审计真实的 Iris 测量表

追溯 150 条 UCI Iris 观测，检查重复测量和单位，并形成可核验的探索报告。

数据科学与机器学习 · 第 01 课🔋 离线核心分析⏱ 50 分钟内嵌真实数据📦 numpy · pandas · matplotlib · IPython

目标与运行方法

本课适合具备 Python 基础的本科生。先阅读每一步的方法与图注，再修改参数。AI 练习为可选部分，不需要 AI 账号即可完成核心课程。数据写在 notebook metadata 中，不需要另下载数据文件。请保持 notebook 已保存到当前工作文件夹。

学习任务是理解本课的研究问题、执行透明的计算、校验结果，并说明结论的边界。

环境与参数

In [1] · Python

from pathlib import Path
import base64, gzip, hashlib, json, platform
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from IPython.display import display, HTML
from IPython.display import display as _display
def display(value):
    if isinstance(value,pd.DataFrame):
        table=value.to_html(max_rows=12,escape=True)
        style="<style>.vibeit-readable-table{max-width:100%;overflow-x:auto}.vibeit-readable-table table{width:max-content;max-width:none;border-collapse:collapse}.vibeit-readable-table td,.vibeit-readable-table th{white-space:nowrap!important;word-break:normal!important;overflow-wrap:normal!important}</style>"
        return _display(HTML(style+'<div class="vibeit-readable-table">'+table+'</div>'))
    return _display(value)
RECIPE_ID='ds01-iris-audit'
OUTPUT_DIR=Path.cwd()/"results"/RECIPE_ID
plt.rcParams.update({"figure.dpi":120,"font.size":10,"axes.spines.top":False,"axes.spines.right":False,
                      "axes.prop_cycle":plt.cycler(color=["#18785f","#416aa6","#bc6541","#9974a5"])})
print("Python:",platform.python_version(),"; NumPy:",np.__version__,"; Pandas:",pd.__version__)
print("Working folder:",Path.cwd())
print("Core data mode: embedded snapshot; no network requests")

Python: 3.13.13 ; NumPy: 2.5.3 ; Pandas: 3.0.6
Working folder: /Users/zhiluo/Developer/vibeit-cookbook/cookbook/downloads
Core data mode: embedded snapshot; no network requests

读取内嵌快照

In [2] · Python

def load_snapshot(recipe_id, expected_sha256, snapshot_key):
    """Read embedded data from this notebook, including a renamed copy."""
    for path in sorted(Path.cwd().glob("*.ipynb")):
        try:
            notebook = json.loads(path.read_text(encoding="utf-8"))
            metadata = notebook.get("metadata", {}).get("vibeit_cookbook", {})
            blob = metadata.get("snapshots", {}).get(snapshot_key)
            if metadata.get("recipe_id") != recipe_id or not blob:
                continue
            if blob.get("sha256") != expected_sha256:
                continue
            raw = gzip.decompress(base64.b64decode(blob["gzip_base64"], validate=True))
            if hashlib.sha256(raw).hexdigest() != expected_sha256:
                raise ValueError("Embedded snapshot checksum mismatch: " + snapshot_key)
            return json.loads(raw)
        except (OSError, json.JSONDecodeError):
            continue
    raise FileNotFoundError(
        "Save/open the complete .ipynb in the active working folder. "
        "The embedded snapshot could not be located for " + recipe_id)

SNAPSHOT_HASHES={'iris': 'cb2512f34911979eef3a42b7a9e6fbc6ca566fd2c0eaa7bd86daefd7ac1cf5ad'}
def snapshot(key):
    return load_snapshot(RECIPE_ID,SNAPSHOT_HASHES[key],key)
print("Embedded snapshots:",list(SNAPSHOT_HASHES))

Embedded snapshots: ['iris']

方法函数

In [3] · Python

def audit_numeric_table(frame,columns):
    """Audit observed rows; never silently impute or remove them."""
    if frame.empty or frame.index.has_duplicates:
        raise ValueError('Expected a nonempty table with unique row IDs')
    missing=[name for name in columns if name not in frame.columns]
    if missing:raise ValueError('Missing required columns: '+str(missing))
    values=frame[columns].to_numpy(dtype=float)
    if not np.isfinite(values).all():raise ValueError('Non-finite measurements; inspect missing values explicitly')
    return {'rows':len(frame),'features':len(columns),'finite':True,'duplicate_measurement_rows':int(frame[columns].duplicated().sum())}

print("Method ready: audit_numeric_table")

Method ready: audit_numeric_table

数据与模型边界

这些是冻结的公开实测数据，不是新的总体随机样本。保留原始 UCI iris.data，包括来源说明的两处转录差异。舍入后的重复特征值本身不能证明两行属于同一株植物。

分步分析

1. 加载并审计原始记录

使用记录行 ID 识别观测。来源测量精度下可能出现相同特征向量；应展示这些记录，不能静默删除。审计会拒绝非有限数值及重复的行 ID。

In [4] · Python

iris=snapshot("iris")
frame=pd.DataFrame(iris["rows"],columns=iris["columns"])
features=list(frame.columns[:4])
audit=audit_numeric_table(frame,features)
assert len(frame)==150 and frame["species"].nunique()==3
assert (frame[features]>0).all().all()
print("Audit:",audit,"; measurement unit: cm")
print("Source variant:",iris["variant"])
display(frame.head(8))

