当前位置：首页 > news >正文

别再只拿Iris数据集练手了！用Python+Seaborn做一次真正有用的探索性数据分析（EDA）

news 2026/5/3 16:46:16

从Iris数据集到实战EDA：用Python解锁数据背后的故事

在数据科学领域，Iris数据集就像编程界的"Hello World"——几乎每个初学者都接触过它，但很少有人真正挖掘过它的全部潜力。这个包含150朵鸢尾花测量数据的小型数据集，常常被简化为一个分类任务的入门示例，而它真正的价值——作为探索性数据分析(EDA)的完美训练场——却经常被忽视。

1. 重新认识Iris：超越基础分类的数据金矿

Iris数据集由统计学家Ronald Fisher在1936年引入，包含三种鸢尾花（山鸢尾、变色鸢尾和维吉尼亚鸢尾）的四个形态特征测量值。虽然它常被用作分类算法的演示，但这个数据集实际上是一个微缩版的真实世界数据科学项目。

为什么Iris是EDA的理想起点：

完美的复杂度：足够简单以便理解，又足够复杂以展示真实数据分析挑战
丰富的特征关系：特征间存在有趣的关联和模式
清晰的类别区分：部分类别容易区分，部分重叠，模拟真实场景
完整的数据质量：没有缺失值，适合专注于分析技巧而非数据清洗

import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn.datasets import load_iris # 加载数据并转换为DataFrame iris = load_iris() df = pd.DataFrame(iris.data, columns=iris.feature_names) df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)

2. 数据探索的五个关键维度

2.1 描述性统计：数字背后的故事

传统的.describe()输出只是起点。真正的EDA需要从多个角度解读这些数字：

stats = df.describe() stats.loc['range'] = stats.loc['max'] - stats.loc['min'] stats.loc['cv'] = stats.loc['std'] / stats.loc['mean'] # 变异系数

关键发现：

花瓣长度和宽度显示出最大的变异系数，暗示它们可能是区分物种的关键
花萼宽度范围最小，可能包含较少判别信息
各特征的尺度差异显著，考虑是否需要标准化

2.2 分布分析：寻找数据的"指纹"

每种鸢尾花都有独特的形态特征组合，这就像它们的生物指纹：

plt.figure(figsize=(12, 8)) for i, feature in enumerate(iris.feature_names): plt.subplot(2, 2, i+1) sns.kdeplot(data=df, x=feature, hue='species', fill=True) plt.title(f'{feature}分布') plt.tight_layout()

观察到的模式：

山鸢尾在所有特征上都与其他两种明显不同
变色鸢尾和维吉尼亚鸢尾在花萼尺寸上有部分重叠
花瓣尺寸显示出最清晰的物种区分

2.3 相关性网络：特征间的隐秘对话

使用热图揭示特征间的线性关系只是开始，配对图能展示更复杂的互动：

sns.pairplot(df, hue='species', markers=['o', 's', 'D'], plot_kws={'alpha':0.7, 'edgecolor':'white'})

值得关注的关联：

花瓣长度与宽度呈现近乎完美的正相关（r > 0.96）
花萼长度与花瓣尺寸存在中度正相关
花萼宽度与其他特征相关性较弱，甚至呈现轻微负相关

2.4 异常值检测：数据中的"黑天鹅"

即使在没有明显错误的Iris数据中，寻找边界案例也很有启发：

# 计算马氏距离检测多元离群值 from scipy.stats import chi2 cov = df.iloc[:, :4].cov().values inv_cov = np.linalg.inv(cov) centered = df.iloc[:, :4] - df.iloc[:, :4].mean() mahalanobis = np.sqrt(np.dot(np.dot(centered, inv_cov), centered.T).diagonal()) df['mahalanobis'] = mahalanobis # 标记潜在离群值（基于卡方分布） df['outlier'] = df['mahalanobis'] > chi2.ppf(0.99, 4)

2.5 交互可视化：动态探索数据关系

静态图表有其局限，使用Plotly创建交互式可视化能带来更深洞察：

import plotly.express as px fig = px.scatter_matrix(df, dimensions=iris.feature_names, color='species', opacity=0.7, title="鸢尾花特征交互矩阵") fig.update_traces(diagonal_visible=False) fig.show()

3. 高级EDA技术实战

3.1 降维可视化：高维数据的二维快照

PCA和t-SNE等技术能帮助我们直观理解高维数据结构：

from sklearn.decomposition import PCA pca = PCA(n_components=2) X_pca = pca.fit_transform(df.iloc[:, :4]) plt.figure(figsize=(10, 6)) sns.scatterplot(x=X_pca[:, 0], y=X_pca[:, 1], hue=df['species'], palette='viridis', s=100, alpha=0.8) plt.xlabel('第一主成分 (解释方差: {:.1f}%)'.format(pca.explained_variance_ratio_[0]*100)) plt.ylabel('第二主成分 (解释方差: {:.1f}%)'.format(pca.explained_variance_ratio_[1]*100)) plt.title('鸢尾花数据的PCA投影')

3.2 聚类分析：无监督视角下的数据分组

即使知道真实类别，无监督聚类也能验证我们的观察：

from sklearn.cluster import KMeans # 肘部法则确定最佳聚类数 inertia = [] for k in range(1, 5): kmeans = KMeans(n_clusters=k, random_state=42) kmeans.fit(df.iloc[:, :4]) inertia.append(kmeans.inertia_) plt.plot(range(1, 5), inertia, marker='o') plt.xlabel('聚类数量') plt.ylabel('惯性') plt.title('肘部法则分析')

3.3 分类边界可视化：理解模型如何"看"数据

通过决策边界展示不同特征对分类的影响：

from sklearn.svm import SVC def plot_decision_boundary(feature1, feature2): X = df[[feature1, feature2]].values y = pd.factorize(df['species'])[0] model = SVC(kernel='rbf', C=1) model.fit(X, y) # 创建网格 x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5 y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5 xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100), np.linspace(y_min, y_max, 100)) # 预测网格点 Z = model.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 绘制决策边界 plt.contourf(xx, yy, Z, alpha=0.3, cmap='viridis') sns.scatterplot(x=X[:, 0], y=X[:, 1], hue=df['species'], palette='viridis', edgecolor='black') plt.xlabel(feature1) plt.ylabel(feature2) plt.title(f'{feature1} vs {feature2} 决策边界') plt.figure(figsize=(15, 5)) plt.subplot(1, 2, 1) plot_decision_boundary('petal length (cm)', 'petal width (cm)') plt.subplot(1, 2, 2) plot_decision_boundary('sepal length (cm)', 'sepal width (cm)')