数据载入

本节使用Iris数据集的分析与可视化为例对Seaborn的绘图功能进行简单讲解。Iris数据集是常用的分类实验数据集，由Fisher在1936年收集整理，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，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。
表Iris 数据集（部分）

数据载入

绘图之前先利用Pandas载入Iris数据并将其转为Pandas DataFrame格式。使用前可以先查看数据的结构，以便根据数据结构和类型选择合适的图表进行可视化。

import pandas as pd                       # 导入pandas库
import warnings                           # 载入当前版本seaborn库时会有警告出现，先载入warnings，忽略警告
import seaborn as sns                     # 导入seaborn库
warnings.filterwarnings("ignore")         # 忽略警告
sns.set(style="white", color_codes=True)  # 确定主题为white
iris = pd.read_csv("iris.csv")            # 读取csv数据并转为Pandas的 DataFrame格式
print(iris.head())                        # 用head函数看一下前5行数据，确定数据结构
print(iris["Species"].value_counts())     # 用counts函数查看每个类别有多少样本

用head函数可查看前5行数据，以确定数据结构正确，该函数的输出为：

   Id  SepalLengthCm  SepalWidthCm  PetalLengthCm  PetalWidthCm      Species
0   1            5.1           3.5            1.4           0.2  Iris-setosa
1   2            4.9           3.0            1.4           0.2  Iris-setosa
2   3            4.7           3.2            1.3           0.2  Iris-setosa
3   4            4.6           3.1            1.5           0.2  Iris-setosa
4   5            5.0           3.6            1.4           0.2  Iris-setosa

counts函数可用于查看数据分几类？每一类多少个样本？是否为均衡分类。该函数的输出为：

Iris-versicolor    50
Iris-setosa        50
Iris-virginica     50
Name: Species, dtype: int64

从counts函数输出结果可以看出，数据样本分布很均匀。