在数据驱动决策的时代，掌握数据分析能力已经不再是数据科学家的专属技能，而是每一位程序员、产品经理、运营人员都应该具备的基础素养。Python 凭借其丰富的生态系统，成为了数据分析领域的首选语言。而在 Python 数据分析的工具箱中，有三个库你一定绕不开——NumPy、Pandas 和 Matplotlib，它们被誉为数据分析的"三剑客"。
今天这篇文章，我们就来系统地梳理这三个核心库的核心用法，帮助你从零开始建立数据分析的知识体系。无论你是刚入门的新手，还是想查漏补缺的实践者，都能在这篇文章中找到有价值的内容。
一、NumPy：高效数值计算的基石
NumPy（Numerical Python）是 Python 科学计算的基础库。它提供了高性能的多维数组对象 ndarray，以及大量用于操作这些数组的函数。可以说，没有 NumPy，就没有 Python 数据分析的繁荣生态。
1.1 为什么需要 NumPy
原生的 Python 列表虽然灵活，但在处理大规模数值计算时效率很低。NumPy 的核心优势在于：
-
内存高效：同类型数据连续存储，比 Python list 占用更少内存
-
计算速度快：底层用 C 语言实现，向量化操作避免了 Python 循环的开销
-
功能丰富：内置线性代数、傅里叶变换、随机数生成等高级功能
1.2 数组的创建
NumPy 的核心是 ndarray 对象。创建数组最直接的方式是将 Python 列表传入 np.array()。
一维数组：
import numpy as np
list1 = [1, 2, 3]
array = np.array(list1)
print(type(array)) # <class 'numpy.ndarray'>
print(array) # [1 2 3]
二维数组：
list2 = [[1, 2, 3], [3, 4, 5]]
array2 = np.array(list2)
print(type(array2)) # <class 'numpy.ndarray'>
print(array2)
# [[1 2 3]
# [3 4 5]]
除了从列表转换，NumPy 还提供了多种便捷的数组创建方法：
|
方法 |
作用 |
示例 |
|---|---|---|
|
|
创建全 0 数组 |
|
|
|
创建全 1 数组 |
|
|
|
创建序列数组 |
|
|
|
创建等分数组 |
|
|
|
创建随机整数数组 |
|
|
|
标准正态分布随机数组 |
|
这里特别提一下 arange 和 linspace 的区别：arange 是按步长生成，不保证包含终点；linspace 是按数量等分，一定会包含起点和终点。在需要精确控制端点时，linspace 往往更可靠。
1.3 索引与切片
掌握数组的索引和切片，是操作数据的第一步。NumPy 的索引语法非常优雅，采用 数组[行索引, 列索引] 的格式。
arr = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
# 取单个元素
print(arr[0, 0]) # 1 —— 第一行第一列
# 取整行
print(arr[-1]) # [9 10 11 12] —— 最后一行
print(arr[-1, :]) # 同上，写法更完整
# 取整列
print(arr[:, 1]) # [2 6 10] —— 所有行的第二列
print(arr[:, -1]) # [4 8 12] —— 所有行的最后一列
切片操作的语法是 数组[行起始:结束:步长, 列起始:结束:步长]，和 Python 列表切片规则一致，但支持多维同时切片：
print(arr[:2]) # 前两行
print(arr[:2, :2]) # 前两行前两列 → [[1 2] [5 6]]
print(arr[::2, ::2]) # 行和列都隔一个取 → [[1 3] [9 11]]
1.4 Bool 索引
除了按位置取值，NumPy 还支持布尔索引——用一个布尔数组作为"筛子"，筛选出满足条件的元素。这是数据分析中最常用的操作之一。
bool_arr = arr > 5
print(bool_arr)
# [[False False False False]
# [False True True True]
# [ True True True True]]
print(arr[bool_arr]) # [ 6 7 8 9 10 11 12]
# 也可以直接简写
print(arr[arr < 3]) # [1 2]
布尔索引的强大之处在于，可以组合多个条件进行复杂筛选。比如 arr[(arr > 3) & (arr < 10)] 就能选出大于 3 且小于 10 的所有元素。注意这里要用 & 和 | 而不是 Python 的 and / or，因为我们需要的是逐元素的逻辑运算。
