Python数据分析必学库：NumPy、Pandas和Matplotlib基础用法

山海之间

发布时间：2026-10-22 | 7人浏览过

原创

在Python数据分析技术栈中，NumPy、Pandas和Matplotlib构成了一套标准且不可或缺的基础工具链。进行数据处理时，NumPy承担底层高性能数值计算与多维矩阵操作，Pandas在此基础上封装了面向实际业务的表格型数据结构与清洗分析功能，而Matplotlib则负责将处理后的结构化指标转换为直观图表。掌握这三个库的基本用法和数据交接逻辑，是完成任何Python数据分析任务的前提。

Python数据分析必学库：NumPy、Pandas和Matplotlib基础用法 — 图 1：NumPy、Pandas 与 Matplotlib 协同架构与职责分工

一、NumPy 基础用法与核心计算机制

NumPy（Numerical Python）是Python科学计算与数据分析的核心基石。原生Python列表在处理大规模数值运算时效率较低，因为列表存储的是对象的引用指针，各元素在内存中离散分布，且每次运算都需要进行动态类型检查。NumPy引入的 ndarray（N-dimensional Array）是一块连续的同质物理内存，支持由C语言底层直接执行密集向量计算。

1. 数组创建与常用属性

日常使用中，最常见的是将原生嵌套列表转换为 ndarray，或者通过NumPy内置生成函数创建规则数组：

import numpy as np

# 1. 由列表创建一维与二维数组
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([[10, 20, 30], [40, 50, 60]])

# 2. 内置构造函数生成数值序列
zeros_arr = np.zeros((3, 3))        # 3x3全零浮点矩阵
range_arr = np.arange(0, 10, 2)     # 等差数列 [0, 2, 4, 6, 8]
linear_arr = np.linspace(0, 1, 5)   # 0到1之间均匀切分5个点

# 3. 核心属性查询
print("维度数量 (ndim):", arr2.ndim)      # 示例输出: 2
print("形状结构 (shape):", arr2.shape)    # 示例输出: (2, 3)
print("元素类型 (dtype):", arr2.dtype)    # 示例输出: int64
print("元素总数 (size):", arr2.size)      # 示例输出: 6

2. 维度轴（Axis）与向量广播机制

在多维数组运算中，必须清晰理解“轴”（Axis）的概念。对于二维数组，axis=0 代表沿着纵向（行方向向下跨行）计算，常用于对各列分别聚合；axis=1 代表沿着横向（列方向向右跨列）计算，常用于对各行分别聚合。

另一个关键机制是广播（Broadcasting）。当两个形状不同的数组进行算术运算时，若它们的维度从后向前满足“维度尺寸相等”或“其中一个维度尺寸为1”，NumPy会自动在逻辑上将尺寸为1的轴进行平铺复制，从而无需显式循环即可完成运算。

3. 切片索引与布尔掩码操作

NumPy数组支持多维切片与布尔条件筛选，这是进行数值过滤的核心语法：

data = np.array([
    [15, 22, 35],
    [48, 52, 67],
    [71, 88, 93]
])

# 多维切片：行索引 0 到 1（不含2），列索引从第 1 列至末尾
sub_matrix = data[0:2, 1:]
# 示例输出:
# [[22, 35],
#  [52, 67]]

# 布尔掩码索引：提取所有大于 50 的数值
mask = data > 50
filtered_values = data[mask]
# 示例输出: [52, 67, 71, 88, 93]

# 沿轴统计
column_means = data.mean(axis=0)  # 计算各列均值，输出一维数组
row_sums = data.sum(axis=1)       # 计算各行总和

注意事项：切片是视图（View）而非独立副本 NumPy基础切片操作返回的是原数组内存的视图。如果对 sub_matrix[0, 0] = 999 进行赋值修改，原始 data 数组对应的位置也会被同步改写。若需要完全独立的内存副本，必须显式调用 data[0:2, 1:].copy()。

