使用第三方库（如 NumPy、Pandas）
Python 的强大之处在于其广泛的第三方库生态，特别是在科学计算、数据分析等领域。NumPy 和 Pandas 是 Python 最常用的两个库，分别用于数值计算和数据处理。学习和掌握这些库将极大地提升你的编程效率和解决问题的能力。
1. NumPy 简介
NumPy 是 Python 的科学计算基础库，提供了支持高效多维数组和矩阵运算的功能。它是许多其他科学计算库（如 Pandas、SciPy 等）的基础。
1.1 安装 NumPy
在使用 NumPy 之前，需要先安装它。可以使用 pip 命令进行安装：
bash
pip install numpy1.2 NumPy 的主要功能
- 多维数组对象（ndarray）：提供高效的数组运算。
- 广播机制：支持对不同形状数组进行运算。
- 线性代数：提供矩阵、向量和线性代数操作。
- 随机数生成：用于生成随机数或随机分布的数据。
1.3 创建 NumPy 数组
NumPy 的核心是 ndarray，它是一个多维数组对象。可以通过不同的方式创建数组。
示例：创建 NumPy 数组
python
import numpy as np
# 创建一维数组
array_1d = np.array([1, 2, 3, 4, 5])
# 创建二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# 创建全零数组
zeros_array = np.zeros((3, 3))
# 创建全一数组
ones_array = np.ones((2, 4))
# 创建指定范围的数组
range_array = np.arange(0, 10, 2)
print(array_1d)
print(array_2d)
print(zeros_array)
print(ones_array)
print(range_array)1.4 数组运算
NumPy 的强大之处在于能够对数组执行矢量化运算，无需显式地写循环。这使得代码简洁且执行效率高。
示例：数组加法与矩阵乘法
python
import numpy as np
# 数组加法
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b # [5, 7, 9]
# 矩阵乘法
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
result = np.dot(matrix1, matrix2) # 矩阵乘法
print(c)
print(result)1.5 数学函数
NumPy 提供了丰富的数学函数，用于数组的元素级别操作。
示例：应用数学函数
python
import numpy as np
a = np.array([1, 4, 9, 16])
# 计算平方根
sqrt_a = np.sqrt(a)
# 计算正弦值
sin_a = np.sin(a)
# 计算平均值
mean_a = np.mean(a)
print(sqrt_a)
print(sin_a)
print(mean_a)2. Pandas 简介
Pandas 是一个强大的数据分析库，它提供了方便的数据结构（如 DataFrame）来高效地处理和分析数据，尤其适用于结构化数据。
2.1 安装 Pandas
同样，使用 pip 安装 Pandas：
bash
pip install pandas2.2 Pandas 的主要功能
- Series：一维数据结构，类似于列表或一维数组。
- DataFrame：二维数据结构，类似于 Excel 表格或 SQL 数据表。
- 数据读写：支持读取 CSV、Excel、SQL 数据库等格式的数据。
2.3 创建 Pandas 数据结构
Pandas 的两种主要数据结构是 Series 和 DataFrame。Series 是一维数组，DataFrame 是二维表格。
示例：创建 Series 和 DataFrame
python
import pandas as pd
# 创建 Series
data_series = pd.Series([10, 20, 30, 40])
# 创建 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'City': ['New York', 'San Francisco', 'Chicago']}
data_frame = pd.DataFrame(data)
print(data_series)
print(data_frame)2.4 数据读取与写入
Pandas 提供了简单的接口来读取和写入各种格式的数据，如 CSV、Excel、SQL 数据库等。
示例：读取 CSV 文件
python
import pandas as pd
# 从 CSV 文件中读取数据
data_frame = pd.read_csv('data.csv')
# 显示前几行数据
print(data_frame.head())
# 写入数据到 CSV 文件
data_frame.to_csv('output.csv', index=False)2.5 数据处理与操作
Pandas 提供了丰富的数据操作方法，包括筛选、排序、缺失值处理等。
示例：数据筛选与操作
python
import pandas as pd
# 创建 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],
'Age': [25, 30, 35, 40],
'Salary': [70000, 80000, 120000, 130000]}
data_frame = pd.DataFrame(data)
# 筛选年龄大于30的数据
filtered_data = data_frame[data_frame['Age'] > 30]
# 添加新列
data_frame['Bonus'] = data_frame['Salary'] * 0.1
# 缺失值处理
data_frame.fillna(0, inplace=True)
print(filtered_data)
print(data_frame)3. NumPy 与 Pandas 的结合
NumPy 和 Pandas 常常结合使用，Pandas 的 DataFrame 数据结构内部就是基于 NumPy 的多维数组进行高效存储和操作的。
示例：将 NumPy 数组转为 Pandas DataFrame
python
import numpy as np
import pandas as pd
# 创建 NumPy 数组
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 将 NumPy 数组转为 DataFrame
data_frame = pd.DataFrame(array, columns=['A', 'B', 'C'])
print(data_frame)4. 小结
- NumPy 是科学计算和数值处理的基础库，擅长多维数组和矩阵运算。
- Pandas 是数据分析的强大工具，能够高效处理结构化数据。
- 结合使用
NumPy和Pandas可以实现数据的高效处理与分析，大大提升开发效率。
通过学习和掌握 NumPy 和 Pandas，你可以更轻松地应对数据分析和科学计算任务。