布直方图与箱线图先画单变量分布最简单也最常用的是直方图。用matplotlib画也可以用seaborn的histplot后者自带密度曲线和核密度估计信息量更大import matplotlib.pyplot as plt import seaborn as sns sns.set_theme(stylewhitegrid) plt.figure(figsize(8, 4)) sns.histplot(df[petal_length], bins20, kdeTrue) plt.title(Petal Length Distribution) plt.xlabel(Petal Length (cm)) plt.show()直方图能快速看到数据集中趋势和是否存在多峰。Iris的petal_length直方图会出现明显的双峰原因是setosa整体较短versicolor和virginica较长两个群体叠加形成了两个峰。如果数据本身单峰分析时反而更省事。箱线图也很适合单变量分析特别适合发现离群点。Iris数据集中setosa的sepal_width偶尔会出现离群点这是正常的不用急着剔除sns.boxplot(datadf, xspecies, ysepal_width) plt.title(Sepal Width by Species) plt.show()如果想把单变量信息汇总得更紧凑可以用一个小宽度的多子图布局把4个特征的直方图放在同一张图中通过plt.subplots(1, 4, figsize(16, 3))实现。这种方式在做数据报告时特别实用一张图就能展示全部特征的大致分布。4.2 双变量关系散点图与回归趋势散点图是探索两个数值特征关系的最直观方式。Iris里最经典的组合是petal_length和petal_width两者正相关性很强并且不同物种在散点图上呈现明显的聚类区plt.figure(figsize(8, 6)) sns.scatterplot(datadf, xpetal_length, ypetal_width, huespecies, stylespecies, s80) plt.title(Petal Length vs Petal Width) plt.show()huespecies让三种鸢尾花显示为不同颜色stylespecies让它们显示为不同点型这样即使打印成黑白文档也能区分。如果不想看到点型差异过大可以只保留hue。如果想在散点图上加趋势线可以用lmplot或者regplot会额外给出线性拟合结果sns.lmplot(datadf, xpetal_length, ypetal_width, huespecies, ciNone) plt.show()从图上能明显看到setosa的拟合线和另两类分的很开这就是一条很自然的分类线索。如果想做更严格的分类模型这个特征组合本身就是很好的输入。4.3 多变量一图全览pairplot与热力图多变量探索我首推seaborn的pairplot一行代码就能画出所有特征两两组合的散点图对角线上是单变量分布。Iris配pairplot几乎是绝配sns.pairplot(df, huespecies, diag_kindkde, markers[o, s, D]) plt.show()huespecies是核心diag_kindkde表示对角线用核密度曲线替代直方图markers控制三种类别的点型。这个图适合前期快速扫描哪些特征组合能分得开类别、哪些重叠严重、是否存在异常点一眼就能看清。相关性热力图和pairplot配合使用效果更佳corr df[[sepal_length, sepal_width, petal_length, petal_width]].corr() plt.figure(figsize(6, 5)) sns.heatmap(corr, annotTrue, fmt.2f, cmapcoolwarm, linewidths0.5) plt.title(Feature Correlation Matrix) plt.show()annotTrue会在格子里显示数值fmt.2f控制小数位数。从热力图能直接看出petal_length和petal_width的相关系数很高sepal_length与petal_length也接近0.87这些都是后续建模时做特征筛查的重要参考。4.4 分组分布对比小提琴图与并行坐标箱线图能看分位数但看不出分布形态。想更精细地对比不同类别在各特征上的分布小提琴图是更好的选择。它结合了箱线图和密度图宽度表示概率密度plt.figure(figsize(10, 6)) sns.violinplot(datadf, xspecies, ysepal_length) plt.title(Sepal Length Distribution by Species) plt.show()我建议把4个特征的小提琴图放在一个大画布里用plt.subplots(1, 4)拼起来这样对比更强烈。看完你会明显发现petal相关的两个特征在不同物种间区分度最大sepal_width的区分度相对弱一些。还有一个图叫并行坐标图适合观察多维特征如何共同区分样本。pandas里可以直接画from pandas.plotting import parallel_coordinates plt.figure(figsize(10, 5)) parallel_coordinates(df, class_columnspecies, cols[sepal_length, sepal_width, petal_length, petal_width], color[#1f77b4, #ff7f0e, #2ca02c]) plt.title(Parallel Coordinates Plot) plt.show()并行坐标图里每一条折线代表一个样本横轴是特征名纵轴是数值。