以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文

创建一个 demo 机器学习模型，模型从花朵(萼片长度，萼片宽度，花瓣长度和花瓣宽度)进行四次测量，并根据这些测量值来识别物种。

开始将数据读入 pandas DataFrame。



数据文件中的第一行定义了列名，描述足以让我们了解每列所代表的内容，甚至给了记录测量的单位。
第一行后面的每一行代表一个花的观测值：四个测量值和一个类，告诉我们花的种类。
首先，我们要找缺失数据。 值得庆幸的是，研究人员告诉我们，当他们缺少测量值时，会将“NA”填入电子表格中。
如果 pandas 知道缺失值标记，我们可以告诉 pandas 自动识别缺失值。

接下来，观察数据的分布 - 特别是离群值。

我们首先打印一些关于数据集的汇总数据。

我们可以从这个表中看到几个有用的值。

不过，像这样的表很少有用，除非我们知道我们的数据应该在一个特定的范围内。通常以某种方式可视化更好。可视化使得异常值和错误立即脱颖而出，否则它们可能在一大张数字表格中被忽视。

进行 notebook 绘图设置

接下来，我们来创建一个 scatterplot matrix。scatterplot matrix 沿着对角线绘制每列的分布，然后绘制每个变量的组合的散点图矩阵。它们为查找数据中的错误提供了一种有效的工具。

从 scatterplot matrix，我们可以看到数据集的一些问题：

出现五个类，本应该只有三个，意味着有一些编码错误。

在测量中有一些明显的异常值可能是错误的： Iris-setosa 的 sepal_width_cm 条目在正常范围之外，几个 Iris-versicolor 的  sepal_length_cm 条目接近零。

我们不得不删除那些含有缺少值的行。

在这些情况下，我们需要弄清楚如何处理错误的数据。下面进入下一步整理数据

以上内容节选自 数析学院，原文内容较多，先搬运到这，后续有时间再补充，有需要的同学可以先直接到 数析学院 最新课程查看原文