1.5 形状操作
数据分析中经常需要调整数据的维度和形状。NumPy 提供了丰富的形状操作方法：
arr = np.arange(12) # [0 1 2 ... 11]
# reshape：返回新数组，不修改原数组
arr2 = arr.reshape((2, 6))
print(arr2)
# [[ 0 1 2 3 4 5]
# [ 6 7 8 9 10 11]]
print(arr.shape) # (12,) —— 原数组不变
# resize：直接修改原数组，无返回值
arr.resize(3, 4)
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 转置：行列互换
print(arr.T.shape) # (4, 3)
# 展平：降低维度为一维
print(arr.flatten()) # [0 1 2 ... 11]
这里有一个容易踩的坑：reshape 不会修改原数组，而 resize 会。另外，无论哪种方式，都要求变形前后元素总数一致，否则会报 ValueError。
1.6 数组运算与广播
NumPy 的数组运算支持逐元素的加减乘除，也支持矩阵乘法：
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
# 矩阵乘法（点积）
print(matrix_a.dot(matrix_b))
# [[19 22]
# [43 50]]
而广播（Broadcasting）是 NumPy 中一个极其重要但也容易让人困惑的概念。简单来说，当两个数组形状不同时，NumPy 会尝试将它们"对齐"，使得运算可以进行。
标量广播 最好理解——一个数和一个数组相加，相当于这个数和数组中每个元素相加：
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
d = 2
print(a + d)
# [[ 3 4 5]
# [ 6 7 8]
# [ 9 10 11]]
数组广播 发生在两个数组维度不完全匹配，但行或列至少有一个方向可以"对齐"的时候：
b = np.array([10, 20, 30]) # 形状 (3,)
c = np.array([[1], [2], [3]]) # 形状 (3, 1)
print(a + b) # b 的每一行与 a 的对应行相加
# [[11 22 33]
# [14 25 36]
# [17 28 39]]
print(a + c) # c 的每一列与 a 的对应列相加
# [[ 2 3 4]
# [ 6 7 8]
# [10 11 12]]
广播虽然方便，但也不是万能的。当两个数组的形状在任何维度上都不匹配时，就会报错：
e = np.ones((4, 4))
print(e + b) # ValueError：(4,4) 和 (3,) 无法广播
理解广播的关键在于记住一个原则：从右往左对齐维度，长度为 1 的维度可以被扩展，不相等且都不为 1 的维度会报错。
1.7 统计运算
NumPy 内置了丰富的统计函数，可以方便地计算总和、均值、标准差等指标：
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("总和:", np.sum(arr)) # 45
print("列方向总和:", np.sum(arr, axis=0)) # [12 15 18]
print("行方向总和:", np.sum(arr, axis=1)) # [ 6 15 24]
print("平均值:", np.mean(arr)) # 5.0
print("标准差:", np.std(arr)) # 2.581988897471611
print("方差:", np.var(arr)) # 6.666666666666667
print("最小值:", np.min(arr)) # 1
print("最大值:", np.max(arr)) # 9
print("最小值索引:", np.argmin(arr)) # 0
print("最大值索引:", np.argmax(arr)) # 8
这里的 axis 参数是一个重点。axis=0 表示沿着行的方向运算（即对每一列计算），axis=1 表示沿着列的方向运算（即对每一行计算）。这个规则在 Pandas 中也是通用的，理解了它，后续学习 Pandas 时会轻松很多。
二、Pandas：结构化数据分析的利器
