参考来源：Vitu.AI本篇我们将学习如何看待数据的分布，其中比较常用的是直方图和密度图设置你的笔记本，让我们在开始时像往常一样设置它。importpandasaspdimportmatplotlib.pyplotaspltimportseabornassnsprint("settingcomplete")选择数据集这次我们将使用Iris数据集，Iris是常用的分类实验数据集，由Fisher收集，1936年，Iris是也叫鸢尾花数据集，是多变量分析的数据集。数据集包含150个数据样本，分为3类，每类50条数据，每条数据包含4个属性。可以通过萼片长度、萼片宽度、花瓣长度和花瓣宽度这四个属性来预测鸢尾花属于三种（Setosa、Versicolour、Virginica）中的哪一种。iris利用iris的特性作为数据源，常用于分类操作。该数据集由3种不同类型的鸢尾花的50个样本数据组成。其中一个物种与其他两个物种是线性可分离的，而后两个是非线性可分离的。数据集包含4个属性：Sepal.Length（萼片长度），单位为cm；Sepal.Width（萼片宽度），单位为cm；Petal.Length（花瓣长度），单位为cm；Petal.Width（花瓣宽度）单位为厘米；物种：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾）和IrisVirginica（弗吉尼亚鸢尾）。下载并上传点击此处下载数据集，然后将csv文件上传到Vitu的数据集空间接下来，我们使用pandas加载这个文件：#文件路径toreadiris_filepath="iris.csv"#读取文件放入变量iris_datairis_data=pd.read_csv(iris_filepath,index_col="Id")#打印datairis_data.head()直方图的前5行让我们创建一个直方图来查看花瓣宽度的分布，使用sns.distplot函数#Histogramsns.distplot(a=iris_data['PetalLength(cm)'],kde=False)densitymap接下来我们要探索的是密度图内核密度估计（KDE）。如果你不熟悉KDE，你可以粗略地把它想象成一个平滑的直方图。我们使用sns.kdeplot命令绘制#KDEplotsns.kdeplot(data=iris_data['PetalLength(cm)'],shade=True)二维密度图我们也可以使用sns.jointplot绘制二维密度图dimensionaldensitymap#2DKDEplotsns.jointplot(x=iris_data['花瓣长度(cm)'],y=iris_data['萼片宽度(cm)'],kind="kde")原文地址：数据可视化【来自编程绘图高手的新手]：5.数据分布
