ITPub博客

人工智能之数据分析 Pandas第三章  DataFrame前言DataFrame 是pandas中最常用的二维数据结构，用于处理二维表格型数据（类似 Excel 表格或 SQL 表）。它是数据分析、清洗、探索和建模的基础工具。本文从定义、结构、创建方式、常用操作、高级功能等方面进行全面而深入的介绍。一、什么是 DataFrame？DataFrame 是一个带标签的二维异构数据结构，具有

人工智能之数据分析 Pandas第二章  Series前言Pandas 的 Series 是其最基础、最核心的一维数据结构，是学习 Pandas 的起点。本文从定义、特点、创建方式、常用操作、注意事项等方面进行系统而详细的介绍。一、什么是 Series？Series 是一个带标签索引的一维数组，由两部分组成：values（值）：实际存储的数据，底层为 NumPy 数组（ndarray），

人工智能之数据分析 Matplotlib第一章  简介和安装前言Pandas 是一个强大的 Python 数据分析和处理库，广泛用于数据清洗、探索、操作和分析。它建立在 NumPy 之上，提供了高效、灵活且易于使用的数据结构，特别适合处理结构化（表格型）数据。📌 Pandas 的核心数据结构Series一维带标签的数组，可以保存任何数据类型（整数、字符串、浮点数等）。类似于带索引的一维

人工智能之数据分析 Matplotlib第七章  项目实践前言Matplotlib 项目实践是巩固数据可视化技能的最佳方式。下面通过一个 完整的端到端小项目，带你从数据准备、清洗、分析到可视化，全面使用 Matplotlib（结合 NumPy/Pandas）完成一个实用的数据探索任务。🎯 项目目标：分析某电商用户月度销售数据数据内容（模拟）日期（date）销售额（sales）商品类别（c

人工智能之数据分析 Matplotlib第六章  知识总结前言本文对之前的关于matplotlib的知识进行系统性总结，便于知识梳理和归纳，为后续打好基础，或者面试使用一、核心架构Matplotlib 采用 三层架构：Backend（后端）负责图形渲染和输出（如 TkAgg、Qt5Agg、Agg（无界面）等）通常无需手动设置，除非在服务器环境：``python    

人工智能之数据分析 Matplotlib第五章  常见函数@TOC前言在 Matplotlib 中，除了常用的 plot、scatter、bar 等绘图函数外，还有一些图像处理和样式控制相关的常用函数，如 imshow、imsave、imread，以及解决中文显示问题的方法。此外，Seaborn 作为基于 Matplotlib 的高级可视化库，也常与之配合使用。本文将系统介绍这些内容：一

人工智能之数据分析 Matplotlib第四章  图形类型前言Matplotlib 支持多种图表类型。本文将详细介绍 散点图、柱形图、饼图、直方图 以及其他常见图表（如箱线图、热力图、面积图、3D 图等）的绘制方法、参数说明和典型应用场景。一、散点图（Scatter Plot）用途显示两个变量之间的关系，常用于观察相关性、聚类或异常值。基本语法plt.scatter(x, y,

人工智能之数据分析 Matplotlib第三章  基本属性前言本文主要介绍如何设置绘图标记、线条样式、轴标签、标题、网格线以及如何在同一窗口中绘制多个图表。一. 绘图标记你可以通过 plt.plot() 函数中的参数 marker 来指定数据点的标记样式。例如：plt.plot([1, 2, 3, 4], [10, 20, 25

人工智能之数据分析 Matplotlib第二章  Pyplot前言pyplot 是 Matplotlib 库中最常用、最便捷的模块，提供了类似 MATLAB 的命令式绘图接口，非常适合快速绘制各种图表。它通过一系列函数自动管理图形（Figure）、坐标轴（Axes）等底层对象，让初学者也能轻松上手。一、导入方式通常使用以下方式导入：import matplotlib.pyplo

人工智能之数据分析 Matplotlib第一章  简介和安装前言Matplotlib 是 Python 中最常用的数据可视化库之一，用于创建静态、动态和交互式的图表。它功能强大、灵活，并且与 NumPy、Pandas 等科学计算库无缝集成，广泛应用于数据分析、机器学习、科研和工程等领域。一、Matplotlib 简介开发背景：由 John D. Hunter 于 2003 年创建，灵感来