Audit: {'rows': 150, 'features': 4, 'finite': True, 'duplicate_measurement_rows': 3} ; measurement unit: cm
Source variant: Original UCI iris.data; no silent correction of the two documented transcription discrepancies

	sepal_length_cm	sepal_width_cm	petal_length_cm	petal_width_cm	species
0	5.1	3.5	1.4	0.2	Iris-setosa
1	4.9	3.0	1.4	0.2	Iris-setosa
2	4.7	3.2	1.3	0.2	Iris-setosa
3	4.6	3.1	1.5	0.2	Iris-setosa
4	5.0	3.6	1.4	0.2	Iris-setosa
5	5.4	3.9	1.7	0.4	Iris-setosa
6	4.6	3.4	1.4	0.3	Iris-setosa
7	5.0	3.4	1.5	0.2	Iris-setosa

2. 比较类别数量与特征分布

箱线图以厘米为单位显示中位数、四分位数和 1.5 IQR 范围。来源中的类别平衡属于该数据集，不能当作自然界物种的比例。

In [5] · Python

display(frame.groupby("species").size().rename("observations").to_frame())
fig,ax=plt.subplots(figsize=(8,4))
ax.boxplot([frame[c] for c in features],tick_labels=features)
ax.set_ylabel("Measurement (cm)");ax.tick_params(axis="x",rotation=20)
ax.set_title("Four observed Iris measurements");plt.tight_layout();plt.show()

	observations
species
Iris-setosa	50
Iris-versicolor	50
Iris-virginica	50

3. 观察两个测量特征

颜色表示来源物种代码，不是拟合的聚类。横、纵轴分别为花瓣长度和宽度，单位为厘米。二维分离可以帮助提出建模问题，但不能作为测试准确率。

In [6] · Python

fig,ax=plt.subplots(figsize=(7,5))
for label,part in frame.groupby("species"):
 ax.scatter(part[features[2]],part[features[3]],label=label,s=28,alpha=.75)
ax.set(xlabel="Petal length (cm)",ylabel="Petal width (cm)",title="Observed petal measurements")
ax.legend(fontsize=8);plt.tight_layout();plt.show()

4. 检查成对关联

Pearson 相关系数无量纲，范围为 −1 至 +1。它概括合并样本的线性关联；三组均值不同，因此合并相关性不一定描述组内关联。

In [7] · Python

correlation=frame[features].corr()
fig,ax=plt.subplots(figsize=(6,5));im=ax.imshow(correlation,vmin=-1,vmax=1,cmap="coolwarm")
ax.set_xticks(range(4),features,rotation=30,ha="right");ax.set_yticks(range(4),features)
for i in range(4):
 for j in range(4):ax.text(j,i,f"{correlation.iloc[i,j]:.2f}",ha="center",va="center",fontsize=9)
fig.colorbar(im,ax=ax,label="Pearson correlation");plt.tight_layout();plt.show()

5. 核对并导出报告

确认类别数量能恢复全部记录，相关矩阵对称。分别导出观测记录与摘要，便于后续复现两者的区别。

In [8] · Python

assert frame.groupby("species").size().sum()==len(frame)
assert np.allclose(correlation,correlation.T) and np.allclose(np.diag(correlation),1)
OUTPUT_DIR.mkdir(parents=True,exist_ok=True)
frame.to_csv(OUTPUT_DIR/"iris-observations.csv",index=False)
frame.groupby("species")[features].agg(["mean","std","min","max"]).to_csv(OUTPUT_DIR/"measurement-summary.csv")
correlation.to_csv(OUTPUT_DIR/"correlation.csv")
(OUTPUT_DIR/"audit.json").write_text(json.dumps(audit,indent=2))
print("Checked",len(frame),"observations; exports:",OUTPUT_DIR)

Checked 150 observations; exports: /Users/zhiluo/Developer/vibeit-cookbook/cookbook/downloads/results/ds01-iris-audit

自主练习与参考答案

各来源物种有多少条观测？
比较合并相关矩阵与组内相关矩阵。

参考解释。 每类各 50 条。合并相关性同时混合组内变化和组间均值差异，因此与组内相关性可能不同。

先保留当前 notebook 副本，再修改参数。把新图与原图一起比较，并记录改变了哪些输入、哪些计算和哪些结论。

可选的 AI 编程练习

提示词 1

仅用 NumPy、Pandas、Matplotlib 增加各物种的组内相关热图，不删除重复测量向量。

提示词 2

使用同样允许的包，标记重复的舍入测量向量并列出行 ID，不自动删除。

人工验收。 确认记录仍为 150 条，原始行 ID 全部保留，各组矩阵对称。

检查修改后的源代码，再手动运行受影响单元及后续校验。要求助手解释修改的目的、使用的包和数据来源，并用实际输出核对解释。

可选联网扩展

In [9] · Python

RUN_ONLINE_UPDATE=False
if RUN_ONLINE_UPDATE:
    import requests
    try:
        response=requests.get('https://archive.ics.uci.edu/dataset/53',timeout=20)
        response.raise_for_status()
        print("Source:",response.url)
        print(response.text[:700])
    except requests.RequestException as error:
        print("Online extension unavailable:",type(error).__name__,str(error)[:160])
else:
    print("Online extension skipped; embedded core data unchanged")

Online extension skipped; embedded core data unchanged

来源、快照与下一步

UCI iris — CC BY 4.0; credit UCI and original dataset authors; retrieved 2026-10-09. SHA-256 d11fe30213d36434a0879aab7cb00ce3c812eb7ba2495874438abff7b7b762e9. Extract iris.data from original download; preserve all rows and declared units; no imputation. Fisher, R. (1936). Iris. UCI Machine Learning Repository. DOI: 10.24432/C56C76.

下一步。 在保留本课的数据检查、参数记录和结果校验之后，将相同方法用于自己的公开或已获授权数据。记录研究设计与方法限制，不把示例结果当成新实验的验证。完整数据许可与生成说明见 cookbook 网页。