编写基于 3σ 原则的异常值检验函数，并利用函数检测出“花萼宽度”中的 异常数据，打印其数量和值；并在同一张图中展示数据的直方图和核密度图 （提示：secondary_y）。

在Python中，我们可以使用NumPy库计算数据集的标准差（σ），然后基于3σ原则编写一个函数来检测异常值。这里我们将假设你已经有一个包含"花萼宽度"数据的数据框，例如`df['petal_width']`。首先，我们需要安装必要的库，如果你还没有安装，可以使用`pip install numpy pandas matplotlib seaborn`。

下面是一个简单的示例函数：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.stats import norm
from seaborn.kdeplot import kdeplot

def detect_outliers(data, threshold=3):
    mean = data.mean()
    std_dev = data.std()

    lower_threshold = mean - (threshold * std_dev)
    upper_threshold = mean + (threshold * std_dev)

    outliers = data[(data < lower_threshold) | (data > upper_threshold)]
    
    return outliers, len(outliers), outliers.tolist()

# 假设df是你的DataFrame，其中包含了'petal_width'列
column_name = 'petal_width'
column_data = df[column_name]

outliers, num_outliers, outlier_values = detect_outliers(column_data)

print(f"发现 {num_outliers} 个异常值：{outlier_values}")

# 创建直方图和核密度图
plt.figure(figsize=(10, 6))
ax1 = plt.subplot(121)
ax1.hist(column_data, bins='auto', color='skyblue')
ax1.set_title('直方图')

kde = kdeplot(column_data, shade=True, ax=ax2, secondary_y=True)
ax2.set_title('核密度图')
ax2.axvline(np.mean(column_data), color='red', linestyle='--', label='平均值')
ax2.legend(['正常值分布', '均值线'])

for outlier in outlier_values:
    plt.scatter([outlier], [0], marker="x", color="red")

plt.show()

这个函数会找到落在3σ范围之外的数据点，认为它们是异常值。然后，它会创建一个直方图显示原始分布，以及一个核密度估计图，其中异常值用红色的x标记出来。