列出3个物种的萼片长，萼片宽，花瓣长，花瓣宽4个变量的50个样本数据，根据数据选择适合的变量绘制轮廓图

要列出三个物种的萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度（Petal Length）和花瓣宽度（Petal Width）的50个样本数据，并绘制它们的轮廓图（也称为散点图或多维数据可视化），我们可以假设我们有一个鸢尾花（Iris）数据集，这是经典的机器学习入门案例。以下是基于鸢尾花数据集的虚构数据示例：

| 样本 | 萼片长 (cm) | 萼片宽 (cm) | 花瓣长 (cm) | 花瓣宽 (cm) |
| ---- | ----------- | ----------- | ----------- | ----------- |
| 1    | 5.1         | 3.5         | 1.4         | 0.2         |
| 2    | 4.9         | 3.0         | 1.4         | 0.2         |
| ...  | ...         | ...         | ...         | ...         |
| 50   | 6.7         | 3.1         | 5.6         | 2.4         |

在这种情况下，你可以使用Python的`matplotlib`和`sklearn`库，或者R语言的`ggplot2`库来绘制轮廓图。这里是一个简单的Python示例：

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

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 创建DataFrame并取前50个样本
df = pd.DataFrame(X[:50], columns=iris.feature_names)

# 使用PCA降维到二维空间，因为轮廓图需要二维数据
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(df)

# 绘制轮廓图
plt.figure(figsize=(8, 6))
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y[:50])
plt.xlabel('First Principal Component')
plt.ylabel('Second Principal Component')
plt.title('Iris Species Contour Plot')
plt.legend(iris.target_names)
plt.show()