如果同一物种的折线走向和区间接近说明该物种的特征组合模式稳定如果不同物种的折线被明显分开说明特征能有效区分类别。4.5 画图细节保存、清晰度与密度处理画完图之后保存和微调是很多人忽略的部分。我一般在plt.show()之前对图片做几件事设置图形大小、调用plt.tight_layout()整理间距、用savefig保存高分辨率图片。plt.figure(figsize(10, 6)) sns.boxplot(datadf, xspecies, ypetal_length) plt.title(Petal Length by Species) plt.xlabel(Species) plt.ylabel(Petal Length (cm)) plt.tight_layout() plt.savefig(petal_length_boxplot.png, dpi150, bbox_inchestight) plt.show()dpi150足以满足论文或报告的一般要求bbox_inchestight能自动裁剪多余的白边。如果你发现图的横坐标标签挤成一片用plt.xticks(rotation45, haright)旋转如果旋转还不够就加大figsize的宽度。保存图片后还要注意预览效果Jupyter Notebook里默认会内嵌显示脚本环境下会弹出独立窗口。如果窗口闪退通常是后端配置问题可以在代码开头加上import matplotlib matplotlib.use(TkAgg)这行要放在import matplotlib.pyplot之前否则可能不会生效。5. 常见问题与排错实录5.1 横坐标标签太密集画柱状图或箱线图时如果横坐标类别多、标签又长有时候会出现标签重叠、显示不全的情况。我的处理优先级是plt.xticks(rotation45, haright)旋转并右对齐。plt.figure(figsize(...))把画布加宽。手动设置步长例如每5个刻度显示一个标签。Iris数据只有3个类别很少遇到这个问题但同样代码一旦换成几十一百个类别的数据“横坐标太密集”几乎必然出现。提前养成加rotation的习惯能省不少事。5.2 图中中文显示成方框如果标题或坐标轴标签里用了中文默认字体下可能显示成小方框。解决办法是在代码开头设置中文字体plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, Microsoft YaHei] plt.rcParams[axes.unicode_minus] Falseaxes.unicode_minus设为False是为了让坐标轴上的负号显示正常否则字符画出来可能是个怪异的负号。如果设置后还没生效检查当前系统有哪些中文字体可用不同系统字体名不完全一样。5.3 数据加载报错或列名不对pd.read_csv(iris.csv)报FileNotFoundError时先确认csv文件和当前运行目录是否是同一目录。如果不在同一目录使用绝对路径最省心df pd.read_csv(rC:\Users\用户名\Desktop\iris.csv)如果打开文件后列名是Sepal.Length这种带点的格式建议读进来之后统一重命名df.columns [sepal_length, sepal_width, petal_length, petal_width, species]有些csv文件第一行是注释内容不是列名你可以传递comment#参数跳过让pandas自动识别真正的表头。5.4 图像不显示或只显示空白这种情况常见于脚本环境下没有调用plt.show()。在Jupyter里不写也能显示是魔法功能的功劳但纯.py脚本必须显式调用。另外如果你同时调用plt.show()和plt.savefig()保存位置要放在show()之前否则保存出来的可能是空白图。5.5 常见问题速查表为了方便翻阅我整理了一个简洁的问题速查表现象可能原因解决办法ModuleNotFoundErrorPython解释器路径选错在IDE里切换解释器或重新激活虚拟环境中文显示成方框缺少中文字体配置设置rcParams[font.sans-serif]和axes.unicode_minus横轴标签重叠标签过长或过多旋转标签、加宽画布、设置刻度步长图片保存后空白savefig在show之后把savefig放到show之前读取csv报错文件路径不对检查路径或使用绝对路径弹出窗口闪退matplotlib后端问题在导入pyplot前设置matplotlib.use(TkAgg)分组统计结果列名混乱agg后MultiIndex用.round(2)或reset_index()整理或直接取多层列名6. 完整源码与扩展思路6.1 完整参考代码把上面所有关键步骤整合成一份完整脚本放到文件里就能直接运行。代码做了必要的注释方便用作学习模板import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.datasets import load_iris # 1. 数据加载 iris load_iris() df pd.DataFrame(iris.data, columnsiris.feature_names) df[species] iris.target_names[iris.target] # 2. 