Python教程 - 数据分析入门:NumPy + Pandas + Matplotlib 实战

plt.plot(days, sales, marker='o', markersize=3, linewidth=1.5, color='#2196F3')

plt.title('6月份每日销售额趋势', fontsize=14, fontweight='bold')

plt.xlabel('日期', fontsize=12)

plt.ylabel('销售额 (元)', fontsize=12)

plt.xticks(range(1, 31, 3))  # 每3天一个刻度

plt.grid(True, alpha=0.3)

plt.tight_layout()

plt.savefig('sales_trend.png', dpi=100)

plt.show()

```

### 6.4.3 柱状图——对比分类数据

```python

import matplotlib.pyplot as plt

categories = ["电子产品", "服装", "食品", "图书", "家居"]

total_sales = [450000, 320000, 280000, 150000, 210000]

avg_rating = [4.2, 4.5, 4.8, 4.1, 4.3]

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 左图：销售额柱状图

colors = ['#FF6384', '#36A2EB', '#FFCE56', '#4BC0C0', '#9966FF']

bars = axes[0].bar(categories, total_sales, color=colors, edgecolor='#333', linewidth=0.5)

axes[0].set_title('各类别总销售额', fontsize=13)

axes[0].set_ylabel('销售额 (元)')

for bar, val inzip(bars, total_sales):

    axes[0].text(bar.get_x() + bar.get_width()/2, bar.get_height() + 5000,

f'¥{val:,}', ha='center', fontsize=9)

# 右图：评分柱状图

axes[1].bar(categories, avg_rating, color='#4CAF50', edgecolor='#333', linewidth=0.5)

axes[1].set_title('各类别平均评分', fontsize=13)

axes[1].set_ylabel('评分')

axes[1].set_ylim(0, 5)

for bar, val inzip(axes[1].containers[0], avg_rating):

    axes[1].text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.03,

f'{val:.1f}', ha='center', fontsize=9)

plt.tight_layout()

plt.savefig('category_comparison.png', dpi=100)

plt.show()

```

### 6.4.4 饼图——展示占比

```python

import matplotlib.pyplot as plt

categories = ["电子产品", "服装", "食品", "图书", "家居"]

sales = [450000, 320000, 280000, 150000, 210000]

colors = ['#FF6384', '#36A2EB', '#FFCE56', '#4BC0C0', '#9966FF']

plt.figure(figsize=(8, 6))

wedges, texts, autotexts = plt.pie(sales, labels=categories, autopct='%1.1f%%',

colors=colors, startangle=90, textprops={'fontsize': 11})

for autotext in autotexts:

    autotext.set_fontweight('bold')

    autotext.set_color('white')

plt.title('各类别销售占比', fontsize=14, fontweight='bold')

plt.axis('equal')

plt.tight_layout()

plt.savefig('pie_chart.png', dpi=100)

plt.show()

```

### 6.4.5 散点图——探索相关性

```python

import matplotlib.pyplot as plt

import numpy as np

np.random.seed(42)

# 模拟广告投入与销售额的关系

ad_spend = np.random.uniform(10, 100, 50)  # 广告投入（万元）

sales_revenue = ad_spend * 5.2 + np.random.normal(0, 80, 50)  # 销售额（万元）

# 加一点正相关噪音

plt.figure(figsize=(8, 6))

plt.scatter(ad_spend, sales_revenue, c='#2196F3', s=60, alpha=0.7, edgecolors='#333', linewidth=0.5)

# 添加趋势线

z = np.polyfit(ad_spend, sales_revenue, 1)

p = np.poly1d(z)

plt.plot(ad_spend, p(ad_spend), "--r", linewidth=2, label=f'趋势线: y={z[0]:.1f}x+{z[1]:.1f}')

plt.xlabel('广告投入 (万元)', fontsize=12)

plt.ylabel('销售额 (万元)', fontsize=12)

plt.title('广告投入 vs 销售额', fontsize=14, fontweight='bold')

plt.legend()

plt.grid(True, alpha=0.3)

plt.tight_layout()

plt.show()

print(f"广告投入与销售额的相关系数: {np.corrcoef(ad_spend, sales_revenue)[0, 1]:.3f}")

```

---

## 6.5 综合实战：一份完整的分析报告

我们把前面学到的所有内容整合起来，做一份完整的报告。

