Python 数据科学工具链入门：NumPy、Pandas 与 Matplotlib 实战

Python 数据科学工具链入门：NumPy、Pandas 与 Matplotlib 实战

'工欲善其事，必先利其器。'在机器学习的世界里，你的'器'就是 Python 数据科学工具链。

为什么工具链如此重要？

想象你要做一道菜。即使背熟了所有食谱，如果厨房里只有生锈的刀、没校准的秤、漏底的锅，依然做不出好菜。

机器学习也是如此。算法是'菜谱'，而 NumPy、Pandas、Matplotlib 就是你的'刀、秤、锅'——它们构成了现代数据科学工作的基础设施。

很多初学者一上来就急着学'神经网络''梯度提升'，却连如何读取一个 CSV 文件都磕磕绊绊。结果是：想法很丰满，代码跑不动。

本文的目标很明确：

• 让你在短时间内掌握三大核心库的基础用法；
• 能独立完成 数据加载 → 清洗 → 探索 → 可视化 的完整流程；
• 为后续所有机器学习项目打下坚实工具基础。

不需要你成为专家，但要让你不再被工具卡住。

环境准备：5 分钟搭建你的'数据厨房'

推荐方式：使用 Anaconda（最省心）

1. 访问 https://www.anaconda.com/products/distribution
2. 下载对应你操作系统的安装包（Windows / macOS / Linux）
3. 安装时勾选 'Add to PATH'（Windows 用户注意）
4. 安装完成后，打开 Anaconda Prompt（Windows）或终端（macOS/Linux）

💡 Anaconda 自带 Python、NumPy、Pandas、Matplotlib、Jupyter 等几乎所有你需要的库，避免依赖冲突。

验证安装

在终端中输入：

python --version

应显示 Python 3.9+。

然后启动 Jupyter Notebook（推荐交互式开发环境）：

jupyter notebook

浏览器会自动打开一个文件管理界面——这就是你的'数据实验室'。

🔧 替代方案：如果你已用 pip 管理 Python，可手动安装：

pip install numpy pandas matplotlib seaborn jupyter

NumPy：高效数值计算的基石

为什么需要 NumPy？

Python 原生的 list 虽然灵活，但在科学计算中存在两大问题：

1. 速度慢：每个元素都是 Python 对象，内存开销大；
2. 不支持向量化运算：无法直接对整个数组做加减乘除。

而 NumPy（Numerical Python） 提供了：

• ndarray：高效的多维数组对象；
• 广播机制（Broadcasting）：自动对不同形状的数组进行运算；
• C 语言底层实现：比纯 Python 快 10–100 倍。

📌 记住：几乎所有数据科学库（Pandas、scikit-learn、TensorFlow）都基于 NumPy 构建。

1. 创建数组

import numpy as np

# 从列表创建
arr = np.array([1, 2, 3, 4])
print(arr)  # [1 2 3 4]

# 创建全零/全一数组
zeros = np.zeros(5)          # [0. 0. 0. 0. 0.]
ones = np.ones((2, 3))       # 2x3 全 1 矩阵

# 创建等差数列
linspace = np.linspace(0, 10, 5)  # [0.  2.5  5.  7.5 10. ]

# 创建随机数组
rand = np.random.rand(3, 2)  # 3x2，值在 [0,1) 之间

2. 数组属性与形状操作

arr = np.array([[1, 2, 3], [4, 5, 6]])

print("形状:", arr.shape)      # (2, 3)
print("维度:", arr.ndim)        # 2
print("元素总数:", arr.size)    # 6
print("数据类型:", arr.dtype)   # int64

# 改变形状（不改变数据）
reshaped = arr.reshape(3, 2)
print(reshaped)
# [[1 2]
#  [3 4]
#  [5 6]]

# 展平为一维
flat = arr.flatten()           # [1 2 3 4 5 6]

3. 向量化运算（无需 for 循环！）

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 元素级加法
print(a + b)                   # [5 7 9]

# 元素级乘法
print(a * b)                   # [ 4 10 18]

# 平方
print(a ** 2)                  # [1 4 9]

# 三角函数
print(np.sin(a))               # [0.8415 0.9093 0.1411]

# 条件筛选
print(a[a > 1])                # [2 3]

✅ 关键优势：这些操作在 C 层面并行执行，速度极快。

4. 常用数学函数

arr = np.array([1, 2, 3, 4, 5])

print("均值:", np.mean(arr))     # 3.0
print("标准差:", np.std(arr))    # 1.414...
print("最大值:", np.max(arr))     # 5
print("索引最大值:", np.argmax(arr))  # 4
print("求和:", np.sum(arr))       # 15

