本文详细介绍了 Python 数据分析中 Numpy 与 Pandas 库的核心用法。内容涵盖环境配置、Numpy 数组创建与向量化运算、Pandas 的 Series 与 DataFrame 数据结构、数据清洗流程（包括缺失值处理、类型转换、日期解析及异常值过滤）以及关键指标计算示例。文章通过医院销售数据的实际案例，演示了从数据读取到 KPI 分析的全流程，并补充了常见性能优化技巧与最佳实践，旨在帮助读者建立完整的数据分析工作流。
在 Python 数据科学生态中，Numpy（Numerical Python）和 Pandas 是最核心的两个库。Numpy 专注于高效的数值计算和矩阵运算，其底层基于 C 语言实现，性能远高于原生列表；Pandas 则构建在 Numpy 之上，提供了更高级的数据结构（如 Series 和 DataFrame），专门用于处理结构化数据和进行复杂的数据分析任务。
使用前需确保已安装相关库。若未安装，可通过 pip 命令安装：
pip install numpy pandas openpyxl
在代码中，通常使用以下约定导入：
import numpy as np
import pandas as pd
Numpy 的核心对象是 ndarray（多维数组）。创建数组常用 array 函数，内部元素类型必须一致。
import numpy as np
# 创建一维数组
arr1d = np.array([1, 2, 3, 4])
# 创建二维数组（矩阵）
arr2d = np.array([[1, 2], [3, 4]])
# 查看数组属性
print(f"维度：{arr2d.ndim}") # 输出 2
print(f"形状：{arr2d.shape}") # 输出 (2, 2)
print(f"数据类型：{arr2d.dtype}") # 输出 int64
Numpy 支持类似列表的切片操作，但效率更高。注意索引从 0 开始。
# 获取第一行第二列的元素
val = arr2d[0, 1]
# 切片操作
sub_arr = arr2d[:1, :] # 获取第一行所有列
Numpy 的优势在于支持广播机制和向量化运算，无需循环即可对整体数组进行操作。
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 直接加减乘除
print(a + b) # [5 7 9]
print(a * 2) # [2 4 6]
Pandas 提供了两种主要数据结构：Series 和 DataFrame。
Series 由一组数据和对应的索引组成。索引可以是自定义的，不一定从 0 开始。
s = pd.Series([10, 20, 30], index=['a', 'b', 'c'])
print(s['a']) # 输出 10
DataFrame 类似于 Excel 表格或 SQL 表，包含多列，每列可有不同的数据类型。
创建方式：
data = {
'姓名': ['张三', '李四'],
'年龄': [25, 30],
'城市': ['北京', '上海']
}
df = pd.DataFrame(data)
索引访问：
df['姓名']df.iloc[0] 或 df.loc[0]原始数据往往存在缺失值、格式错误等问题，清洗是分析前的关键步骤。
读取 Excel 文件时建议指定 dtype 防止类型推断错误，并安装 openpyxl 引擎。
# 读取 Excel 文件
file_path = 'data/sales_data.xlsx'
df = pd.read_excel(file_path, sheet_name='Sheet1', dtype=str)
统一字段名称，并将数值列转换为正确的数值类型。
# 重命名列
df.rename(columns={'购药时间': '销售时间'}, inplace=True)
# 类型转换
df['销售数量'] = pd.to_numeric(df['销售数量'], errors='coerce')
df['应收金额'] = pd.to_numeric(df['应收金额'], errors='coerce')
使用 dropna 删除缺失行，或使用 fillna 填充特定值。
# 删除销售时间或社保卡号缺失的行
df = df.dropna(subset=['销售时间', '社保卡号'], how='any')
# 或者填充默认值
df['实收金额'].fillna(0, inplace=True)
将字符串日期转换为 datetime 对象以便进行时间序列分析。
# 提取日期部分并转换格式
def extract_date(time_str):
if pd.isna(time_str):
return None
return time_str.split(' ')[0]
df['销售时间'] = df['销售时间'].apply(extract_date)
df['销售时间'] = pd.to_datetime(df['销售时间'], format='%Y-%m-%d', errors='coerce')
# 再次检查日期缺失情况
df = df.dropna(subset=['销售时间'])
根据业务逻辑过滤不合理数据，例如销售数量不能为负数。
# 保留销售数量大于 0 的记录
df = df[df['销售数量'] > 0]
清洗后的数据可用于计算关键绩效指标（KPI）。
同一人同一天多次消费视为一次有效交易。
# 去除重复记录
kpi_df = df.drop_duplicates(subset=['销售时间', '社保卡号'])
total_orders = kpi_df.shape[0]
print(f'总消费次数：{total_orders}')
计算总金额及月均消费。
total_revenue = df['实收金额'].sum()
start_time = kpi_df['销售时间'].min()
end_time = kpi_df['销售时间'].max()
days_span = (end_time - start_time).days
months_span = max(days_span // 30, 1) # 避免除以零
monthly_avg_orders = total_orders / months_span
monthly_avg_revenue = total_revenue / months_span
unit_price = total_revenue / total_orders
print(f'月份跨度：{months_span}个月')
print(f'月均消费次数：{monthly_avg_orders:.2f}')
print(f'月均消费金额：{monthly_avg_revenue:.2f}')
print(f'客单价：{unit_price:.2f}')
利用 groupby 可以按不同维度（如月份、科室）汇总数据。
# 添加月份列
df['月份'] = df['销售时间'].dt.strftime('%Y-%m')
# 按月统计销售额
monthly_sales = df.groupby('月份')['实收金额'].sum().reset_index()
print(monthly_sales.head())
category 类型存储重复字符串列。.loc[] 或 .copy()，避免 SettingWithCopyWarning。iterrows()，优先使用向量化操作或 apply()。to_excel 或 to_csv 导出结果。# 保存清洗后的数据
df.to_excel('cleaned_sales_data.xlsx', index=False)
通过掌握 Numpy 的高效运算和 Pandas 的数据处理能力，可以大幅提升数据分析工作的效率与准确性。在实际项目中，结合具体业务场景灵活组合上述方法，能够解决绝大多数数据处理需求。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online