简介这是一份面向数据分析初学者与进阶学习者的Python数据分析与可视化学习资料以PDF形式系统梳理了该领域的核心工具链与实战思路。内容围绕Pandas、NumPy、SciPy、StatModels等数据分析库以及Matplotlib、Seaborn、Plotly、Bokeh、Cufflinks等可视化库展开并配有读取CSV、计算均值、绘制条形图的示例代码帮助读者建立从数据清洗到图形呈现的完整认知。资源包共1个PDF文件大小约114KB轻量便携适合随时查阅与对照练习。目前已有1849人学习下载说明其在同类入门资料中具备一定参考价值。读者可借此快速了解各库的定位与适用场景掌握基础的数据处理与可视化流程为后续开展更复杂的分析项目打下基础。1. 从一份 PDF 说起Python 数据分析与可视化到底怎么落地很多人第一次接触 Python 数据分析是从一份 PDF 讲义或者一份速查手册开始的。我手里这份《python数据分析与可视化.pdf》就是典型的入门到进阶的路线图它没有堆砌复杂的数学推导而是把 Pandas、NumPy、Matplotlib、Seaborn、Plotly 这几个核心库的定位和配合方式讲清楚了。如果你正在找一个能跑通「读取数据 → 清洗 → 统计 → 出图」全流程的参考这份资料能帮你省掉到处翻文档的时间。它适合两类人一是刚转行数据方向、需要一套能照着敲的代码模板的新手二是已经会用 Excel 做分析、但想用代码把重复劳动自动化起来的从业者。下面我不按 PDF 的页码顺序复述而是按实际干活时的调用顺序把这份资料里最值得复现的部分拆开。2. 环境准备与库选型为什么是这几个库怎么装才不翻车2.1 数据分析四件套的职责边界这份资料把数据分析库分成了四块Pandas、NumPy、SciPy、StatModels。很多新手会问既然 Pandas 能算均值为什么还要 NumPy实际干活时Pandas 的 DataFrame 适合处理带标签的二维表格比如 CSV 里的列名、时间索引而 NumPy 的 ndarray 适合做纯数值的矩阵运算比如批量归一化、傅里叶变换。SciPy 则是在 NumPy 基础上补了信号处理、优化算法、统计检验这些模块。StatModels 更偏向计量经济学风格的回归分析和假设检验输出格式像论文里的表格。选型逻辑很简单表格操作优先 Pandas底层数组运算用 NumPy需要解方程或滤波再上 SciPy做回归诊断用 StatModels。2.2 可视化库的分层策略可视化部分资料列了五个库但实际项目里不是每个都要用。Matplotlib 是底座所有静态图的精细控制都靠它Seaborn 封装了统计图形比如箱线图、热力图、成对关系图一行代码就能出图适合探索性分析阶段Plotly 和 Bokeh 负责交互式图形适合做仪表盘或者网页嵌入Cufflinks 是 Plotly 的语法糖让 Pandas 的 DataFrame 可以直接.iplot()。我一般会这样搭配快速看数据分布用 Seaborn最终报告里的静态图用 Matplotlib 调样式需要给业务方在浏览器里拖拽查看的用 Plotly。2.3 安装命令与虚拟环境不要直接往系统 Python 里装库版本冲突是血泪经验。用 venv 或者 conda 建一个独立环境命令如下# 创建虚拟环境命名为 da_env python -m venv da_env # 激活环境Windows 用 da_env\Scripts\activate source da_env/bin/activate # 一次性安装核心库指定常用版本范围避免最新版兼容问题 pip install pandas numpy scipy statsmodels matplotlib seaborn plotly cufflinks逻辑说明venv是 Python 标准库自带的不需要额外装。激活后pip安装的包只在这个环境里生效。参数上我没有写死版本号因为这份 PDF 没有指定版本但如果你复现时遇到AttributeError常见做法是回退到上一个稳定版比如pip install pandas2.0.3。安装完成后用python -c import pandas; print(pandas.__version__)验证能打印出版本号就说明环境通了。3. 用 Pandas 做数据清洗与聚合从 CSV 到可用表格3.1 读取与初探数据资料里的示例是pd.read_csv(data.csv)但实际拿到的 CSV 往往有编码问题、缺失值、列名带空格。我一般会先做一轮体检import pandas as pd # 读取时指定编码中文 CSV 常用 gbk 或 utf-8-sig df pd.read_csv(data.csv, encodingutf-8-sig) # 查看前五行和数据类型确认有没有解析错列 print(df.head()) print(df.dtypes) # 统计缺失值比例超过 30% 的列要考虑是否丢弃 missing_ratio df.isnull().mean() print(missing_ratio[missing_ratio 0])逻辑说明encodingutf-8-sig能处理带 BOM 头的文件避免第一列列名出现乱码。df.dtypes会告诉你哪些列被当成了 object 类型比如数字列里混了逗号或货币符号。isnull().mean()算的是每列缺失值占比比isnull().sum()更直观因为你能直接判断要不要删列。参数上如果缺失比例不高可以用df.fillna(df.median())填充数值列但要注意中位数受异常值影响比均值小。3.2 分组聚合与透视表PDF 里只演示了data.mean()但真实分析往往要按维度拆分。