Python数据可视化: 使用Matplotlib创建鸢尾花数据集直方图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline  
import warnings
warnings.filterwarnings('ignore')
from sklearn.datasets import load_iris

# 步骤 0：数据收集
data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['target'] = data.target
# 2. 创建直方图 (hist)

# 设置图大小为12x8，2x2的一组子图
# 该组子图包括'sepal length', 'sepal width', 'petal length', 'petal width'属性值的直方图
# 所有子图具有相同的设置：分区数20，颜色'skyblue'，透明度参数0.7
# 添加标题分别为'Histogram of Sepal length'、'Histogram of Sepal width'、'Histogram of Petal length'、'Histogram of Petal width'
# x轴分别为'Sepal length (cm)'、'Sepal width (cm)'、'Petal length (cm)'、'Petal width (cm)'
# y轴统一为'Frequency'

#============================= show me your code =======================
# code
plt.figure(figsize=(12, 8))

plt.subplot(2, 2, 1)
plt.hist(df['sepal length (cm)'], bins=20, color='skyblue', alpha=0.7)
plt.title('Histogram of Sepal length')
plt.xlabel('Sepal length (cm)')
plt.ylabel('Frequency')

plt.subplot(2, 2, 2)
plt.hist(df['sepal width (cm)'], bins=20, color='skyblue', alpha=0.7)
plt.title('Histogram of Sepal width')
plt.xlabel('Sepal width (cm)')
plt.ylabel('Frequency')

plt.subplot(2, 2, 3)
plt.hist(df['petal length (cm)'], bins=20, color='skyblue', alpha=0.7)
plt.title('Histogram of Petal length')
plt.xlabel('Petal length (cm)')
plt.ylabel('Frequency')

plt.subplot(2, 2, 4)
plt.hist(df['petal width (cm)'], bins=20, color='skyblue', alpha=0.7)
plt.title('Histogram of Petal width')
plt.xlabel('Petal width (cm)')
plt.ylabel('Frequency')

plt.tight_layout()
plt.show()

以上代码使用Python的Matplotlib库创建了鸢尾花数据集的直方图。

代码解析:

1. 导入库: 首先，代码导入了必要的库，包括pandas用于数据处理，numpy用于数值计算，matplotlib.pyplot用于绘图，以及从sklearn.datasets导入load_iris加载鸢尾花数据集。

2. 加载数据: 使用load_iris()函数加载鸢尾花数据集，并将其转换为pandas DataFrame格式，方便后续处理。

3. 创建直方图: 使用plt.figure()创建一个图形对象，并设置图形大小为12x8。然后，使用plt.subplot()函数创建2x2的子图布局。

4. 绘制子图: 对于每个子图，使用plt.hist()函数绘制直方图，分别显示不同属性值的分布情况。设置直方图的分区数为20，颜色为'skyblue'，透明度为0.7。

5. 设置标题和标签: 使用plt.title()、plt.xlabel()和plt.ylabel()函数分别设置每个子图的标题、x轴标签和y轴标签。

6. 调整布局: 使用plt.tight_layout()函数自动调整子图之间的间距，避免重叠。

7. 显示图形: 最后，使用plt.show()函数显示绘制的图形。

这段代码清晰地展示了如何使用Matplotlib库创建直方图，对于理解数据分布非常有帮助。通过修改代码中的参数，可以轻松地定制直方图的外观和内容，以满足不同的需求。