列名统一 df.columns [sepal_length, sepal_width, petal_length, petal_width, species] # 3. 数据体检 print(df.shape) print(df.head()) print(df.info()) print(df.describe()) # 4. 缺失值与重复值检查 print(df.isnull().sum()) print(df.duplicated().sum()) df df.drop_duplicates() # 5. 统计摘要 print(df.groupby(species).agg({sepal_length: [mean, std], sepal_width: [mean, std], petal_length: [mean, std], petal_width: [mean, std]}).round(2)) # 6. 可视化设置 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False # 7. 散点图 plt.figure(figsize(8, 6)) sns.scatterplot(datadf, xpetal_length, ypetal_width, huespecies, stylespecies, s80) plt.title(Petal Length vs Petal Width) plt.tight_layout() plt.savefig(scatter_plot.png, dpi150) plt.show() # 8. 箱线图 plt.figure(figsize(8, 5)) sns.boxplot(datadf, xspecies, ypetal_length) plt.title(Petal Length by Species) plt.tight_layout() plt.savefig(boxplot.png, dpi150) plt.show() # 9. pairplot sns.pairplot(df, huespecies, diag_kindkde) plt.savefig(pairplot.png, dpi150) plt.show() # 10. 热力图 corr df[[sepal_length, sepal_width, petal_length, petal_width]].corr() plt.figure(figsize(6, 5)) sns.heatmap(corr, annotTrue, fmt.2f, cmapcoolwarm, linewidths0.5) plt.title(Feature Correlation Matrix) plt.tight_layout() plt.savefig(heatmap.png, dpi150) plt.show()这份代码从加载到4张图全部覆盖可以作为你入门“pandas鸢尾花数据集iris”分析的第一版脚本。实际使用中发现把输出结果和保存的图片按“数据表图片”分开整理复盘时效率最高。6.2 进阶扩展方向如果你熟悉了上面的基础流程可以往三个方向继续深入。第一个方向是降维可视化。Iris虽然有4个特征但无法直接在二维平面完整展示。用PCA将4个特征压缩成2个主成分然后在二维平面上画散点图往往能保持较好的类别可分性from sklearn.decomposition import PCA pca PCA(n_components2) pca_data pca.fit_transform(df[[sepal_length, sepal_width, petal_length, petal_width]]) pca_df pd.DataFrame(pca_data, columns[PC1, PC2]) pca_df[species] df[species] sns.scatterplot(datapca_df, xPC1, yPC2, huespecies) plt.title(PCA of Iris Dataset) plt.show()第二个方向是聚类分析。用KMeans把样本聚成3类再和真实标签对比计算准确率或画混淆矩阵。这个过程非常适合理解“无监督聚类”和“有监督分类”的区别。如果你想尝试层次聚类用scipy的dendrogram画出谱系图也能直观看到setosa类和其他两类最早分叉。第三个方向是分类建模。用决策树、逻辑回归或K近邻训练一个可以区分三种鸢尾花的模型。因为数据量小、特征简单这类模型通常都能取得不错的准确率。但要注意Iris数据集样本量只有150做模型评估时要强调交叉验证不要只凭一次训练集测试集划分就下结论。说到扩展方向我个人的习惯是每次拿到新数据集都会重复这个分析流程加载、体检、绘图、建模。流程稳定之后真正决定分析质量的反而是对业务问题的理解和对图表含义的解读能力。实操中的个人体会这套Iris分析流程我前前后后跑了不下二十遍每次都能在不同细节上发现新的东西。最开始我只关注代码能不能跑通现在更关注图表能不能传达准确信息。Iris数据集虽然简单但它是练手分析流程最合适的试验田从加载到可视化每一步都能立刻看到结果错误反馈也够直接非常适合用来建立数据敏感度。建议你拿到这份参考代码后不要只复制粘贴亲手敲一遍、改一遍参数比如把hue换成别的列把bins从20改成40把图的大小改一改你会发现图形表达的变化远比你预想的大。数据分析和做菜很像菜谱是死的手感和经验是练出来的。Iris就是你厨房里那块最基础的豆腐先把它煎好了山珍海味才做得顺手。
