使用散点图矩阵图，可以两两发现特征之间的联系
pd.plotting.scatter_matrix(frame, alpha=0.5, c,figsize=None, ax=None, diagonal='hist', marker='.', density_kwds=None,hist_kwds=None, range_padding=0.05, **kwds)
1、frame，pandas dataframe对象
2、alpha， 图像透明度，一般取(0,1]
3、figsize，以英寸为单位的图像大小，一般以元组 (width, height) 形式设置
4、ax，可选一般为none
5、diagonal，必须且只能在{‘hist', ‘kde'}中选择1个，'hist'表示直方图(Histogram plot),'kde'表示核密度估计(Kernel Density Estimation)；该参数是scatter_matrix函数的关键参数
6、marker，Matplotlib可用的标记类型，如'.'，','，'o'等
7、density_kwds，(other plotting keyword arguments，可选)，与kde相关的字典参数
8、hist_kwds，与hist相关的字典参数
9、range_padding，(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点
10、kwds，与scatter_matrix函数本身相关的字典参数
11、c，颜色
效果如下图
以 sklearn的iris样本为数据集
import matplotlib.pyplot as plt
from scipy import sparse
import numpy as np
import matplotlib as mt
import pandas as pd
from IPython.display import display
from sklearn.datasets import load_iris
import sklearn as sk
from sklearn.model_selection import train_test_split
iris=load_iris()
#print(iris)
X_train,X_test,y_train,y_test = train_test_split(iris['data'],iris['target'],random_state=0)
iris_dataframe = pd.DataFrame(X_train,columns=iris.feature_names)
grr = pd.plotting.scatter_matrix(iris_dataframe,c=y_train,figsize=(15,15),marker='o',hist_kwds={'bins':20},s=60,alpha=.8)
plt.show()