@浙大疏锦行
大多数 Python 库都会有官方文档，里面包含了函数的详细说明、用法示例以及版本兼容性信息。
通常查询方式包含以下3种：
1. GitHub 仓库：https://github.com/SauceCat/PDPbox
2. PyPI 页面：https://pypi.org/project/PDPbox/
3. 官方文档：https://pdpbox.readthedocs.io/en/latest/
import pandas as pd from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier # 加载鸢尾花数据集 iris = load_iris() df = pd.DataFrame(iris.data, columns=iris.feature_names) df['target'] = iris.target # 添加目标列（0-2类：山鸢尾、杂色鸢尾、维吉尼亚鸢尾） # 特征与目标变量 features = iris.feature_names # 4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度 target = 'target' # 目标列名 # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split( df[features], df[target], test_size=0.2, random_state=42 ) # 训练模型 model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train)此时模型已经建模完毕，这是一个经典的三分类项目，之前在基础班的项目三提到过sklearn提供的示例数据集，不了解的同学自行百度了解下该数据。
现在我们开始对这个模型进行解释性分析
先进入官方文档 https://pdpbox.readthedocs.io/en/latest/
现在我们第一步是实例化这个类，TargetPlot类
1. 先导入这个类（三种不同的导入和引用方法）
2. 传入实例化参数
# 选择待分析的特征（如：petal length (cm)） feature = 'petal length (cm)' feature_name = feature # 特征显示名称 # 选择待分析的特征（如：petal length (cm)） feature = 'petal length (cm)' feature_name = feature # 特征显示名称 # 初始化TargetPlot对象（移除plot_type参数） target_plot = TargetPlot( df=df, # 原始数据（需包含特征和目标列） feature=feature, # 目标特征列 feature_name=feature_name, # 特征名称（用于绘图标签） # target='target', # 多分类目标索引（鸢尾花3个类别） target='target', # 多分类目标索引（鸢尾花3个类别） grid_type='percentile', # 分桶方式：百分位 num_grid_points=10 # 划分为10个桶 ) # 调用plot方法绘制图形 target_plot.plot()fig, axes, summary_df = target_plot.plot( which_classes=None, # 绘制所有类别（0,1,2） show_percentile=True, # 显示百分位线 engine='plotly', template='plotly_white' ) # 手动设置图表尺寸（单位：像素） fig.update_layout( width=800, # 宽度800像素 height=500, # 高度500像素 title=dict(text=f'Target Plot: {feature_name}', x=0.5) # 居中标题 ) fig.show()其中，fig.update_layout() 是对 Plotly 图表进行 二次修改 的核心方法。很多绘图工具都是调用的底层的绘图包，所以要想绘制出想要的图表，需要先了解底层绘图包的语法。
)