我玩Python这几年最先接触的数据集就是Iris鸢尾花也用它在各种场合演示过数据加载和可视化分析。如果你刚入门Python数据分析大概率会在教程里反复看到“iris.csv”或load_iris()这几行代码。这个数据集很经典150条样本、4个特征、3个类别既能快速验证代码逻辑又能把pandas、matplotlib、seaborn的核心操作走一遍。这篇内容我就把自己平时用Python处理Iris数据集的完整流程、常用代码、踩过的坑全部整理出来从数据加载到可视化分析每一段都对应实际可运行的代码方便你边看边敲。1. 项目思路与方案选择1.1 为什么选Iris数据集Iris数据集也叫安德森鸢尾花数据集统计学家R.A. Fisher在1936年发表的论文里用过它做线性判别分析后来慢慢成了机器学习和数据分析最常见的入门数据集。它包含三种鸢尾花分别是Setosa、Versicolour、Virginica每种50条样本每条样本记录4个特征花萼长度、花萼宽度、花瓣长度、花瓣宽度单位是厘米。这个数据集非常“干净”没有缺失值、没有乱码、类别也均衡特别适合拿来练习数据加载、数据清洗、统计摘要、可视化和简单的分类建模。我经常给刚接触Python的朋友推荐Iris因为它的规模和结构足够小能让你把精力放在“代码本身”上而不是被数据预处理拖住。等你把Iris这套流程跑熟了切换到其他数据集时基本路径是相通的加载、探索、清洗、可视化、建模。1.2 整体方案设计从加载到可视化整个实操流程我会按照数据处理的标准顺序来组织环境准备、数据加载、数据体检、数据预处理、统计探索、可视化分析、常见问题排查。每一步都对应一个明确目标最后你能得到一整套可直接复用的Iris数据分析脚本。在工具选型上我统一采用Python生态里最常用的三件套pandas负责加载和表格操作matplotlib负责底层绘图seaborn负责高级统计图表。三者的分工很明确pandas解决“数据怎么组织”seaborn解决“图怎么画得又快又好看”matplotlib解决“画完怎么微调细节”。不用额外的重型框架也不需要数据库一个.py文件或Jupyter Notebook就能跑完全程。2. 环境准备与数据加载2.1 Python环境与依赖库安装在跑数据之前先把环境搞干净。如果你是Windows用户建议直接去Python官网下载安装包安装时一定要勾选“Add Python to PATH”macOS和Linux用户一般系统自带Python 3但版本可能偏旧建议通过Homebrew或apt安装新的Python 3。装完之后打开终端或命令提示符先看一下版本python --version如果显示类似Python 3.10.x或更高版本环境基本没问题。接下来安装依赖库pip install pandas matplotlib seaborn scikit-learn国内网络环境下pip下载速度偶尔很慢这时可以直接临时指定国内镜像源我用清华源比较多实测稳定pip install pandas matplotlib seaborn scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple装完之后可以用一行代码验证库是否可用python -c import pandas, matplotlib, seaborn, sklearn; print(ok)如果你用的是VSCode记得在命令面板里选对Python解释器也就是你刚安装那个Python 3的路径。用PyCharm的话直接在Settings里给项目选好Interpreter就行。这个坑很常见库明明装了但IDE用的是另一个Python环境导致ModuleNotFoundError排错时第一个想到的应该是解释器路径。2.2 加载Iris数据的两种方式第一种方式直接用scikit-learn内置的加载函数。load_iris()返回一个类似字典的Bunch对象里面包含数据和元信息from sklearn.datasets import load_iris import pandas as pd iris load_iris() # 特征数据150行4列 print(iris.data) # 目标标签0、1、2分别对应三种鸢尾花 print(iris.target) # 特征名 print(iris.feature_names) # 类别名 print(iris.target_names) # 转换成DataFrame df pd.DataFrame(iris.data, columnsiris.feature_names) df[species] iris.target_names[iris.target] print(df.head())第二种方式从UCI或Kaggle等平台下载iris.csv文件再用pandas读取。这种方式更贴近真实工作场景因为实际项目里数据大多来自外部文件import pandas as pd df pd.read_csv(iris.csv) print(df.head())两种方式各有适用场景。如果是做快速验证和算法演示load_iris()最省事不用额外管理文件如果是演示“从文件导入”的完整流程或者数据格式与官方CSV版本有差异那用pd.read_csv()更合适。