iris鸢尾花数据集最全数据分析写在前面本文介绍数据预处理

![](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9hNENBY3JTUWw5ZmliUG1xbWZ6YTl1OW5WdHZzZTFCYWg0amsxS3o5Q2FwdXJzMGNtdmQ2MlBhajc0Q0p1YThDdm1GaEFORXVPQXRiU0hpYUxvZ0VXUk5RLzY0MD93eF9mbXQ9cG5n?x-oss-
process=image/format,png)

---

写在前面

在写这篇文章之前，首先安利下jupyter，简直是神作，既可以用来写文章，又可以用来写代码，文章和代码并存，简直就是写代码/文章/教程的利器。

安装很简单： pip install jupyter

使用很简单: 当前面目录下 shift+右键 呼出 在此处打开命令窗口 ，输入 jupyter notebook 召唤神龙。

上面这段文字在jupyter中是这样的（markdown格式）：

![](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy9hNENBY3JTUWw5Y3A1NVlJenNxaDhueExCVUFIcjN6VVE4WWJlQ0Q3UDdJY3Rzb0g5VE5pYWR0dHo4MGs5NjJlYkRnYWZWcmljYWljaWJLSThmT1JXUlY1RmcvNjQw?x-oss-
process=image/format,png)

本文介绍

基于iris数据集进行数据分析。

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。数据集包含150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。（来自百度百科）

数据预处理

首先使用padas相关的库进行数据读取，处理和预分析。

pandas的可视化user guide参见：

https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html

首先读取信息，并查看数据的基本信息：可以看到数据的字段，数量，数据类型和大小。

%matplotlib notebook import pandas as pd import matplotlib.pyplot as plt # 读取数据 iris = pd.read_csv('iris.data.csv')

iris.info()

    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 150 entries, 0 to 149
    Data columns (total 5 columns):
    Sepal.Length    150 non-null float64
    Sepal.Width     150 non-null float64
    Petal.Length    150 non-null float64
    Petal.Width     150 non-null float64
    type            150 non-null object
    dtypes: float64(4), object(1)
    memory usage: 5.9+ KB
[/code]

```code

# 前5个数据 iris.head()

Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	type
0	5.1	3.5	1.4	0.2
1	4.9	3.0	1.4	0.2
2	4.7	3.2	1.3	0.2
3	4.6	3.1	1.5	0.2
4	5.0	3.6	1.4	0.2

# 数据描述 iris.describe()

Sepal.Length	Sepal.Width	Petal.Length	Petal.Width
count	150.000000	150.000000	150.000000
mean	5.843333	3.054000	3.758667
std	0.828066	0.433594	1.764420
min	4.300000	2.000000	1.000000
25%	5.100000	2.800000	1.600000
50%	5.800000	3.000000	4.350000
75%	6.400000	3.300000	5.100000
max	7.900000	4.400000	6.900000

箱线图描述了数据的分布情况，包括：上下界，上下四分位数和中位数，可以简单的查看数据的分布情况。
比如：上下四分位数相隔较远的话，一般可以很容易分为2类。
在《深入浅出统计分析》一书中，一个平均年龄17岁的游泳班，可能是父母带着婴儿的早教班，这种情况在箱线图上就能够清楚的反映出来。

# 箱线图 iris.plot(kind='box', subplots=True, lay