正文

轻松入门统计库：Python必备的NumPy、Pandas、Matplotlib实战指南

/0 浏览量
0804

在数据分析领域，Python以其简洁的语法和强大的库支持而闻名。NumPy、Pandas和Matplotlib是Python中用于数据分析、数据处理和可视化的三大神器。本文将带你轻松入门这些库，并通过实战案例让你快速掌握它们的使用方法。

NumPy：数据处理的基础

NumPy是Python中用于科学计算的基础库，它提供了强大的多维数组对象和一系列用于处理数组的函数。NumPy的核心是数组对象，它支持大量的数学运算。

安装NumPy

pip install numpy

创建数组

import numpy as np

# 创建一个一维数组
array_1d = np.array([1, 2, 3, 4, 5])

# 创建一个二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])

数组操作

# 数组索引
print(array_1d[0])  # 输出：1

# 数组切片
print(array_2d[0, 1:])  # 输出：[2 3]

# 数组形状
print(array_2d.shape)  # 输出：(2, 3)

数组运算

# 数组加法
print(np.add(array_1d, array_1d))  # 输出：[2 4 6 8 10]

# 数组乘法
print(np.multiply(array_1d, array_1d))  # 输出：[ 1  4  9 16 25]

Pandas：数据处理与分析

Pandas是一个强大的数据分析工具，它提供了快速、灵活、直观的数据结构，以及高效的数据操作功能。

安装Pandas

pip install pandas

创建DataFrame

import pandas as pd

# 创建一个DataFrame
data = {'Name': ['John', 'Anna', 'Peter', 'Linda'],
        'Age': [28, 22, 34, 29],
        'Salary': [50000, 62000, 58000, 69000]}
df = pd.DataFrame(data)
print(df)

数据操作

# 删除列
df.drop('Name', axis=1, inplace=True)

# 删除行
df.drop(df[df['Age'] > 30].index, inplace=True)

# 选择列
print(df['Age'])

数据分析

# 计算平均值
print(df['Salary'].mean())

# 计算标准差
print(df['Salary'].std())

# 计算年龄中位数
print(df['Age'].median())

Matplotlib：数据可视化

Matplotlib是一个强大的绘图库，它提供了丰富的绘图功能，可以创建各种类型的图表。

安装Matplotlib

pip install matplotlib

创建图表

import matplotlib.pyplot as plt

# 创建一个散点图
plt.scatter(df['Age'], df['Salary'])
plt.xlabel('Age')
plt.ylabel('Salary')
plt.title('Age vs Salary')
plt.show()

通过以上实战案例，你可以轻松入门NumPy、Pandas和Matplotlib。这些库在数据分析领域具有广泛的应用，希望你能通过不断实践，掌握它们的使用方法，为你的数据分析之路打下坚实的基础。

-- 展开阅读全文 --