针对部分数据缺失的Iris数据集进行探索性分析，包括数据计数、缺失值补全等，目标文件为习1-1Iris数据集-空缺部分.xlsx，并针对完整的Iris数据集进行柱状图、计数图等基础可视化图像的绘制。

对于部分数据缺失的Iris数据集，我们首先需要做的是数据预处理和探索性分析。这通常包括以下几个步骤：

1. **数据加载**：使用pandas库读取Excel文件习1-1Iris数据集-空缺部分.xlsx，检查数据是否存在缺失值。

import pandas as pd
df = pd.read_excel('习1-1Iris数据集-空缺部分.xlsx')

2. **数据计数**：计算每列数据的数量，了解每个特征的样本量。

count_df = df.count()
print(count_df)

3. **缺失值检测**：查看数据集中哪些位置有缺失值。

missing_values = df.isnull().sum()
print(missing_values[missing_values > 0])

4. **缺失值处理**：如果存在缺失值，可以考虑几种策略如删除、填充平均值、中位数、众数或者使用插值方法。这里以简单地填充缺失值为例：

# 使用均值填充缺失值
df.fillna(df.mean(), inplace=True)

5. **数据可视化**：对于完整的Iris数据集，我们可以创建一些基础图表展示特征分布和类别间的区别。
- **柱状图**：比较各类别的数值特征，例如花瓣长度。

   df['species'].value_counts().plot(kind='bar')

- **计数图**：绘制鸢尾花各品种的数量。

   sns.countplot(x='species', data=df)

- **箱线图**：显示每个特征（比如花瓣长度和宽度）的四分位距。

   for feature in ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']:
       sns.boxplot(data=df, x='species', y=feature)

完成上述步骤后，我们就完成了对缺失数据的部分处理及初步的数据探索，同时生成了一些基本的可视化图表。