我第一次写Iris教程时两种方式都试过后来更偏好CSV方式因为能顺带练习cols选择、列重命名、类型调整这些基础操作这些恰恰是日常工作中天天用到的技能。2.3 数据体检shape、head、describe数据加载进来之后不要急着画图先做一次快速体检。我用数据时习惯按顺序看四个东西维度、前几行、列信息和统计摘要。# 1. 查看维度 print(df.shape) # 2. 查看前5行 print(df.head()) # 3. 查看列信息包括非空值和数据类型 print(df.info()) # 4. 数值列的统计摘要 print(df.describe())shape告诉你数据规模是150行、5列head()帮你快速扫一眼数据长什么样info()能看到每列的类型和非空数量是做数据质量判断的关键describe()则输出计数、均值、标准差、最小值、四分位数和最大值能让你对特征分布有第一印象。实测下来Iris数据集的4个特征均值有明显差异花瓣长度和花瓣宽度的均值范围比较大而花萼宽度相对集中。这个细节先记住后面画图时会发现正是这种特征差异让分类可视化变得非常清晰。2.4 数据清洗与预处理很多人觉得Iris数据太干净不需要清洗但我每次都会走一遍标准预处理流程目的不是给Iris“洗澡”而是建立一套肌肉记忆切换到其他数据集时不会被脏数据卡住。# 1. 检查缺失值 print(df.isnull().sum()) # 2. 检查重复行 print(df.duplicated().sum()) # 3. 如果有重复行直接删除 df df.drop_duplicates() # 4. 检查类别分布是否均衡 print(df[species].value_counts())如果后续要做机器学习建模通常还会把类别文字映射成数值df[species_code] df[species].map({setosa: 0, versicolor: 1, virginica: 2}) print(df.head())预处理阶段有两个点容易踩坑。第一个是列名里有空格或特殊字符如果是从在线数据集下载的CSV列名可能是sepal length这类带空格的写法用df[sepal length]虽然能访问但写起来很麻烦建议一进来就统一重命名df.columns [sepal_length, sepal_width, petal_length, petal_width, species]第二个是数据类型转换。df.info()如果显示某列是object而实际应该是数值类型比如CSV里写了5.1cm这样的文本就需要用pd.to_numeric()把列转成浮点数转换时可以把errorscoerce参数也加上让无法解析的值变成NaN再统一处理。3. 数据探索与统计洞察3.1 类别分布与样本均衡性检查数据预处理之后先确认类别分布。Iris的三个类别样本数相同都是50属于均衡数据集。这在分类任务里是理想情况如果换个数据集中某一类只占5%建模时就要考虑过采样或欠采样了。import matplotlib.pyplot as plt df[species].value_counts().plot(kindbar) plt.title(Species Count) plt.xlabel(Species) plt.ylabel(Count) plt.xticks(rotation45) plt.show()这里有一个实用细节plt.xticks(rotation45)可以旋转横轴标签解决标签太长互相重叠的问题。后面在画其他图时如果遇到横坐标文字堆成一团优先考虑加大画布尺寸或者旋转标签。3.2 分组聚合与统计摘要分组聚合是理解“特征与类别关系”最快的方法。我的习惯是按物种分组分别计算每个特征的均值、标准差和分位数df.groupby(species).agg({ sepal_length: [mean, std], sepal_width: [mean, std], petal_length: [mean, std], petal_width: [mean, std] }).round(2)输出结果会清楚显示setosa的petal_length均值明显更短virginica则普遍更长。这种差距在数值上一天就看得出来但更直观的方式还是画图下一节会详细拆解。也可以顺手算一下特征之间的相关性用.corr()生成相关性矩阵范围在-1到1之间。花瓣长度和花瓣宽度相关性很高说明这两个特征携带的信息有重叠后续做PCA降维时这种信息冗余是正常现象。3.3 数值特征的统计分析除了整体统计摘要我还会单独对每个数值特征做分布检查比如计算偏度、峰度用来判断数据是否接近正态分布from scipy import stats for col in [sepal_length, sepal_width, petal_length, petal_width]: skew_val stats.skew(df[col]) print(f{col}: skew {skew_val:.3f})偏度绝对值越小越接近对称分布。Iris数据的几个特征整体偏度不大画直方图时会看到比较规则的钟形或近似钟形分布。这一步骤在实际项目中很重要因为很多统计检验和机器学习模型对特征分布有假设提前掌握分布形态能帮你决定是否需要做标准化或幂变换。4. 可视化分析实战4.1 单变量分布直方图与箱线图先画单变量分布最简单也最常用的是直方图。