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

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

一、为什么工具链如此重要？

机器学习算法是'菜谱'，而 NumPy、Pandas、Matplotlib 构成了现代数据科学工作的基础设施。初学者若无法熟练使用这些工具，往往难以将想法转化为代码。

本文旨在帮助读者掌握三大核心库的基础用法，独立完成数据加载、清洗、探索及可视化的完整流程。

二、环境准备

推荐方式：使用 Anaconda

1. 访问 https://www.anaconda.com/products/distribution
2. 下载对应操作系统的安装包（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：

jupyter notebook

浏览器会自动打开文件管理界面。

三、NumPy：高效数值计算的基石

Python 原生 list 在科学计算中存在速度慢、不支持向量化运算的问题。NumPy 提供了高效的 ndarray 对象、广播机制及 C 语言底层实现。

1. 创建数组

import numpy as np

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

# 创建全零/全一数组
zeros = np.zeros(5)
one = np.ones((2, 3))

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

# 创建随机数组
rand = np.random.rand(3, 2)

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)

# 展平为一维
flat = arr.flatten()

3. 向量化运算

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

# 元素级加法
print(a + b)

# 元素级乘法
print(a * b)

# 平方
print(a ** 2)

# 三角函数
print(np.sin(a))

# 条件筛选
print(a[a > 1])

4. 常用数学函数

arr = np.array([1, 2, 3, 4, 5])
print("均值:", np.mean(arr))
print("标准差:", np.std(arr))
print("最大值:", np.max(arr))
print("索引最大值:", np.argmax(arr))
print("求和:", np.sum(arr))

四、Pandas：让数据处理像 Excel 一样直观

Pandas 提供了更贴近人类思维的数据结构：Series（一列数据）和 DataFrame（表格）。

1. 创建 DataFrame

import pandas as pd

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

2. 读取真实数据

import seaborn as sns

# 方法 1：从 seaborn 加载
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())

3. 基础探索

# 查看维度
print("形状:", titanic.shape)

# 统计摘要
print(titanic.describe())

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

# 检查缺失值
print(titanic.isnull().sum())

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]

5. 处理缺失值

# 方案 1：删除含缺失的行
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)

print(titanic[['age', 'embarked']].isnull().sum())

6. 特征工程初探

# 创建新特征：家庭规模
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
titanic['sex_encoded'] = titanic['sex'].map({'male': 0, 'female': 1})

print(titanic[['age', 'age_group', 'sex', 'sex_encoded']].head())

五、Matplotlib 与 Seaborn：可视化

1. Matplotlib：基础绘图库

import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']

# 直方图
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

import seaborn as sns

# 生存率 vs 性别
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()

3. 散点图：探索变量关系

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')
plt.show()

4. 热力图：查看相关性

numeric_cols = titanic.select_dtypes(include=['number']).columns
corr_matrix = titanic[numeric_cols].corr()

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()

六、端到端实战：从原始数据到洞察

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

df = sns.load_dataset('titanic')

df['age'].fillna(df['age'].median(), inplace=True)
df.drop(columns=['deck', 'embark_town'], inplace=True)
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))

# 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')

# 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'])

# 年龄分布对比
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()

# 票价分布
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。

七、常见陷阱与最佳实践

1. 不要滥用 inplace=True

直接修改原数据难以回溯。建议显式创建新对象：

df_clean = df.dropna()

2. 避免链式索引

错误写法：

df[df['age'] > 30]['fare'] = 100

正确写法：

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

3. 可视化前先检查数据分布

• 对长尾分布使用对数尺度；
• 确保类别数量适中；
• 添加标题、坐标轴标签、图例。

4. 保持代码可复现

• 设置随机种子：np.random.seed(42)
• 记录 Pandas/NumPy 版本。