人工智能之数据分析 numpy第十五章  项目实践前言本文 5 个由浅入深的 NumPy 项目练习，覆盖数组操作、数学计算、数据处理、可视化和性能优化，适合巩固知识并提升实战能力。其中部分项目涉及到后续教程的学习内容，可以根据相关领域去拓展，或者学习完后续在进行复现。🧪 项目 1：图像灰度化与边缘检测（基础）目标用纯 NumPy 实现彩色图像转灰度图，并进行简单边缘检测（Sobel 算子

人工智能之数据分析 numpy第十四章  知识总结前言本文主要讲解 NumPy 的核心知识点总结，涵盖其作为 Python 科学计算基石的关键概念与最佳实践，适合快速回顾、面试准备或系统学习。🧱 一、基础核心：ndarray（N 维数组）唯一数据结构：所有操作围绕 numpy.ndarray 展开。关键属性：.shape：维度大小（元组）.dtype：元素数据类型（如 int32, fl

人工智能之数据分析 numpy第九章 数组运算（二）前言NumPy 提供了丰富的数学与统计函数，覆盖三角、指数对数、舍入、向量运算、概率统计等多个领域。这些函数都是通用函数（ufunc），支持向量化操作，可直接作用于整个数组，无需循环。本文紧接上一章系统梳理 NumPy 中常用的数学与统计函数。一、三角函数（Trigonometric Functions）所有三角函数默认使用弧度作为输入。函数说明

人工智能之数据分析 numpy第十三章  工具衔接与迁移前言NumPy 作为 Python 科学计算的核心库，不仅功能强大，还与众多工具无缝衔接。本文从两个关键方向系统讲解：一、从 MATLAB 到 NumPy：语法对照与迁移指南MATLAB 用户迁移到 NumPy 时，最大的挑战是思维转换（从矩阵中心到数组中心）和语法差异。以下是核心对照表。✅ 基本原则NumPy 使用 ndarray

人工智能之数据分析 numpy第十二章 数据持久化前言NumPy 提供了多种数据持久化（Persistence） 方式，用于高效地保存和加载数组数据。根据数据规模、结构复杂度、跨平台需求等不同场景，可选择不同的方法。本文系统讲解：基础二进制/文本保存（.npy, .npz, .txt）结构化数组（Structured Arrays） 与 记录数组（Record Arrays）内存映射（Memory

人工智能之数据分析 numpy第十一章 字符串与字节交换前言在 NumPy 中，字符串数组 和 字节序（Endianness）交换 是两个重要但常被忽视的主题。下面分别详细讲解，并说明它们的联系与应用场景。一、NumPy 中的字符串数组NumPy 支持两种主要的字符串类型：| 类型                 &n

人工智能之数据分析 numpy第十章 副本视图前言在 NumPy 中，副本（copy） 和 视图（view） 是理解数组内存管理、性能优化和避免意外修改的关键概念。它们决定了当你对一个数组进行切片、变形或赋值操作时，是否创建了新的数据副本，还是仅仅创建了一个指向原数据的新“窗口”。下面从原理、区别、判断方法到实战示例，详细解析：一、核心概念| 概念       &nb

人工智能之数据分析 numpy第八章 数组广播前言NumPy 的 广播（Broadcasting） 是其最强大、也最容易被误解的特性之一。它允许不同形状的数组之间进行逐元素运算，而无需显式复制数据，既节省内存又提升性能。一、什么是广播？广播：NumPy 在执行算术运算时，自动将形状不同的数组“扩展”为兼容形状的机制。✅ 核心优势：避免创建不必要的副本（内存高效）代码简洁（无需手动 reshape

人工智能之数据分析 numpy第九章 数组运算前言NumPy 不仅提供了高效的多维数组（ndarray）结构，还内置了丰富的数组运算功能，包括基础算术、比较逻辑、位运算、通用函数（ufunc）、矩阵与线性代数等。这些运算是向量化的，无需显式循环，性能远超纯 Python。下面系统讲解 NumPy 的各类数组运算。一、基础算术运算（Element-wise Arithmetic）NumPy 支持对数

人工智能之数据分析 numpy第七章 数组迭代排序筛选前言在 NumPy 中，数组的迭代、排序与筛选是数据处理中的三大基础操作。虽然 NumPy 强调向量化操作（避免显式 Python 循环以提升性能），但在某些场景下仍需对数组进行迭代（如逐行/逐元素处理）。本文将系统讲解这三类操作，并结合实际示例说明如何高效使用。一、数组迭代（Iteration）⚠️ 原则：尽量避免显式 for 循环！优先使用