比如按地区、按月份算销售额# 按城市分组计算销售额均值和订单数 grouped df.groupby(city).agg( avg_sales(sales, mean), order_count(order_id, count) ).reset_index() # 用 pivot_table 做二维透视行是城市列是月份 pivot pd.pivot_table( df, valuessales, indexcity, columnsmonth, aggfuncsum, fill_value0 ) print(grouped) print(pivot)逻辑说明groupby后的agg可以一次算多个指标命名用新列名(原列名, 函数)的元组形式避免后续重命名。pivot_table的fill_value0把缺失组合填成 0否则出图时会出现断点。参数上aggfunc除了 sum、mean还可以传lambda x: x.nunique()算去重计数。这一步做完数据就从流水账变成了可以画图的汇总表。3.3 时间序列重采样如果数据里有时间列Pandas 的resample比 groupby 更方便# 先把时间列转成 datetime 类型并设为索引 df[order_date] pd.to_datetime(df[order_date]) df.set_index(order_date, inplaceTrue) # 按周重采样计算每周销售额总和 weekly df[sales].resample(W).sum() print(weekly.head())逻辑说明to_datetime能自动识别常见日期格式如果格式特殊可以加format%Y/%m/%d。resample(W)里的 W 表示周常用还有 D日、M月、Q季度。inplaceTrue表示直接修改原 DataFrame不新建对象省内存但不可逆调试阶段建议先不用 inplace。4. Matplotlib 与 Seaborn 出图把数字变成能讲故事的图4.1 静态条形图与样式调整PDF 里的示例是plt.bar(mean_values.index, mean_values.values)但默认样式比较粗糙。我一般会加几行配置让图直接能放进报告import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体Windows 用 SimHeimacOS 用 Arial Unicode MS plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 解决负号显示为方块 # 用 Seaborn 的 whitegrid 主题打底 sns.set_theme(stylewhitegrid) fig, ax plt.subplots(figsize(10, 6)) bars ax.bar(mean_values.index, mean_values.values, color#4C72B0) # 在柱子上标数值 ax.bar_label(bars, fmt%.1f, padding3) ax.set_xlabel(Columns) ax.set_ylabel(Mean Values) ax.set_title(Mean Values of Columns) plt.xticks(rotation45) # 列名太长时旋转避免重叠 plt.tight_layout() # 自动调整边距 plt.savefig(bar_chart.png, dpi300) # 保存高清图 plt.show()逻辑说明font.sans-serif不设置的话中文会显示成方块这是新手最常见的翻车点。axes.unicode_minusFalse解决负号显示问题。bar_label是 Matplotlib 3.4 之后的新方法能自动在柱顶标数值比手动循环ax.text省事。dpi300是印刷级分辨率网页展示用 150 就够了。tight_layout能防止标签被裁掉但如果你用了subplots多图布局建议改用constrained_layoutTrue。4.2 Seaborn 统计图快速探索Seaborn 的优势是几行代码就能看出分布和关系# 箱线图看不同城市的销售额分布 plt.figure(figsize(10, 6)) sns.boxplot(datadf, xcity, ysales, paletteSet2) plt.title(Sales Distribution by City) plt.xticks(rotation45) plt.show() # 热力图看数值列之间的相关性 plt.figure(figsize(8, 6)) corr df[[sales, profit, quantity]].corr() sns.heatmap(corr, annotTrue, cmapcoolwarm, fmt.2f, linewidths0.5) plt.title(Correlation Heatmap) plt.show()逻辑说明boxplot的palette参数控制配色方案Set2是柔和色系适合报告。heatmap的annotTrue会把相关系数写在格子里fmt.2f保留两位小数linewidths加白色分隔线让格子更清晰。注意corr()默认算的是皮尔逊相关系数如果数据非线性可以换methodspearman。4.3 多子图布局一份报告往往需要把多个图拼在一起fig, axes plt.subplots(2, 2, figsize(12, 10)) # 左上直方图 axes[0, 0].hist(df[sales], bins30, color#55A868, edgecolorwhite) axes[0, 0].set_title(Sales Histogram) # 右上散点图 axes[0, 1].scatter(df[quantity], df[sales], alpha0.5, color#C44E52) axes[0, 1].set_xlabel(Quantity) axes[0, 1].set_ylabel(Sales) # 左下折线图 axes[1, 0].plot(weekly.index, weekly.values, color#8172B3) axes[1, 0].set_title(Weekly Sales Trend) # 右下留空或放饼图 axes[1, 1].pie(df.groupby(city)[sales].sum(), labelsdf[city].unique(), autopct%1.1f%%) plt.tight_layout() plt.show()逻辑说明subplots(2, 2)返回 fig 和 axes 数组用axes[行, 列]定位。