```python

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']  # 支持中文显示

plt.rcParams['axes.unicode_minus'] = False

# ========== 1. 创建模拟数据 ==========

np.random.seed(42)

data = {

"student_id": range(1, 101),

"name": [f"学生{i}"for i inrange(1, 101)],

"gender": np.random.choice(["男", "女"], 100),

"math_score": np.random.normal(75, 12, 100).clip(0, 100).round(1),

"english_score": np.random.normal(72, 15, 100).clip(0, 100).round(1),

"cs_score": np.random.normal(80, 10, 100).clip(0, 100).round(1),

"study_hours": np.random.uniform(1, 8, 100).round(1),

"attendance_rate": np.random.uniform(0.5, 1.0, 100).round(2)

}

df = pd.DataFrame(data)

# 修复小数精度

for col in ["math_score", "english_score", "cs_score"]:

    df[col] = df[col].clip(0, 100)

# ========== 2. 统计分析 ==========

print("=" * 50)

print("📋 学生成绩分析报告")

print("=" * 50)

print("\n--- 各科成绩统计 ---")

score_cols = ["math_score", "english_score", "cs_score"]

for col in score_cols:

    ch_name = {"math_score": "数学", "english_score": "英语", "cs_score": "计算机"}[col]

print(f"  {ch_name}: 平均分={df[col].mean():.1f}, "

f"最高={df[col].max():.1f}, "

f"最低={df[col].min():.1f}, "

f"标准差={df[col].std():.1f}")

# 总分

df["total"] = df[score_cols].sum(axis=1)

df["average"] = df["total"] / 3

print(f"\n  总分范围: {df['total'].min():.1f} ~ {df['total'].max():.1f}")

print(f"  平均总分: {df['total'].mean():.1f}")

# 优秀率（≥85分）

excellent_count = (df["average"] >= 85).sum()

print(f"  优秀率: {excellent_count}/{len(df)} = {excellent_count/len(df)*100:.1f}%")

# ========== 3. 相关性分析 ==========

corr_matrix = df[score_cols + ["study_hours", "attendance_rate"]].corr()

print("\n--- 相关性矩阵 ---")

for col in score_cols:

    ch_name = {"math_score": "数学", "english_score": "英语", "cs_score": "计算机"}[col]

    hrs_corr = corr_matrix.loc[col, "study_hours"]

    att_corr = corr_matrix.loc[col, "attendance_rate"]

print(f"  {ch_name} vs 学习时长: {hrs_corr:.3f}")

print(f"  {ch_name} vs 出勤率: {att_corr:.3f}")

# ========== 4. 可视化 ==========

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

# 图1: 各科成绩分布直方图

axes[0, 0].hist(df[score_cols], bins=20, alpha=0.6, edgecolor='black', linewidth=0.5,

label=[{"math_score": "数学"}, {"english_score": "英语"}, {"cs_score": "计算机"}][i].get(list(score_cols)[i])

for i inrange(3)])

# 简化版本：直接标注

axes[0, 0].hist(df["math_score"], bins=15, alpha=0.5, label='数学', color='#FF6384', edgecolor='black', linewidth=0.5)

axes[0, 0].hist(df["english_score"], bins=15, alpha=0.5, label='英语', color='#36A2EB', edgecolor='black', linewidth=0.5)

axes[0, 0].hist(df["cs_score"], bins=15, alpha=0.5, label='计算机', color='#4BC0C0', edgecolor='black', linewidth=0.5)

axes[0, 0].set_title('各科成绩分布', fontsize=12)

axes[0, 0].legend()

axes[0, 0].set_xlabel('分数')

axes[0, 0].set_ylabel('人数')

# 图2: 成绩-学习时长散点图

axes[0, 1].scatter(df["study_hours"], df["cs_score"], c='#9966FF', alpha=0.6, s=40, edgecolors='#333', linewidth=0.3)

z = np.polyfit(df["study_hours"], df["cs_score"], 1)

p = np.poly1d(z)

axes[0, 1].plot(df["study_hours"], p(df["study_hours"]), "r--", linewidth=2)

axes[0, 1].set_title('学习时长 vs 计算机成绩', fontsize=12)

axes[0, 1].set_xlabel('每周学习时长 (小时)')

axes[0, 1].set_ylabel('计算机成绩')