用matplotlib画也可以用seaborn的histplot后者自带密度曲线和核密度估计信息量更大import matplotlib.pyplot as plt import seaborn as sns sns.set_theme(stylewhitegrid) plt.figure(figsize(8, 4)) sns.histplot(df[petal_length], bins20, kdeTrue) plt.title(Petal Length Distribution) plt.xlabel(Petal Length (cm)) plt.show()直方图能快速看到数据集中趋势和是否存在多峰。Iris的petal_length直方图会出现明显的双峰原因是setosa整体较短versicolor和virginica较长两个群体叠加形成了两个峰。如果数据本身单峰分析时反而更省事。箱线图也很适合单变量分析特别适合发现离群点。Iris数据集中setosa的sepal_width偶尔会出现离群点这是正常的不用急着剔除sns.boxplot(datadf, xspecies, ysepal_width) plt.title(Sepal Width by Species) plt.show()如果想把单变量信息汇总得更紧凑可以用一个小宽度的多子图布局把4个特征的直方图放在同一张图中通过plt.subplots(1, 4, figsize(16, 3))实现。这种方式在做数据报告时特别实用一张图就能展示全部特征的大致分布。4.2 双变量关系散点图与回归趋势散点图是探索两个数值特征关系的最直观方式。Iris里最经典的组合是petal_length和petal_width两者正相关性很强并且不同物种在散点图上呈现明显的聚类区plt.figure(figsize(8, 6)) sns.scatterplot(datadf, xpetal_length, ypetal_width, huespecies, stylespecies, s80) plt.title(Petal Length vs Petal Width) plt.show()huespecies让三种鸢尾花显示为不同颜色stylespecies让它们显示为不同点型这样即使打印成黑白文档也能区分。如果不想看到点型差异过大可以只保留hue。如果想在散点图上加趋势线可以用lmplot或者regplot会额外给出线性拟合结果sns.lmplot(datadf, xpetal_length, ypetal_width, huespecies, ciNone) plt.show()从图上能明显看到setosa的拟合线和另两类分的很开这就是一条很自然的分类线索。如果想做更严格的分类模型这个特征组合本身就是很好的输入。4.3 多变量一图全览pairplot与热力图多变量探索我首推seaborn的pairplot一行代码就能画出所有特征两两组合的散点图对角线上是单变量分布。Iris配pairplot几乎是绝配sns.pairplot(df, huespecies, diag_kindkde, markers[o, s, D]) plt.show()huespecies是核心diag_kindkde表示对角线用核密度曲线替代直方图markers控制三种类别的点型。这个图适合前期快速扫描哪些特征组合能分得开类别、哪些重叠严重、是否存在异常点一眼就能看清。相关性热力图和pairplot配合使用效果更佳corr df[[sepal_length, sepal_width, petal_length, petal_width]].corr() plt.figure(figsize(6, 5)) sns.heatmap(corr, annotTrue, fmt.2f, cmapcoolwarm, linewidths0.5) plt.title(Feature Correlation Matrix) plt.show()annotTrue会在格子里显示数值fmt.2f控制小数位数。从热力图能直接看出petal_length和petal_width的相关系数很高sepal_length与petal_length也接近0.87这些都是后续建模时做特征筛查的重要参考。4.4 分组分布对比小提琴图与并行坐标箱线图能看分位数但看不出分布形态。想更精细地对比不同类别在各特征上的分布小提琴图是更好的选择。它结合了箱线图和密度图宽度表示概率密度plt.figure(figsize(10, 6)) sns.violinplot(datadf, xspecies, ysepal_length) plt.title(Sepal Length Distribution by Species) plt.show()我建议把4个特征的小提琴图放在一个大画布里用plt.subplots(1, 4)拼起来这样对比更强烈。看完你会明显发现petal相关的两个特征在不同物种间区分度最大sepal_width的区分度相对弱一些。还有一个图叫并行坐标图适合观察多维特征如何共同区分样本。pandas里可以直接画from pandas.plotting import parallel_coordinates plt.figure(figsize(10, 5)) parallel_coordinates(df, class_columnspecies, cols[sepal_length, sepal_width, petal_length, petal_width], color[#1f77b4, #ff7f0e, #2ca02c]) plt.title(Parallel Coordinates Plot) plt.show()并行坐标图里每一条折线代表一个样本横轴是特征名纵轴是数值。