alpha0.5让散点半透明重叠时能看出密度。autopct控制饼图百分比格式。注意tight_layout对饼图可能不友好如果标签被裁改用fig.subplots_adjust手动调边距。5. 避坑与排查那些文档里不会写的翻车现场5.1 中文显示方块现象图表标题和轴标签里的中文变成一个个小方块。原因Matplotlib 默认字体不含中文字形。解决在绘图前设置plt.rcParams[font.sans-serif] [SimHei]Windows或[Arial Unicode MS]macOS并加plt.rcParams[axes.unicode_minus] False。如果换了环境部署记得把字体文件一起打包或者用matplotlib.font_manager手动注册字体路径。5.2 Pandas 链式赋值警告现象运行df[df[sales] 100][profit] 0时出现SettingWithCopyWarning且赋值没生效。原因Pandas 不确定你操作的是视图还是副本。解决用.loc一次性定位行列写成df.loc[df[sales] 100, profit] 0。如果确实需要先筛选再修改先.copy()一份比如subset df[df[sales] 100].copy()。5.3 Plotly 在 Jupyter 里不显示现象fig.show()只输出一行文字没有图形。原因Plotly 的渲染器没配对或者 notebook 环境缺少扩展。解决先装pip install notebook ipywidgets然后在代码里指定import plotly.io as pio; pio.renderers.default notebook。如果用的是 VS Code 的 Jupyter改成vscode。离线环境可以用pio.write_html(fig, chart.html)导出成网页再打开。5.4 内存不够导致 Kernel 崩溃现象读取一个几百兆的 CSV 时Jupyter Kernel 直接挂掉。原因Pandas 默认把整列读成 object 或 int64内存占用是文件的好几倍。解决读取时指定dtype比如pd.read_csv(big.csv, dtype{id: int32, category: category})或者用chunksize100000分块读取逐块聚合。如果只需要部分列加usecols[col1, col2]能省不少内存。5.5 保存图片空白现象plt.savefig(out.png)保存出来的图是空白的。原因savefig必须在plt.show()之前调用因为show()会清空当前图形。解决调整顺序先savefig再show。如果用了fig, ax plt.subplots()也可以fig.savefig(out.png)这样不受show()影响。6. 进阶技巧用 Plotly 做可交互图表与自动化报告静态图适合打印但给业务方看的时候能缩放、能悬停显示数值的交互图更受欢迎。这份 PDF 提到了 Plotly 和 Cufflinks我补一个实际落地的用法。先装好plotly和cufflinks然后在 Jupyter 里这样写import pandas as pd import plotly.express as px import plotly.io as pio # 设置渲染器VS Code 用 vscodeJupyter Notebook 用 notebook pio.renderers.default vscode # 用 plotly express 快速出交互式散点图 fig px.scatter( df, xquantity, ysales, colorcity, sizeprofit, hover_data[order_id], titleSales vs Quantity by City ) fig.show() # 导出成独立 HTML可以直接发给别人用浏览器打开 fig.write_html(interactive_scatter.html, include_plotlyjscdn)逻辑说明px.scatter的color参数按城市自动分色size用利润控制气泡大小hover_data指定鼠标悬停时额外显示的列。write_html的include_plotlyjscdn表示从网络加载 Plotly 的 JS 库文件体积小但离线打开会失败如果对方没网改成include_plotlyjsTrue把库嵌进去文件会大几兆但能独立运行。再进一步如果你每天都要跑同样的分析可以把整个流程写成一个函数用papermill或者nbconvert定时执行。我一般会建一个report.py里面封装load_data()、clean_data()、make_charts()三个函数最后用if __name__ __main__:串起来。这样换一份 CSV 只需要改文件路径不用动逻辑。参数方面把常用配置抽成字典放在文件开头比如CONFIG {font: SimHei, figsize: (10, 6), dpi: 300}改起来一目了然。从那以后我每次拿到新数据都强制先跑一遍df.info()和df.describe()确认类型和量纲没问题再动手画图。这个习惯帮我省掉了至少三次因为把字符串当数字算而导致的返工。希望帮到你。本文还有配套的精品资源点击获取