二、Pandas 基础用法与结构化数据处理

NumPy解决了底层数值计算效率问题，但实际业务数据通常是异质的（包含字符串、时间戳、浮点数）并且具有列名和行索引。Pandas基于NumPy构建，提供了两种核心数据结构：Series（带索引的一维标记数组）和 DataFrame（带行标签与列标签的二维表格结构）。

1. 数据创建与基础查看

在数据分析项目中，数据通常由外部文件读取，或由Python字典组装构建：

import pandas as pd

# 从字典创建结构化 DataFrame
data_dict = {
    "用户ID": [1001, 1002, 1003, 1004, 1005],
    "城市": ["北京", "上海", "广州", "北京", "深圳"],
    "年龄": [28, np.nan, 35, 42, 29],
    "消费金额": [1200.5, 850.0, 2300.0, 1680.0, 990.5]
}
df = pd.DataFrame(data_dict)

# 查看数据基本概览
print(df.head(3))          # 查看前3行数据
print(df.info())            # 查看各列非空计数与数据类型
print(df.describe())        # 查看数值列的统计指标（均值、标准差、四分位数等）

2. 核心操作：选择、过滤与缺失值处理

进行数据清洗时，最基础的操作是按列选择、条件筛选与处理缺失数据：

# 1. 字段选择与提取
cities = df["城市"]                 # 提取单列，返回 Series
sub_df = df[["用户ID", "消费金额"]]  # 提取多列，返回新的 DataFrame

# 2. 条件过滤（支持 & 与、| 或、~ 非）
beijing_vip = df[(df["城市"] == "北京") & (df["消费金额"] > 1500)]

# 3. 缺失值（NaN）检测与填充
missing_count = df["年龄"].isna().sum()   # 统计缺失行数
df["年龄"] = df["年龄"].fillna(df["年龄"].median())  # 用中位数填充缺失值

# 4. 基于 loc 与 iloc 的标签/位置索引
first_row = df.iloc[0]               # 按整数位置选取第 1 行
val = df.loc[df["用户ID"] == 1003, "消费金额"].values[0]  # 按标签定位数值

3. 分组聚合运算（GroupBy）

数据分析的核心需求之一是对维度进行聚合。Pandas提供了符合“拆分-应用-合并”（Split-Apply-Combine）模式的 groupby() 接口：

# 按城市分组统计消费指标
city_summary = df.groupby("城市").agg(
    用户数=("用户ID", "count"),
    平均消费=("消费金额", "mean"),
    总消费=("消费金额", "sum")
).reset_index()

# 示例输出结构:
#    城市  用户数     平均消费    总消费
# 0  北京    2  1440.25  2880.5
# 1  广州    1  2300.00  2300.0
# 2  上海    1   850.00   850.0
# 3  深圳    1   990.50   990.5

三、Matplotlib 基础用法与面向对象绘图规范

Matplotlib是Python生态中最成熟的绘图库。初学者常直接调用 plt.plot() 这类状态机接口，但在多子图或复杂排版场景下，状态机容易造成坐标系混乱。在工程实践中，推荐使用面向对象接口（Object-Oriented API），即显式创建 Figure（画布）和 Axes（坐标子图）对象。

1. 面向对象绘图的基础骨架

以下为最标准的面向对象绘图范式，展示折线图与柱状图的组合绘制方法：

import matplotlib.pyplot as plt

# 设置中文字体与负号正常显示
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 显式创建画布(fig)与子图坐标系(ax)
fig, ax = plt.subplots(figsize=(8, 4.5), dpi=100)

# 2. 准备数据（通常来自 Pandas 统计结果）
categories = ["第一季度", "第二季度", "第三季度", "第四季度"]
revenue = [120, 150, 180, 220]
target = [100, 140, 170, 200]

# 3. 在指定坐标系上绘制图形
ax.bar(categories, revenue, color="#394957", width=0.5, label="实际营收(万元)")
ax.plot(categories, target, color="#AD8B58", marker="o", linewidth=2.5, label="目标基线(万元)")