如果说 NumPy 是基础，那么 Pandas 就是 Python 数据分析的"瑞士军刀"。Pandas 构建在 NumPy 之上，提供了两种核心数据结构：Series（一维）和 DataFrame（二维），以及大量用于数据清洗、转换、聚合的工具。
2.1 Series 对象
Series 可以理解为"带索引的一维数组"。它和 NumPy 数组的区别在于，Series 拥有自定义的索引标签。
从列表创建：
import pandas as pd
s1 = pd.Series([1, 2, 3])
# 0 1
# 1 2
# 2 3
# dtype: int64
# 自定义索引
s3 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])
# a 1
# b 2
# c 3
# d 4
# dtype: int64
从字典创建：
s2 = pd.Series({'a': 1, 'b': 2, 'c': 3})
# a 1
# b 2
# c 3
# dtype: int64
字典的键自动变成索引，值变成数据。需要注意的是，Series 创建后不建议随意修改索引名，否则可能导致数据全部变为 NaN。
2.2 DataFrame 对象
DataFrame 是 Pandas 中最核心的数据结构，你可以把它想象成一张 Excel 表格——有行、有列、有表头。
从字典创建：
data = {
"姓名": ["张三", "李四", "王五", "赵六"],
"年龄": [25, 30, 35, 28],
"城市": ["北京", "上海", "广州", "深圳"],
"工资": [5000, 7000, 6000, 8000]
}
df = pd.DataFrame(data)
print(df)
# 姓名 年龄 城市 工资
# 0 张三 25 北京 5000
# 1 李四 30 上海 7000
# 2 王五 35 广州 6000
# 3 赵六 28 深圳 8000
从字典创建时，每个键对应一列，键名就是列名。
从列表创建：
data2 = [
["张三", 25, "北京", 5000],
["李四", 30, "上海", 7000],
["王五", 35, "广州", 6000],
["赵六", 28, "深圳", 8000]
]
df2 = pd.DataFrame(data2, columns=["姓名", "年龄", "城市", "工资"])
从列表创建时，每个子列表代表一行数据，需要通过 columns 参数指定列名。
2.3 数据查看与基本信息
拿到一个新数据集后，第一步通常是快速了解数据的全貌：
print(df.shape) # (4, 4) —— 行数和列数
print(df.dtypes) # 每列的数据类型
print(df.columns) # 所有列名
print(df.index) # 行索引信息
print(df.head(3)) # 查看前 3 行
print(df.tail(3)) # 查看后 3 行
print(df.describe()) # 数值列的统计摘要
describe() 是一个非常实用的方法，它会一次性输出数值列的计数、均值、标准差、最小值、四分位数和最大值，让你对数据的分布有一个快速的认知：
年龄 工资
count 4.000000 4.000000
mean 29.500000 6500.000000
std 4.283173 1290.994449
min 25.000000 5000.000000
25% 27.250000 5750.000000
50% 29.500000 6500.000000
75% 31.250000 7250.000000
max 35.000000 8000.000000
2.4 数据获取
Pandas 提供了多种获取数据的方式，最常用的有三种：
直接用列名取列：
print(df["姓名"]) # 取一列，返回 Series
print(df[["姓名", "年龄"]]) # 取多列，返回 DataFrame
loc 按标签索引：
# 行标签为 0，列标签为"姓名"
print(df.loc[0, "姓名"]) # 张三
# 取多行多列
print(df.loc[[0, 1], ["姓名", "工资"]])
iloc 按位置索引：
# 第 0 行第 0 列
print(df.iloc[0, 0]) # 张三
# 前两行前两列
print(df.iloc[:2, :2])
简单来说，loc 用的是"名字"（索引标签和列名），iloc 用的是"位置"（从 0 开始的整数）。在实际使用中，loc 更常用也更安全，因为它不依赖于列的顺序。
2.5 条件筛选
数据分析中最常见的操作就是按条件筛选数据。Pandas 的条件筛选和 NumPy 的布尔索引思路一致，但表达能力更强：
