在前两篇内容中，我们先后掌握了 Linux 系统环境与数据库 SQL 操作，搭建了数据存储与运行的基础环境。在数据处理与统计分析的完整流程中，数值计算与数据可视化是两个核心环节：高效的数值运算能支撑大规模数据的统计与变换，直观的可视化图表能帮助我们快速发现数据规律、验证分析结论。

本篇作为系列第三篇，我们将系统讲解 NumPy 与 Matplotlib 两大核心工具：NumPy 是 Python 生态中数值计算的底层基础，Matplotlib 是数据可视化的经典工具。

一、NumPy：高性能数值计算工具

1.1 NumPy 核心概述

NumPy 是专门用于数组操作与数值计算的工具库，核心载体是多维同类型数组对象。它底层由 C 语言实现，采用连续内存存储与向量化运算机制，相比 Python 原生列表运算效率更高、内存占用更低，支持批量的数值运算，是数据分析、机器学习、科学计算领域的底层依赖工具，绝大多数数据处理与 AI 框架都基于 NumPy 的数组体系构建。

1.2 多维数组的核心属性

多维数组是 NumPy 的核心数据结构，它有五个核心属性，分别从维度、形状、规模、类型等维度描述数组特征：

1. 轴数（维度数）：表示数组的轴的数量，也就是数组的维度。一维数组有 1 个轴，二维数组有 2 个轴，维度越高轴的数量越多。
2. 形状：描述数组每个维度的长度，以元组形式呈现，直观体现数组的行列数与层级结构，形状的长度等于数组的轴数。
3. 元素总数：表示数组中包含的所有元素的总个数，等于形状中各个维度长度的乘积。
4. 数据类型：描述数组中每个元素的数据类型，同一个数组内所有元素的数据类型保持一致。
5. 元素字节数：表示数组中单个元素在内存中占用的字节大小，由数组的数据类型决定。

1.3 多维数组的创建方式

NumPy 提供了多种数组创建方式，适配不同的业务场景：

1. 直接转换创建：将已有的序列数据直接转换为多维数组，适合已有原始数据的场景。
2. 全零数组创建：生成所有元素均为 0 的数组，常用于初始化占位数据。
3. 全一数组创建：生成所有元素均为 1 的数组，常用于矩阵运算的单位初始化。
4. 连续序列数组创建：生成指定范围内的连续数值序列数组，类似原生的序列生成但运算效率更高。
5. 随机数组创建：生成符合指定分布的随机数数组，支持均匀分布、整数分布、正态分布等多种随机模式。
6. 等间距数组创建：在指定区间内生成固定数量的等间距数值数组，常用于坐标轴刻度、采样点生成。

1.4 常用基础运算函数

NumPy 内置了大量基础数值处理函数，可直接对数组内所有元素批量执行运算，无需逐元素遍历：

1. 向上取整：对数组内所有元素取大于等于该值的最小整数。
2. 向下取整：对数组内所有元素取小于等于该值的最大整数。
3. 取绝对值：计算数组内所有元素的绝对值。
4. 空值判断：判断数组内每个元素是否为空值，返回布尔形式的结果数组。
5. 元素乘法：对两个数组的对应位置元素执行乘法运算。
6. 元素除法：对两个数组的对应位置元素执行除法运算。
7. 位置查找：查找符合指定条件的元素的位置索引。
8. 四舍五入：对数组内所有元素按指定精度执行四舍五入。

1.5 统计类函数

NumPy 提供了完整的统计计算函数，是数据统计分析的核心工具，支持对整个数组或指定轴方向执行统计计算：

1. 平均值：计算数组内元素的算术平均值。
2. 最小值：查找数组内的最小元素。
3. 最大值：查找数组内的最大元素。
4. 求和：计算数组内所有元素的总和，支持按行或按列分别求和。
5. 累加和：依次计算数组元素的累计和，返回与原数组形状一致的累加结果。
6. 标准差：计算数组数据的标准差，反映数据的离散程度。
7. 方差：计算数组数据的方差，是衡量数据波动程度的核心统计指标。

