Build a Decision Tree classifier using the Iris dataset and visualize the tree.

构建一个决策树分类器并利用Iris数据集来完成这个任务，通常涉及以下步骤：

1. **导入所需库**：首先需要导入Python的数据分析库pandas，以及用于机器学习的库如scikit-learn，还有可视化工具如matplotlib和seaborn。

import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, plot_tree
import matplotlib.pyplot as plt

2. **加载数据**：使用`load_iris()`函数从sklearn加载Iris数据集。

iris = load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target

3. **数据预处理**：将类别数据转换成数值形式（例如，用独热编码或one-hot encoding），并划分为训练集和测试集。

X = df.drop('target', axis=1)
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. **创建模型**：创建一个决策树分类器实例，并使用训练数据拟合它。

clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

5. **绘制决策树**：使用`plot_tree()`函数可视化模型结构。

plt.figure(figsize=(15,10))
plot_tree(clf, filled=True, rounded=True, class_names=iris.target_names)
plt.show()

在这个过程中，决策树会根据数据分布和特征之间的关系逐步分裂，形成一个树形结构。每个内部节点代表一个特征检验，叶子节点则表示最终的类别预测。