# 单条件筛选
print(df[df["年龄"] > 28])
# 多条件筛选
print(df[(df["年龄"] > 28) & (df["工资"] >= 7000)])
# 使用 query 方法（更接近 SQL 语法）
print(df.query("年龄 > 28 and 工资 >= 7000"))
query 方法在条件复杂时特别好用，代码更简洁易读，而且执行效率通常也更高。
2.6 排序
排序也是日常分析中的高频操作：
# 按工资降序排序
print(df.sort_values("工资", ascending=False))
# 按多列排序：部门升序，工资降序
print(df.sort_values(["部门", "工资"], ascending=[True, False]))
多列排序时，会先按第一列排序，第一列相同的再按第二列排序，依此类推。
2.7 缺失值处理
真实世界的数据往往是"脏"的，缺失值无处不在。Pandas 提供了完整的缺失值处理方案：
检测缺失值：
print(df.isnull()) # 返回布尔 DataFrame，缺失为 True
print(df.notnull()) # 反之
删除缺失值：
df.dropna() # 删除包含任何缺失值的行
df.dropna(how="all") # 只删除全部为缺失值的行
df.dropna(subset=["A", "B"], how="all") # 关注特定列
填充缺失值：
df.fillna(0) # 用固定值填充
df.fillna(df.mean()) # 用均值填充
df.fillna(method="ffill") # 用前一个值填充（前向填充）
删除还是填充，没有标准答案，取决于缺失值的比例和业务含义。如果缺失比例很低且随机，直接删除通常没问题；如果缺失有规律，或者比例较高，就需要考虑填充甚至特征工程了。
2.8 数据透视与分组聚合
数据分析的核心价值在于从不同维度洞察数据。groupby 和 pivot_table 是实现这一目标的利器。
groupby 分组：
# 按部门分组，计算工资总和
print(df.groupby("部门")["工资"].sum())
# 多维度分组，同时计算多个统计量
print(df.groupby(["部门", "城市"])["工资"].aggregate(["sum", "mean"]))
pivot_table 数据透视表：
# 基本透视表
print(df.pivot_table(index="部门", values="工资", aggfunc="sum"))
# 多维度 + 多指标
print(df.pivot_table(
index=["部门", "城市"],
values="工资",
aggfunc=["sum", "mean"]
))
如果你熟悉 Excel 的数据透视表，对 pivot_table 一定会感到亲切。index 对应行标签，columns 对应列标签，values 对应值，aggfunc 对应汇总方式。掌握了分组和透视表，就掌握了数据分析的核心方法论。
三、Matplotlib：让数据开口说话
数据可视化是数据分析流程中不可或缺的一环。一图胜千言，好的图表能让数据中的规律和异常一目了然。Matplotlib 是 Python 中最基础也是最灵活的绘图库。
3.1 中文显示问题
使用 Matplotlib 时，第一个需要解决的就是中文显示问题。默认配置下，中文会显示为方框，需要手动设置字体：
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"] # 设置中文字体
plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题
这两行代码几乎是所有中文绘图的标配，建议放在绘图代码的最前面。
3.2 折线图入门
我们从最简单的折线图开始，感受 Matplotlib 的基本用法：
import numpy as np
arr1 = np.array([1, 2, 3, 4])
arr2 = [4, 5, 6, 6]
fig, ax = plt.subplots()
ax.plot(arr1, arr2)
ax.set(xlabel="横轴", ylabel="纵轴", title="测试折线图")
ax.grid()
plt.show()
这段代码展示了 Matplotlib 的标准绘图流程：创建画布和坐标轴 → 调用绘图方法 → 设置标签和标题 → 显示图表。这种"面向对象"的写法虽然比 plt.plot() 稍长，但代码结构更清晰，在绘制复杂图表时优势明显。
3.3 学习建议
