### 绘制鸢尾花数据集中每个属性按类别划分的直方图 要实现这一目标，可以利用 `seaborn` 的 `FacetGrid` 和 `matplotlib` 来完成。以下是完整的解决方案： #### 数据准备 首先需要加载鸢尾花数据集并确认其结构。通过 Pandas 库读取 CSV 文件，并验证前几行的数据。 ```python from pandas import DataFrame import pandas as pd # 导入数据 iris_data = pd.read_csv(open('数据/iris-data.csv')) print(iris_data.head()) ``` 上述代码用于加载数据集并打印前五行以检查数据格式[^1]。 #### 使用 Seaborn 创建分类直方图 为了绘制每个特征按照类别 (`species`) 划分的直方图，可以通过以下方式实现： ```python import seaborn as sns import matplotlib.pyplot as plt # 遍历每一列特征 for column in ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']: # 使用 FacetGrid 构建网格布局 g = sns.FacetGrid(iris_data, col='species', height=5, aspect=1) # 添加直方图到每一个子图中 g.map(plt.hist, column, bins=20, edgecolor="k") # 调整标题和布局 g.set_titles("{col_name} {col_var}") g.set_xlabels(column) # 显示当前特征的图表 plt.show() ``` 此代码片段实现了对每种鸢尾花种类分别绘制四个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）的直方图[^5]。 #### 结果解释 - **FacetGrid**: 这是一个强大的工具，允许我们基于某一变量创建多面板图形，在这里就是根据物种(`species`)来分割数据。 - **map 函数**: 将 Matplotlib 的 hist 方法应用到由 FacetGrid 定义的各个子图上。 - **bins 参数**: 控制直方图柱体的数量，可以根据实际需求调整该值。 以上方法不仅能够清晰展示不同类别的分布情况，还便于观察各类别之间的差异性[^2]。 #### 可视化增强 (可选) 如果希望进一步美化这些直方图，则可以加入 KDE 曲线作为补充说明密度估计: ```python g = sns.FacetGrid(iris_data, hue="species", height=6, aspect=1.5) g.map(sns.kdeplot, "petal_length", shade=True).add_legend() plt.show() ``` 这段脚本会叠加核密度估计曲线于原始直方图之上，提供更平滑的概率密度表示形式[^4]。 --- ###