补充说明：轴是 NumPy 的重要概念，二维数组中 0 轴对应行索引变化的方向，沿列执行聚合计算；1 轴对应列索引变化的方向，沿行执行聚合计算。通过指定轴可以实现按行或按列的分组统计，运算后对应维度会被压缩消失。

1.6 排序与去重函数

1. 排序函数：对数组内的元素按从小到大的顺序重新排列，支持按指定轴排序。
2. 去重函数：去除数组内的重复元素，返回所有唯一的元素值，常用于数据清洗、唯一值统计。

1.7 数组运算规则

NumPy 的数组运算分为标量运算、数组对应元素运算、矩阵乘法三类，各自有不同的规则与适用场景：

1. 数组与标量的运算：数组中的每个元素都会和该数值执行对应运算，属于广播运算的一种，无需数组形状匹配。
2. 两个数组的对应元素运算：要求两个数组的形状完全一致，运算时两个数组对应位置的元素分别执行运算，返回相同形状的结果数组。
3. 矩阵乘法：属于线性代数运算，有严格的形状要求：第一个数组的列数必须等于第二个数组的行数；运算过程为第一个数组的行与第二个数组的列对应元素相乘后求和，最终结果的行数等于第一个数组的行数，列数等于第二个数组的列数。

二、Matplotlib：数据可视化绘图工具

2.1 Matplotlib 核心概述

Matplotlib 是 Python 生态中最经典的绘图可视化工具，作用是将数值数据转化为各类可视化图表，让数据的趋势、分布、对比关系更直观地呈现，是数据分析结果展示、规律验证、报告输出的核心工具。

使用 Matplotlib 绘图前需要先导入对应的工具模块，同时需要配置中文字体，避免图表中的中文内容出现乱码问题。它与 NumPy 高度兼容，可直接接收 NumPy 数组作为绘图数据源，无需额外格式转换。

2.2 完整图表的绘制流程

以最基础的折线图为例，绘制一张完整的图表分为六个标准步骤：

1. 准备数据集：整理需要可视化的原始数据，确定横纵轴对应的数据源。
2. 创建画布：初始化绘图的画布容器，可自定义画布大小与分辨率。
3. 绘制核心图形：调用对应图表的绘制方法，将数据映射为图形元素。
4. 设置图表细节：完善图表的辅助元素，包含五个细分操作：
5. 设置 x 轴与 y 轴的刻度值、刻度标签，调整坐标轴的展示范围；
6. 设置图例，标注不同数据系列的含义；
7. 设置网格线，提升数据读取的便捷性；
8. 设置 x 轴、y 轴的标签名称，说明坐标轴的业务含义；
9. 设置图表的标题，说明整张图表的主题。
10. 保存图片：将绘制完成的图表保存为本地图片文件，支持多种图片格式。
11. 显示图片：在运行窗口中弹出展示绘制完成的图表。

2.3 高级绘图扩展能力

除了基础的单图绘制，Matplotlib 还支持更复杂的绘图场景：

1. 多子图绘制：在同一张画布中划分多个子绘图区域，每个区域绘制独立的图表，适合多组数据的对比展示。
2. 面向对象式绘图：通过创建坐标系对象的方式控制绘图，更灵活地控制画布布局、多坐标系管理，适合复杂的定制化图表开发。

2.4 常用图表类型与适用场景

Matplotlib 支持多种图表类型，不同图表适配不同的分析场景：

1. 折线图：一般用于分析数据的变化趋势，展示数据随时间或连续变量的变化规律。
2. 柱状图：一般用于固定分类的数值对比，直观展示不同类别之间的数值差异。
3. 直方图：一般用于连续数值的分布统计，展示数据在不同区间的分布密度。
4. 饼图：一般用于展示少量分类的占比情况，直观呈现各分类在整体中的占比关系。
5. 散点图：一般用于查看数据的分布特征、离散程度，也可用于分析两个变量之间的相关性。

三、逻辑图