# 4. 图表细节装饰与配置
ax.set_title("年度季度营收对比趋势", fontsize=14, fontweight="bold", pad=12)
ax.set_xlabel("统计季度", fontsize=11)
ax.set_ylabel("金额 (万元)", fontsize=11)
ax.grid(True, linestyle="--", alpha=0.5)
ax.legend(loc="upper left")

# 5. 显示或保存图像文件
# plt.savefig("revenue_chart.png", bbox_inches="tight", dpi=300)
plt.show()

2. 常见图表类型与对应调用

折线图（ax.plot）：适合观察数值随连续变量（如时间、周期）的变动趋势。
柱状图（ax.bar / ax.barh）：适合对比离散分类指标之间的差异与分布。
散点图（ax.scatter）：适合探索两个数值变量之间的相关性或集群分布。
直方图（ax.hist）：适合观察单变量数值的连续频数分布与偏态特征。

四、三库协同实战案例：销售明细数据分析与出图

为了让读者直观理解三者在实际工作中的协作流程，下面通过一段完整且连续的代码示例，演示从原始数据构建、清洗聚合到图形输出的闭环：

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

# ----------------- 步骤 1: NumPy 辅助生成模拟销售数据 -----------------
np.random.seed(42)
days = 100
dates = pd.date_range(start="2024-01-01", periods=days, freq="D")
sales_base = np.random.normal(loc=5000, scale=800, size=days)
channels = np.random.choice(["线上商城", "线下门店", "企业直销"], size=days)

# ----------------- 步骤 2: Pandas 数据结构化与分组统计 -----------------
df_sales = pd.DataFrame({
    "日期": dates,
    "销售渠道": channels,
    "销售额": sales_base.round(2)
})

# 按渠道计算总销售额与平均单日业绩
channel_perf = df_sales.groupby("销售渠道")["销售额"].agg(["sum", "mean"]).reset_index()

# ----------------- 步骤 3: Matplotlib 成果可视化呈现 -----------------
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(11, 4.5), dpi=100)

# 子图 1: 各渠道销售总额柱状图
ax1.bar(channel_perf["销售渠道"], channel_perf["sum"] / 10000, color="#394957", width=0.45)
ax1.set_title("各渠道累计销售总额 (万元)", fontsize=12, fontweight="bold")
ax1.set_ylabel("金额 (万元)")
ax1.grid(axis="y", linestyle=":", alpha=0.6)

# 子图 2: 每日整体销售额走势折线图
daily_trend = df_sales.groupby("日期")["销售额"].sum()
ax2.plot(daily_trend.index, daily_trend.values, color="#AD8B58", linewidth=1.5)
ax2.set_title("每日销售额波动走势", fontsize=12, fontweight="bold")
ax2.set_ylabel("金额 (元)")
ax2.grid(True, linestyle=":", alpha=0.6)

fig.autofmt_xdate()
plt.tight_layout()
plt.show()

五、三库核心特征与知识总结

在日常学习与工程开发中，明确各库的适用边界是写出高效、优雅代码的关键。下表与图示全面总结了三个库的核心差异与协作关系：

六、常见使用陷阱与避坑建议

初学者在结合使用这三个库时，常常会遇到以下三个典型问题：

Pandas 的 SettingWithCopyWarning 警告：通常由于“链式索引”（例如 df[df["A"] > 0]["B"] = 1）引起。此时Pandas无法确定修改的是视图还是副本。正确做法是使用 loc 显式指定：df.loc[df["A"] > 0, "B"] = 1。
过度使用 Python 原生 for 循环：无论是NumPy还是Pandas，在数组或数据框上使用 for row in df.iterrows() 遍历都会丧失C底层的矢量化加速优势，性能常下降数个数量级。应尽可能使用内置矢量运算或 apply() 函数。
Matplotlib 中文字符显示为方块乱码：Matplotlib默认字体列表不包含中文字体。在导入库后，必须配置 plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei']，并同时设置 plt.rcParams['axes.unicode_minus'] = False 以正确显示负号。