如果同一物种的折线走向和区间接近说明该物种的特征组合模式稳定如果不同物种的折线被明显分开说明特征能有效区分类别。4.5 画图细节保存、清晰度与密度处理画完图之后保存和微调是很多人忽略的部分。我一般在plt.show()之前对图片做几件事设置图形大小、调用plt.tight_layout()整理间距、用savefig保存高分辨率图片。plt.figure(figsize(10, 6)) sns.boxplot(datadf, xspecies, ypetal_length) plt.title(Petal Length by Species) plt.xlabel(Species) plt.ylabel(Petal Length (cm)) plt.tight_layout() plt.savefig(petal_length_boxplot.png, dpi150, bbox_inchestight) plt.show()dpi150足以满足论文或报告的一般要求bbox_inchestight能自动裁剪多余的白边。如果你发现图的横坐标标签挤成一片用plt.xticks(rotation45, haright)旋转如果旋转还不够就加大figsize的宽度。保存图片后还要注意预览效果Jupyter Notebook里默认会内嵌显示脚本环境下会弹出独立窗口。如果窗口闪退通常是后端配置问题可以在代码开头加上import matplotlib matplotlib.use(TkAgg)这行要放在import matplotlib.pyplot之前否则可能不会生效。5. 常见问题与排错实录5.1 横坐标标签太密集画柱状图或箱线图时如果横坐标类别多、标签又长有时候会出现标签重叠、显示不全的情况。我的处理优先级是plt.xticks(rotation45, haright)旋转并右对齐。plt.figure(figsize(...))把画布加宽。手动设置步长例如每5个刻度显示一个标签。Iris数据只有3个类别很少遇到这个问题但同样代码一旦换成几十一百个类别的数据“横坐标太密集”几乎必然出现。提前养成加rotation的习惯能省不少事。5.2 图中中文显示成方框如果标题或坐标轴标签里用了中文默认字体下可能显示成小方框。解决办法是在代码开头设置中文字体plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS, Microsoft YaHei] plt.rcParams[axes.unicode_minus] Falseaxes.unicode_minus设为False是为了让坐标轴上的负号显示正常否则字符画出来可能是个怪异的负号。如果设置后还没生效检查当前系统有哪些中文字体可用不同系统字体名不完全一样。5.3 数据加载报错或列名不对pd.read_csv(iris.csv)报FileNotFoundError时先确认csv文件和当前运行目录是否是同一目录。如果不在同一目录使用绝对路径最省心df pd.read_csv(rC:\Users\用户名\Desktop\iris.csv)如果打开文件后列名是Sepal.Length这种带点的格式建议读进来之后统一重命名df.columns [sepal_length, sepal_width, petal_length, petal_width, species]有些csv文件第一行是注释内容不是列名你可以传递comment#参数跳过让pandas自动识别真正的表头。5.4 图像不显示或只显示空白这种情况常见于脚本环境下没有调用plt.show()。在Jupyter里不写也能显示是魔法功能的功劳但纯.py脚本必须显式调用。另外如果你同时调用plt.show()和plt.savefig()保存位置要放在show()之前否则保存出来的可能是空白图。5.5 常见问题速查表为了方便翻阅我整理了一个简洁的问题速查表现象可能原因解决办法ModuleNotFoundErrorPython解释器路径选错在IDE里切换解释器或重新激活虚拟环境中文显示成方框缺少中文字体配置设置rcParams[font.sans-serif]和axes.unicode_minus横轴标签重叠标签过长或过多旋转标签、加宽画布、设置刻度步长图片保存后空白savefig在show之后把savefig放到show之前读取csv报错文件路径不对检查路径或使用绝对路径弹出窗口闪退matplotlib后端问题在导入pyplot前设置matplotlib.use(TkAgg)分组统计结果列名混乱agg后MultiIndex用.round(2)或reset_index()整理或直接取多层列名6. 完整源码与扩展思路6.1 完整参考代码把上面所有关键步骤整合成一份完整脚本放到文件里就能直接运行。代码做了必要的注释方便用作学习模板import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.datasets import load_iris # 1. 数据加载 iris load_iris() df pd.DataFrame(iris.data, columnsiris.feature_names) df[species] iris.target_names[iris.target] # 2. 列名统一 df.columns [sepal_length, sepal_width, petal_length, petal_width, species] # 3. 