💡 这些函数将贯穿你未来的模型评估、特征工程等环节。

Pandas：让数据处理像 Excel 一样直观

如果说 NumPy 是'引擎'，那么 Pandas 就是'驾驶舱'——它提供了更贴近人类思维的数据结构。

核心数据结构

结构	维度	类比
Series	1D	带标签的一列数据（如 Excel 的一列）
DataFrame	2D	表格（如 Excel 工作表）

1. 创建 DataFrame

import pandas as pd

# 从字典创建
data = {
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [25, 30, 35],
    'city': ['NYC', 'LA', 'Chicago']
}
df = pd.DataFrame(data)
print(df)

输出：

    name  age     city
0  Alice   25      NYC
1    Bob   30       LA
2 Charlie   35  Chicago

2. 读取真实数据（CSV/Excel）

我们将使用经典的 泰坦尼克号乘客数据集（titanic.csv），可从 Kaggle 下载，或使用 seaborn 内置版本：

# 方法 1：从 seaborn 加载（推荐初学者）
import seaborn as sns
titanic = sns.load_dataset('titanic')

# 方法 2：从本地 CSV 读取
# titanic = pd.read_csv('titanic.csv')

print("前 5 行:")
print(titanic.head())
print("\n基本信息:")
print(titanic.info())

典型输出：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 15 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   survived 891 non-null    int64  
 1   pclass   891 non-null    int64  
 2   sex      891 non-null    object 
 3   age      714 non-null    float64
 ...

🔍 注意：age 和 embarked 有缺失值（Non-Null Count < 891）——这是真实数据的常态！

3. 基础探索：了解你的数据

# 查看维度
print("形状:", titanic.shape)            # (891, 15)

# 统计摘要（仅数值列）
print(titanic.describe())

# 查看分类变量分布
print(titanic['sex'].value_counts())
# male    577
# female  314

# 检查缺失值
print(titanic.isnull().sum())
# age         177
# embarked      2
# deck        688 ← 大量缺失，可能需删除

4. 数据筛选与索引

# 单列（返回 Series）
ages = titanic['age']

# 多列（返回 DataFrame）
subset = titanic[['name', 'age', 'fare']]

# 条件筛选
survived_females = titanic[(titanic['survived'] == 1) & (titanic['sex'] == 'female')]

# 使用 .loc（基于标签）
first_row = titanic.loc[0, ['name', 'age']]

# 使用 .iloc（基于位置）
first_three = titanic.iloc[:3, :5]  # 前 3 行，前 5 列

⚠️ 注意：& 代替 and，| 代替 or，且条件要用括号包围。

5. 处理缺失值（数据清洗第一步）

# 方案 1：删除含缺失的行（谨慎使用！）
titanic_clean1 = titanic.dropna()

# 方案 2：用均值填充年龄
titanic['age'].fillna(titanic['age'].mean(), inplace=True)

# 方案 3：用众数填充登船港口
mode_embarked = titanic['embarked'].mode()[0]
titanic['embarked'].fillna(mode_embarked, inplace=True)

# 验证
print(titanic[['age', 'embarked']].isnull().sum())  # 应为 0

✅ 最佳实践：记录你做了什么处理，因为这直接影响模型效果。

6. 特征工程初探（为 ML 做准备）

# 创建新特征：家庭规模 = 兄弟姐妹 + 父母子女 + 自己
titanic['family_size'] = titanic['sibsp'] + titanic['parch'] + 1

# 分箱：将年龄分为儿童/成人/老人
titanic['age_group'] = pd.cut(
    titanic['age'], 
    bins=[0, 18, 65, 100], 
    labels=['Child', 'Adult', 'Senior']
)

# 编码分类变量（字符串 → 数字）
titanic['sex_encoded'] = titanic['sex'].map({'male': 0, 'female': 1})

# 查看结果
print(titanic[['age', 'age_group', 'sex', 'sex_encoded']].head())

🌟 这些操作正是后续机器学习中'特征工程'的核心内容。

Matplotlib 与 Seaborn：用图表讲好数据故事

'一图胜千言'——在数据科学中，可视化是理解、沟通、发现的关键。

1. Matplotlib：基础绘图库

import matplotlib.pyplot as plt

# 设置中文字体（避免乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
# plt.rcParams['font.family'] = 'Arial Unicode MS'  # macOS

# 示例 1：直方图（年龄分布）
plt.figure(figsize=(8, 5))
plt.hist(titanic['age'], bins=20, color='skyblue', edgecolor='black')
plt.title('泰坦尼克号乘客年龄分布')
plt.xlabel('年龄')
plt.ylabel('人数')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

2. Seaborn：统计可视化利器（基于 Matplotlib）

Seaborn 提供更高层次的接口，一行代码即可生成精美图表。

import seaborn as sns

# 示例 2：生存率 vs 性别（柱状图）
plt.figure(figsize=(6, 4))
sns.barplot(x='sex', y='survived', data=titanic)
plt.title('不同性别的生存率')
plt.ylabel('生存概率')
plt.show()