Matplotlib 的功能非常强大，支持折线图、柱状图、散点图、饼图、热力图、箱线图等几十种图表类型，还可以自定义颜色、图例、标注、子图布局等。
但实话实说，对于初学者而言，不必一开始就深入钻研 Matplotlib 的所有细节。原因有三：
第一，Matplotlib 的 API 比较底层，要画出美观的图表需要大量的参数配置，学习曲线较陡。第二，现在有很多基于 Matplotlib 封装的高级库（如 Seaborn、Plotly），用更少的代码就能画出更好看的图。第三，AI 时代，完全可以借助 AI 工具快速生成图表代码，把精力放在理解数据和分析逻辑上。
我的建议是：掌握基本的绘图流程和核心概念，了解常见图表的适用场景，具体的代码细节在需要的时候查文档或问 AI 即可。数据分析的核心是"分析"，而不是"画图"。
四、三剑客的协同作战
单独看每个库各有所长，但真正的威力在于它们的配合。一个典型的数据分析流程是这样的：
-
数据获取：用 Pandas 读取 CSV、Excel 或数据库中的数据
-
数据清洗：用 Pandas 处理缺失值、重复值、异常值
-
数值计算：必要时转换为 NumPy 数组进行高性能计算
-
数据聚合：用 Pandas 的 groupby 和透视表做多维分析
-
可视化呈现：用 Matplotlib（或 Seaborn）将结果可视化
举个简单的例子，假设我们有一份销售数据：
# 1. 读取数据（Pandas）
df = pd.read_csv("sales.csv")
# 2. 清洗数据（Pandas）
df = df.dropna(subset=["销售额"])
# 3. 计算同比增长率（NumPy 向量化运算）
df["同比增长率"] = (df["本年销售额"] - df["上年销售额"]) / df["上年销售额"] * 100
# 4. 按地区汇总（Pandas）
region_sales = df.groupby("地区")["销售额"].sum().sort_values(ascending=False)
# 5. 绘制柱状图（Matplotlib）
fig, ax = plt.subplots(figsize=(10, 6))
region_sales.plot(kind="bar", ax=ax)
ax.set_title("各地区销售额对比")
ax.set_ylabel("销售额（万元）")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
在这个流程中，Pandas 承担了大部分工作，NumPy 在需要数值计算时提供支持，Matplotlib 负责最后的呈现。三者各司其职又无缝衔接，构成了 Python 数据分析的黄金组合。
五、学习路径与心得
聊完了技术本身，最后分享几点学习心得，希望能帮你少走一些弯路。
第一，动手实践远比看教程重要。 数据分析是一门实践性极强的技能，看十遍教程不如亲手写一遍代码。找一份感兴趣的数据集（Kaggle 上有很多），尝试用学到的方法去分析它，遇到问题再去查资料，这样的学习效率最高。
第二，理解原理比死记 API 更有价值。 NumPy、Pandas 的函数和参数非常多，没人能全部记住。重要的是理解核心概念——比如广播机制、axis 方向、分组聚合的逻辑。理解了原理，具体的函数名和参数随时可以查文档。
第三，善用 AI 工具，但不要依赖。 AI 时代，写代码的方式已经发生了很大变化。你可以用 AI 快速生成代码模板、解释报错信息、优化性能。但前提是你得能看懂代码、判断对错，否则 AI 生成的东西你也用不好。工具是放大器，不是替代品。
第四，从业务出发，而不是从技术出发。 数据分析的终极目的是解决业务问题。技术只是手段，理解业务背景、提出正确的问题、给出有价值的洞察，这些能力比掌握多少个函数重要得多。拿到数据后先别急着写代码，想一想：我要回答什么问题？数据能帮我吗？
最后
NumPy、Pandas、Matplotlib 这"三剑客"，构成了 Python 数据分析的基础设施。NumPy 提供了高效的数值计算能力，Pandas 让结构化数据的处理变得简单优雅，Matplotlib 则让数据可视化成为可能。
当然，数据分析的世界远不止这些。数据获取、特征工程、机器学习、数据挖掘……每一个方向都有广阔的天地。但打好基础永远是第一步。把这三个库的核心用法吃透，你就拥有了进一步探索的底气。
希望这篇文章能为你的数据分析学习之路提供一份清晰的地图。路漫漫其修远兮，吾将上下而求索。与君共勉。
如果你觉得这篇文章对你有帮助，欢迎点赞收藏，也欢迎在评论区交流你的学习心得。
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/wiwiwiwiooo/article/details/165006635
