fig, axes = scatterplotmatrix(iris.data[y==0], figsize=(10, 8), alpha=0.5) fig, axes = scatterplotmatrix(iris.data[y==1], fig_axes=(fig, axes), alpha=0.5) fig, axes = scatterplotmatrix(iris.data[y==2], fig_axes=(fig, axes), alpha=0.5, names=names)

这段代码使用了 scatterplotmatrix() 函数绘制了鸢尾花数据集中三个类别的散点图矩阵，其中：

- iris.data 是鸢尾花数据集的特征矩阵，包含了 4 个特征。
- y 是鸢尾花数据集的目标变量，包含了 3 个类别。
- figsize 参数设置了图像的大小。
- alpha 参数设置了点的透明度。
- fig_axes 参数指定了图像和子图的对象，这样可以在同一张图上绘制不同类别的数据。
- names 参数指定了每个特征的名称，用于在图像中添加标签。

完整代码如下：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
names = iris.feature_names

# 定义 scatterplotmatrix() 函数
def scatterplotmatrix(X, names=None, figsize=(10, 8), alpha=0.5, fig_axes=None):
    if fig_axes is None:
        fig, axes = plt.subplots(X.shape[1], X.shape[1], figsize=figsize)
    else:
        fig, axes = fig_axes
    for i in range(X.shape[1]):
        for j in range(i+1):
            ax = axes[i, j]
            if i == j:
                ax.hist(X[:, i], alpha=alpha)
            else:
                ax.scatter(X[:, j], X[:, i], alpha=alpha)
            ax.set_xticks([])
            ax.set_yticks([])
            if i == X.shape[1]-1:
                ax.set_xlabel(names[j] if names is not None else None)
            if j == 0:
                ax.set_ylabel(names[i] if names is not None else None)
    fig.tight_layout()
    return fig, axes

# 绘制散点图矩阵
fig, axes = scatterplotmatrix(X[y==0], figsize=(10, 8), alpha=0.5)
fig, axes = scatterplotmatrix(X[y==1], fig_axes=(fig, axes), alpha=0.5)
fig, axes = scatterplotmatrix(X[y==2], fig_axes=(fig, axes), alpha=0.5, names=names)

plt.show()

该代码会生成一个包含三个类别的散点图矩阵，每个类别的数据在图像中用不同的颜色表示。