鸾尾花分类

1任务描述

数据的准备工作，包括认识数据来源，分析数据集，了解数据集的特征、数量等属性，以及对数据集进行可视化。

2 iris数据集介绍

iris数据集是常用的分类实验数据集，由Fisher,1936收集整理。iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。鸾尾花具有花萼与花瓣，根据鸾尾花的花萼长度、花萼宽度、花瓣长度、花瓣宽度4项特征可将鸢尾花分为3种类别，分别为山鸢尾花(iris setosa)、变色鸢尾花(iris versicolor)和维吉尼亚鸢尾花(iris virginica)。如图1所示。

图1 鸾尾花4个特征及3种类别

iris数据集包含在sklearn库当中，具体在…\anaconda3 \Lib\site-packages\sklearn\datasets\data。打开iris.csv,数据格式如图2所示。

图2 iris数据集部分展示

iris数据集共150条记录，山鸢尾花、变色鸢尾花和维吉尼亚鸢尾花各50个数据，每条记录有花萼长度、花萼宽度、花瓣长度、花瓣宽度4项特征，通过这4个特征分类鸢尾花卉属于哪一品种。

图2所列数据含义：

第一行数据的含义为:

150 : 数据集中数据的总条数

4 : 特征值的类别数．即花萼长度（sepal length）、花萼宽度(sepal width)、花瓣长度(petal length)、花瓣宽度(petal width)。

setosa、versicolor、virginica:三种鸢尾花名，分别为山鸢尾花、变色鸢尾花和维吉尼亚鸢尾花。

从第二行及以下数据的含义为:

第1列为花萼长度值(sepal length）

第2列为花萼宽度值(sepal width)

第3列为花瓣长度值(petal length)

第4列为花瓣宽度值(petal width)

第5列对应是种类有，也称为标签（三种鸢尾花（山鸢尾花、变色鸢尾花和维吉尼亚鸢尾花）分别用O, 1，2表示)

3在sklearn库中导入iris数据集

1.iris数据集包含在sklearn库当中，只需要使用import导入即可，导入数据集代码如下：

from sklearn import datasets
iris = datasets.load_iris()
print(iris)

代码运行结果部分截图：

2.datasets.load_iris().data和datasets.load_iris().target可以分别返回iris数据集所有输入特征和所有标签。具体代码如下：

from sklearn import datasets
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
print('x_data from datasets: \n', x_data)
print('y_data from datasets: \n', y_data)

运行结果部分截图：

3.为了更直观地看清iris数据集的信息，为数据集加上索引，代码如下：

from sklearn import datasets
from pandas import DataFrame
import pandas as pd
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
print('x_data from datasets: \n', x_data)
print('y_data from datasets: \n', y_data)
x_data = DataFrame(x_data,columns=[ '花萼长度','花萼宽度','花瓣长度','花瓣宽度'])
pd.set_option( 'display.unicode.east_asian_width', True)
x_data['类别']= y_data
print( 'x_data add a column: \n', x_data)

代码解析如下：

代码行8：为表格增加行索引（左侧）和列标签（上方）

代码行9：为设置列名对齐。

代码行10：新加一列，列标签为‘类别’，数据为y_data

运行结果截图如下：

4 数据可视化

通过数据可视化，可以查看数据集内部特征之间的关系，观察到特征间分布关系。本次任务中鸾尾花数据集的可视化将通过散点图展现，散点图 (scatter plot)将二维样本数据以点的形式展现在直角坐标系上。

由于鸢尾花数据集的特征有四项，所以可以选择将四项特征每两项组合绘制。下列示例以花萼长度（sepal length）为x轴，花萼宽度(sepal width)为y轴绘制的散点图。

代码如下：

import matplotlib.pyplot as plt
import matplotlib as mp
from sklearn import datasets
mp.rcParams ['font.sans-serif'] =[u'SimHei ' ]
mp.rcParams [ 'axes.unicode_minus' ] = False
iris = datasets.load_iris()
x=iris.data[0:150,0:2]
y=iris.target[0: 150]
samples_0 = x[y==0,:]
samples_1 = x[y==1,:]
samples_2 = x[y==2,:]
plt.scatter(samples_0[:,0], samples_0[:,1 ],marker='o',color='navy',label='山鸢尾花')
plt.scatter(samples_1[:,0], samples_1[:,1 ],marker='o',color='r',label='变色鸢尾花')
plt.scatter(samples_2[:,0], samples_2[:,1 ],marke='o' ,color='lawngneen',label='维吉尼亚鸢尾花')
plt.xlabel( 'sepal length (cm) ' , fontsize=12)
plt.ylabel( 'sepal width (cm)',fontsize=12)
plt.legend()
plt.show()

代码解析如下：

代码行1-3：导入画图绘图库matplotlib和sklearn。

代码行4-5：在图中显示中文。

代码行6：加载数据集

代码行7：取150个样本的前两列特征，花萼长度和宽度

代码行8：将标签取出。

代码行12-14：绘制散点图，samples_0[:,0]和samples_0[:,1]分别表示横坐标和纵坐标，marker表示点的形状，color表示线条颜色，lable表示标记图形内容的标签文本。

代码行15-16：用于设置x坐标轴、y坐标轴，fontsize表示字体大小。

运行结果如下：