# 图3: 性别成绩对比箱线图

df["gender_num"] = df["gender"].map({"男": 0, "女": 1})

gender_labels = ["男生", "女生"]

for i, gender inenumerate(["男", "女"]):

    subset = df[df["gender"] == gender]

    axes[1, 0].boxplot([subset[c] for c in score_cols], positions=[i * 3 + 1, i * 3 + 2, i * 3 + 3],

widths=0.6, patch_artist=True,

boxprops=dict(facecolor=['#FF6384', '#36A2EB', '#4BC0C0'][j] for j inrange(3)),

medianprops=dict(color='red', linewidth=2))

axes[1, 0].set_xticks([1, 2, 3, 4, 5, 6])

axes[1, 0].set_xticklabels(["男-数学", "男-英语", "男-计算机", "女-数学", "女-英语", "女-计算机"], rotation=30)

axes[1, 0].set_title('男女生成绩对比', fontsize=12)

# 图4: 总分排名 Top 10

top10 = df.nlargest(10, "total")[["name", "total", "average"]]

axes[1, 1].barh(range(10), top10["total"].values, color='#FFCE56', edgecolor='#333', linewidth=0.5)

axes[1, 1].set_yticks(range(10))

axes[1, 1].set_yticklabels(top10["name"].values)

axes[1, 1].set_xlabel('总分')

axes[1, 1].set_title('总分 Top 10')

axes[1, 1].invert_yaxis()

plt.tight_layout()

plt.savefig('student_analysis_report.png', dpi=100, bbox_inches='tight')

plt.show()

print("\n✅ 分析报告已生成，图表已保存为 student_analysis_report.png")

```

---

## 6.6 Pandas 常用操作速查表

在实战中你经常会用到这些操作，把它们记下来：

| 操作 | 代码示例 | 说明 |

|------|---------|------|

| 读取 CSV | `pd.read_csv("file.csv")` | 从文件加载数据 |

| 查看前N行 | `df.head(10)` | 查看前10行 |

| 查看基本信息 | `df.info()` | 数据类型和非空值数量 |

| 统计摘要 | `df.describe()` | 均值、标准差、分位数 |

| 筛选 | `df[df["age"] > 25]` | 按条件过滤 |

| 排序 | `df.sort_values("salary", ascending=False)` | 降序排列 |

| 新增列 | `df["bonus"] = df["salary"] * 0.1` | 计算新列 |

| 删除列 | `df.drop("bonus", axis=1, inplace=True)` | 删除某列 |

| 去重 | `df.drop_duplicates(subset=["name"])` | 按某列去重 |

| 填充缺失值 | `df["age"].fillna(df["age"].mean(), inplace=True)` | 用均值填补缺失 |

| 分组聚合 | `df.groupby("dept")["salary"].mean()` | 按部门分组求平均薪资 |

| 透视表 | `pd.pivot_table(df, values="salary", index="dept", aggfunc="mean")` | 多维统计 |

| 合并表 | `pd.merge(df1, df2, on="key")` | 类似 SQL JOIN |

| 保存结果 | `df.to_csv("output.csv", index=False)` | 导出 CSV |

---

## 6.7 练习题

### 练习 1：个人账单分析

假设你有一个月度支出 CSV 文件 `expenses.csv`，格式如下：

```

date,category,amount,description

2026-06-01,餐饮,85.5,午餐

2026-06-02,交通,6.0,地铁

2026-06-03,购物,299.0,衣服

...

```

请用 Pandas 分析：

1. 每个类别的花费总额和占比

2. 找出开销最大的一个星期

3. 绘制饼图和柱状图

```python

# 参考思路

import pandas as pd

df = pd.read_csv("expenses.csv", parse_dates=["date"])

# 按类别汇总

category_spending = df.groupby("category")["amount"].sum().sort_values(ascending=False)

print(category_spending)

print(category_spending / category_spending.sum() * 100)  # 占比

# 按周汇总

df["week"] = df["date"].dt.isocalendar().week

weekly_spending = df.groupby("week")["amount"].sum()

print(f"最大支出周: {weekly_spending.idxmax()}, 金额: ¥{weekly_spending.max():.2f}")

```

### 练习 2：房价数据分析

使用 Pandas 分析一组模拟的房价数据：

```python

import pandas as pd

import numpy as np

np.random.seed(42)

df = pd.DataFrame({

"area": np.random.uniform(50, 200, 200),

"rooms": np.random.choice([1, 2, 3, 4], 200, p=[0.1, 0.3, 0.4, 0.2]),

"distance_to_center": np.random.exponential(10, 200),