首先，使用Python编程计算iris数据集中各属性的均值、最大值、最小值、四分位数等统计量；然后，使用Python中的Matplotlib绘图库分别绘制箱线图、直方图和散点图。

首先，在Python中，我们可以利用pandas库对Iris数据集进行处理。例如，如果你的数据存储在一个名为`iris_data.csv`的CSV文件中，可以按照以下步骤进行：

1. 导入所需的库：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

2. 加载数据集并查看前几行：

iris = load_iris()
df = pd.DataFrame(data= iris.data, columns= iris.feature_names)
print(df.head())

3. 计算统计量：

mean_values = df.mean()
max_values = df.max()
min_values = df.min()
quantiles = df.quantile([0.25, 0.5, 0.75])

# 对于数值型特征，四分位数通常用于描述数据分布的离散程度

4. 绘制箱线图、直方图和散点图：
- 箱线图（Boxplot）：

     for column in df.columns:
         plt.figure(figsize=(8, 6))
         plt.boxplot(df[column])
         plt.title(f'{column} Boxplot')
         plt.show()

- 直方图（Histogram）：

     for column in df.columns:
         plt.figure(figsize=(8, 6))
         plt.hist(df[column], bins='auto', edgecolor='black')
         plt.title(f'{column} Histogram')
         plt.xlabel(column)
         plt.ylabel('Frequency')
         plt.show()

- 散点图（Scatter plot）：

     for i in range(4):
         for j in range(i+1, 4):
             plt.figure(figsize=(8, 6))
             plt.scatter(df.iloc[:, i], df.iloc[:, j], alpha=0.5)
             plt.xlabel(iris.feature_names[i])
             plt.ylabel(iris.feature_names[j])
             plt.title(f'{iris.feature_names[i]} vs {iris.feature_names[j]} Scatter Plot')
             plt.show()

以上就是基本的操作流程，你可以根据实际需求调整数据预处理和图形展示部分。