数据体检 print(df.shape) print(df.head()) print(df.info()) print(df.describe()) # 4. 缺失值与重复值检查 print(df.isnull().sum()) print(df.duplicated().sum()) df df.drop_duplicates() # 5. 统计摘要 print(df.groupby(species).agg({sepal_length: [mean, std], sepal_width: [mean, std], petal_length: [mean, std], petal_width: [mean, std]}).round(2)) # 6. 可视化设置 plt.rcParams[font.sans-serif] [SimHei, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False # 7. 散点图 plt.figure(figsize(8, 6)) sns.scatterplot(datadf, xpetal_length, ypetal_width, huespecies, stylespecies, s80) plt.title(Petal Length vs Petal Width) plt.tight_layout() plt.savefig(scatter_plot.png, dpi150) plt.show() # 8. 箱线图 plt.figure(figsize(8, 5)) sns.boxplot(datadf, xspecies, ypetal_length) plt.title(Petal Length by Species) plt.tight_layout() plt.savefig(boxplot.png, dpi150) plt.show() # 9. pairplot sns.pairplot(df, huespecies, diag_kindkde) plt.savefig(pairplot.png, dpi150) plt.show() # 10. 热力图 corr df[[sepal_length, sepal_width, petal_length, petal_width]].corr() plt.figure(figsize(6, 5)) sns.heatmap(corr, annotTrue, fmt.2f, cmapcoolwarm, linewidths0.5) plt.title(Feature Correlation Matrix) plt.tight_layout() plt.savefig(heatmap.png, dpi150) plt.show()这份代码从加载到4张图全部覆盖可以作为你入门“pandas鸢尾花数据集iris”分析的第一版脚本。实际使用中发现把输出结果和保存的图片按“数据表图片”分开整理复盘时效率最高。6.2 进阶扩展方向如果你熟悉了上面的基础流程可以往三个方向继续深入。第一个方向是降维可视化。Iris虽然有4个特征但无法直接在二维平面完整展示。用PCA将4个特征压缩成2个主成分然后在二维平面上画散点图往往能保持较好的类别可分性from sklearn.decomposition import PCA pca PCA(n_components2) pca_data pca.fit_transform(df[[sepal_length, sepal_width, petal_length, petal_width]]) pca_df pd.DataFrame(pca_data, columns[PC1, PC2]) pca_df[species] df[species] sns.scatterplot(datapca_df, xPC1, yPC2, huespecies) plt.title(PCA of Iris Dataset) plt.show()第二个方向是聚类分析。用KMeans把样本聚成3类再和真实标签对比计算准确率或画混淆矩阵。这个过程非常适合理解“无监督聚类”和“有监督分类”的区别。如果你想尝试层次聚类用scipy的dendrogram画出谱系图也能直观看到setosa类和其他两类最早分叉。第三个方向是分类建模。用决策树、逻辑回归或K近邻训练一个可以区分三种鸢尾花的模型。因为数据量小、特征简单这类模型通常都能取得不错的准确率。但要注意Iris数据集样本量只有150做模型评估时要强调交叉验证不要只凭一次训练集测试集划分就下结论。说到扩展方向我个人的习惯是每次拿到新数据集都会重复这个分析流程加载、体检、绘图、建模。流程稳定之后真正决定分析质量的反而是对业务问题的理解和对图表含义的解读能力。实操中的个人体会这套Iris分析流程我前前后后跑了不下二十遍每次都能在不同细节上发现新的东西。最开始我只关注代码能不能跑通现在更关注图表能不能传达准确信息。Iris数据集虽然简单但它是练手分析流程最合适的试验田从加载到可视化每一步都能立刻看到结果错误反馈也够直接非常适合用来建立数据敏感度。建议你拿到这份参考代码后不要只复制粘贴亲手敲一遍、改一遍参数比如把hue换成别的列把bins从20改成40把图的大小改一改你会发现图形表达的变化远比你预想的大。数据分析和做菜很像菜谱是死的手感和经验是练出来的。Iris就是你厨房里那块最基础的豆腐先把它煎好了山珍海味才做得顺手。
