数据分析三剑客：
一、能说出NumPy、Pandas、Matplotlib的关系：
NumPy是底层数值计算基础：
NumPy提供了高效的多维数组和数值计算能力，是后两者的基础，比如Pandas里的DataFrame底层存储的其实就是NumPy数组。Pandas 的数值运算（像求均值、求和）最终都是调用 NumPy 的函数来实现的。
Pandas 是基于它做结构化数据分析的：
Pandas是中层工具，它在NumPy的基础上，把数组包装成了更适合业务分析的表格结构，（Series 是单列数组，DataFrame 是多列表格），还加了索引、列名这些方便理解的信息，更适合处理结构化数据。
Matplotlib 靠前两者提供的数据做可视化。
Matplotlib就是上层展示，它可以直接接收？NumPy数组或者Pandas的Series/DataFrame 作为数据源，把数据转换成图表（比如折线图、散点图），相当于把前两者处理好的数据可视化出来，方便直观理解。
简单说就是：NumPy 负责 "算得快"，Pandas 负责 "用得顺"，Matplotlib 负责 "看得懂"，三者是从底层计算到中层处理再到上层展示的递进关系。
二、掌握Numpy数组创建操作：np.array() 或者 np.random.randn()
- 这块我用得很多：
-
用
np.array()的话，既可以把Python的列表转成数组（比如np.array([1,2,3])生成一维数组，np.array([[1,2],[3,4]])生成二维数组），也能指定数据类型（比如加dtype=np.float32把数据存成浮点型，节省内存）。 -
用
np.random.randn()是生成服从标准正态分布的随机数组，比如np.random.randn(3,4)就能生成3行4列、均值0、标准差1的随机浮点数；如果是生成整数随机数组，我也常用np.random.randint(0,10,size=(2,3))（生成0到10之间的整数，2行3列）。另外像生成全0数组（
np.zeros()）、全1数组（np.ones()）这些常用的创建方式，我也都很熟练。
三、了解numpy数组的相关操作：属性、索引、形状、运算
-
属性 ：比如看数组的形状用
arr.shape，看数据类型用arr.dtype，看数组元素个数用arr.size，这些属性能帮我快速了解数组的基本信息。arr.ndim是数组的维度。 -
索引 ：
一维数组直接用
arr[0]取第一个元素；二维数组可以用arr[1,2]取第2行第3列，也能切片（比如
arr[0:2, 1:3]取前2行、第2到3列的区域）；如果是条件索引，比如
arr[arr>5]可以直接取出数组中大于5的元素。 -
形状调整 ：比如用
arr.reshape(2,6)把原来的数组改成2行6列，arr.T数组的转置。或者用
arr.flatten()把多维数组转成一维，这些在数据格式不匹配的时候经常用。 -
运算 ：
数组之间可以直接做加减乘除（比如
arr1 + arr2），也能和标量运算（比如arr * 2）；矩阵乘法：公式：（m,p）*(p,n) = (m,n) API：np.dot
另外像求均值
np.mean(arr)、求和np.sum(arr)、求最大值np.max(arr)这些统计运算，我也会根据需求用（比如np.sum(arr, axis=0)是按列求和，axis=1是按行求和）。
四、能说出Pandas中Series和DataFrame的联系
我很清楚这两者的关系：
首先Series是Pandas里的"单列数据结构"------它像是带索引的一维数组，既有数据值，也有对应的索引（可以是默认的数字索引，也能自己指定比如日期、名称）。
而DataFrame是"多列表格结构"------它可以理解成是由多个Series"拼"起来的，每一列都是一个Series，并且这些Series共享同一个行索引。
举个例子：如果我有一个存"用户年龄"的Series和一个存"用户消费"的Series，把这两个Series按列组合起来，就能得到一个包含"年龄""消费"两列的DataFrame；反过来，从DataFrame里取某一列（比如df['年龄']），得到的就是对应的Series。
所以两者的核心联系是：DataFrame是Series的容器，Series是DataFrame的组成单元。
五、掌握DataFrame对象的创建操作：从文件读取或者列表/字典等转换
- 这些创建方式我都常用：
-
从文件读取 ：比如读CSV文件用
pd.read_csv('文件路径.csv')，读Excel文件用pd.read_excel('文件路径.xlsx')，还能指定参数（比如sep='\t'指定分隔符、usecols=[0,2]只读取第1和第3列）。 -
用列表/字典创建 ：如果是字典，比如
pd.DataFrame({'姓名':['张三','李四'],'年龄':[20,25]})，字典的键会变成列名，值会变成对应列的数据；如果是列表嵌套列表，比如pd.DataFrame([['张三',20],['李四',25]], columns=['姓名','年龄'])，需要手动指定列名。另外像从NumPy数组创建（
pd.DataFrame(np.random.rand(3,2), columns=['列1','列2'])），或者从数据库查询结果创建，这些方式我也用过。
六、熟悉DataFrame的相关操作：选择、筛选、缺失值、分组聚合
- 这些都是我日常分析的核心操作：
-
选择 ：选列可以用
df[['列名1','列名2']]，选行可以用df.loc[行索引]或者df.iloc[行号]。 -
筛选 ：比如筛选"年龄>20"的行用
df[df['年龄']>20]，多条件筛选（比如"年龄>20且消费>100"）用df[(df['年龄']>20) & (df['消费']>100)]。 -
缺失值处理 ：先用
df.isnull().sum()统计每列的空值数量，然后根据情况处理------比如用df.dropna()删除有空值的行，或者用df.fillna(df['列名'].mean())把空值填充成该列的均值。 -
分组聚合 ：比如按"性别"分组求"消费"的均值，用
df.groupby('性别')['消费'].mean()；如果要同时求均值和总和，就用df.groupby('性别')['消费'].agg(['mean','sum'])。 -
**数据透视表：**pivot_table()
七、能够使用Matplotlib绘制简单的折线图和散点图
这两种图我经常用：
-
折线图 ：比如画"日期-销量"的折线图，先导入库
import matplotlib.pyplot as plt，然后用plt.plot(df['日期'], df['销量'])，再加上plt.xlabel('日期')（x轴标签）、plt.ylabel('销量')（y轴标签）、plt.title('每日销量趋势')（标题），最后用plt.show()显示图表。 -
散点图 ：比如画"年龄-消费"的散点图，用
plt.scatter(df['年龄'], df['消费'])，同样可以加标签和标题，还能通过c参数指定点的颜色（比如c='red'），通过s参数调整点的大小。如果是从Pandas的DataFrame取数据，直接把Series传进去就行，不用额外转格式。