python鸢尾花数据集分析，python 和鸢尾花数据集

xrange(3)的作用可以简单理解为生成了一个数列：[0, 1, 2]因此，变量t 的取值依次为0，1，2。

搜一下：python 和鸢尾花数据集

from sklearn.datasets import load_irisiris = load_iris()print(iris.keys())n_samples, n_features = iris.data.shapeprint((n_samples, n_features))print(iris.data[0])print(iris.target.shape)print(iris.target)print(iris.target_names)print("feature_names:",iris.feature_names)sklearn中的iris数据集有5个key：[‘target_names’, ‘data’, ‘target’, ‘DESCR’, ‘feature_names’] (150L, 4L)data[0]:[ 5.1 3.5 1.4 0.2](‘feature_names:’, [‘sepal length (cm)’, ‘sepal width (cm)’, ‘petal length (cm)’, ‘petal width (cm)’])(150L,)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2][‘setosa’ ‘versicolor’ ‘virginica’]target_names : 分类名称 target：分类（150个） feature_names: 特征名称 data : 特征值

1、为什么用Python做数据分析首先因为Python可以轻松地集成C、C++、Fortran代码，一些底层用C写的算法封装在python包里后性能非常高效。并且Python与Ruby都有大量的Web框架，因此用于网站的建设，另一方面个人觉得因为Python作为解释性语言相对编译型语言更为简单，可以通过简单的脚本处理大量的数据。而组织内部统一使用的语言将大大提高工作效率。2、为什么用R做数据分析R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前沿的方法都有相应的包直接使用；相比python在这方面贫乏不少。另外R语言具有强大的可视化功能，一个散点图箱线图可以用一条程序搞定，相比Excel更加简单。在使用环境方面，SAS在企业、政府及军事机构使用较多，因其权威认证；SPSS、R大多用于科研机构，企业级应用方面已有大量的商业化R软件，同时可结合（具体怎么结合，尚未搞明白）Hadoop进行数据挖掘。

近年来分析学在数据、网络、金融等领域获得了突出的地位。应用各种软件组合起来进行数据收集，数据管理，以及数据分析，得出的结论用作商业决策，业务需求分析等等。分析学用于研究一个产品的市场效应，银行的贷款决定，这些都只是分析学的冰山一角。它在大数据，安全，数字和软件分析等领域有很深远的影响，下面是python在分析学中的主要作用的一个延续：在这个信息过载的世界，只有那些可以利用解析数据的优势来得出见解的人会获益。python对于大数据的解释和分析具有很重要的作用。分析公司开发的很多工具都是基于python来约束大数据块。分析师们会发现python并不难学，它是一个强有力的数据管理和业务支持的媒介。使用单一的语言来处理数据有它的好处。如果你以前曾经使用过c++或者java，那么对你来说，python应该很简单。数据分析可以使用python实现，有足够的python库来支持数据分析。 pandas是一个很好的数据分析工具，因为它的工具和结构很容易被用户掌握。对于大数据来说它无疑是一个最合适的选择。即使是在数据科学领域，python也因为它的“开发人员友好性”而使其他语言相形见绌。一个数据科学家熟悉python的可能性要比熟悉其他语言的可能性高得多。除了python在数据分析中那些很明显的优点(易学，大量的在线社区等等)之外，在数据科学中的广泛使用，以及我们今天看到的大多数基于网络的分析，是python在数据分析领域得以广泛传播的主要原因。不论是金融衍生品还时大数据分析，python都发挥了重要的作用。就前者而言，python能够很好地和其它系统，软件工具以及数据流结合在一起，当然也包括r。用python来对大数据做图表效果更好，它在速度和帮助方面也一样可靠。有些公司使用python进行预测分析和统计分析。