输出将清晰显示：女性生存率远高于男性（约 74% vs 19%）。

3. 散点图：探索变量关系

# 年龄 vs 票价，颜色表示是否生存
plt.figure(figsize=(8, 6))
sns.scatterplot(
    x='age', 
    y='fare', 
    hue='survived', 
    data=titanic, 
    alpha=0.7
)
plt.title('年龄与票价的关系（按生存状态着色）')
plt.show()

4. 热力图：查看相关性

# 选择数值列
numeric_cols = titanic.select_dtypes(include=['number']).columns
corr_matrix = titanic[numeric_cols].corr()

# 绘制热力图
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('数值特征相关性热力图')
plt.show()

🔍 你会发现 pclass（舱位等级）与 fare（票价）高度负相关（-0.55）——头等舱票价高，等级数字小（1=头等）。

端到端实战：从原始数据到洞察

现在，我们将整合三大工具，完成一个微型分析项目。

目标：分析泰坦尼克号乘客的生存影响因素

步骤 1：加载与清洗

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('titanic')

# 基础清洗
df['age'].fillna(df['age'].median(), inplace=True)
df.drop(columns=['deck', 'embark_town'], inplace=True)  # 删除高缺失列
df.dropna(subset=['embarked'], inplace=True)

步骤 2：创建新特征

df['family_size'] = df['sibsp'] + df['parch'] + 1
df['is_alone'] = (df['family_size'] == 1).astype(int)

步骤 3：可视化关键发现

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 1. 舱位等级 vs 生存率
sns.barplot(x='pclass', y='survived', data=df, ax=axes[0, 0])
axes[0, 0].set_title('舱位等级与生存率')

# 2. 是否独自旅行 vs 生存率
sns.barplot(x='is_alone', y='survived', data=df, ax=axes[0, 1])
axes[0, 1].set_title('独自旅行与生存率')
axes[0, 1].set_xticklabels(['否', '是'])

# 3. 年龄分布（按生存状态）
df[df['survived'] == 1]['age'].hist(alpha=0.7, label='生存', ax=axes[1, 0])
df[df['survived'] == 0]['age'].hist(alpha=0.7, label='遇难', ax=axes[1, 0])
axes[1, 0].set_title('年龄分布对比')
axes[1, 0].legend()

# 4. 票价分布（对数尺度）
df.boxplot(column='fare', by='survived', ax=axes[1, 1])
axes[1, 1].set_yscale('log')
axes[1, 1].set_title('票价分布（对数尺度）')

plt.tight_layout()
plt.show()

关键洞察：

1. 头等舱（pclass=1）生存率最高；
2. 结伴旅行者生存率更高；
3. 儿童（<10 岁）生存率明显提升；
4. 高票价乘客更可能生存（可能与舱位相关）。

🎯 这些洞察可直接用于后续的机器学习建模——例如，pclass、is_alone、age 都是强预测特征。

常见陷阱与最佳实践

1. 不要滥用 inplace=True

虽然 df.dropna(inplace=True) 看似方便，但它会直接修改原数据，难以回溯。建议：

df_clean = df.dropna()  # 显式创建新对象

2. 避免链式索引（Chained Indexing）

错误写法：

df[df['age'] > 30]['fare'] = 100  # 可能报 SettingWithCopyWarning

正确写法：

df.loc[df['age'] > 30, 'fare'] = 100

3. 可视化前先检查数据分布

• 对长尾分布（如票价）使用对数尺度；
• 对分类变量确保类别不多（否则图表混乱）；
• 添加标题、坐标轴标签、图例——否则别人看不懂。

4. 保持代码可复现

• 设置随机种子：np.random.seed(42)
• 记录 Pandas/NumPy 版本（不同版本行为可能不同）

下一步：为机器学习做准备

通过本文，你已经掌握了：

• 用 NumPy 高效处理数值；
• 用 Pandas 清洗、转换、探索表格数据；
• 用 Matplotlib/Seaborn 可视化发现规律。

接下来，可以深入探讨：

• 数据质量的五大维度（完整性、一致性、准确性等）；
• 更高级的缺失值处理策略（插值、模型预测填充）；
• 异常值检测与处理；
• 特征缩放（标准化、归一化）的必要性。

这些内容将直接决定你未来模型的上限。

动手实践建议

1. 运行本文所有代码，不要只看；
2. 尝试用 Pandas 分析你自己的数据（如运动记录、账单、课程成绩）；
3. 在 Kaggle 上下载一个新数据集（如 House Prices），重复本文流程；
4. 将 Notebook 版本化管理，便于后续迭代。

记住：工具的价值不在'知道'，而在'用过'。你敲下的每一行代码，都在为未来的智能系统铺路。