第五天的尝试
目录
一、每日一言
二、练习题
三、效果展示
四、下次题目
五、总结
一、每日一言
毅力是永久的享受。
没有人是一座孤岛，每个人都是这块大陆的一部分。
二、练习题
import numpy as np
import matplotlib.pyplot as plt
array = np.array([1,2,3,4,5])
plt.plot(array)一、NumPy 到底是什么？
简单来说，NumPy 是一个专门为数值计算而设计的 Python 库 ，它的全称是 “Numerical Python”。你可以把它想象成一个超级强大的“数学工具箱”，专门用来处理大量的数字数据。
它不像 Excel 那样可视化，也不像 Word 那样写文档，但它能做的事情却非常强大：
- 快速处理成千上万甚至上亿个数字
- 高效地进行矩阵运算（比如图像、声音等数据）
- 为其他高级数据分析库打下坚实的基础
二、为什么 Python 原生的数据结构不够用？
Python 自带了一些数据结构，比如列表（list）、元组（tuple）和字典（dict）。它们确实很好用，但在处理大量数据时就显得有些“力不从心”了。
举个例子：
假设你要对一百万个数字进行加减乘除运算，如果使用 Python 的 list，你需要一个个遍历，效率很低；而 NumPy 提供了一种叫做 数组（array） 的结构，可以直接对整个数组进行操作，而且底层是用 C 语言写的，速度更快、内存更省 ！
这就像骑自行车和开汽车的区别：虽然都能前进，但面对长距离任务时，效率差得可不是一点点。
三、NumPy 的核心：数组（Array）
说到 NumPy，就不得不提它的核心数据结构 —— 数组（ndarray） 。
1. 什么是 ndarray？
ndarray 全称是 N-dimensional array（N维数组） ，它可以表示一维、二维、三维甚至更高维度的数据。
- 一维数组：像是一个数字组成的队列，比如 [1, 2, 3, 4]
- 二维数组：就像是表格或者矩阵，有行也有列
- 三维及以上：可以看作是多个二维数组堆叠起来的“立方体”
2. 数组的优势
- 统一类型 ：每个元素必须是相同的数据类型（比如全是整数或浮点数），这样计算机更容易处理。
- 支持向量化运算 ：你可以一次性对整个数组进行加减乘除，不需要一个个去循环。
- 高效存储 ：比 Python 原生的 list 更节省内存空间。
四、NumPy 能帮我们做什么？
虽然我们不写代码，但我们可以通过一些生活化的场景来理解 NumPy 的应用价值。
场景一：成绩统计
假设你是一位老师，手里有一班学生的考试成绩。你想知道平均分是多少，谁考得最好，谁需要补考。
这时候 NumPy 就派上用场了。它能快速帮你算出这些信息，不需要你一个一个加起来再除以人数。
场景二：图片处理
一张照片本质上就是由像素组成的二维数组。每个像素点都有颜色值，比如红、绿、蓝三个通道的数值。
通过 NumPy，我们可以轻松地对这张图片进行旋转、裁剪、调整亮度等操作。
场景三：模拟实验
如果你想研究天气变化趋势、股票价格波动、用户行为模式，通常都需要生成大量随机数据来进行模拟。
NumPy 提供了丰富的函数来生成各种分布的数据，比如正态分布、均匀分布等等。
五、NumPy 和其他库的关系
NumPy 并不是“孤军奋战”，它是很多高级数据分析库的基础：
| 库名 | 功能 | 依赖 |
|---|---|---|
| Pandas | 表格型数据处理 | 基于 NumPy |
| Matplotlib | 绘图 | 使用 NumPy 数据 |
| Scikit-learn | 机器学习 | 输入输出都是 NumPy 数组 |
| TensorFlow / PyTorch | 深度学习 | 内部数据结构类似 NumPy |
一、Matplotlib 到底是什么？
简单来说：
Matplotlib 是 Python 中用于绘制图表和图形的库，它的核心功能是将数据转化为图像。
你可以把它想象成一个“画布” + “画笔”的组合，你告诉它你想画什么数据，它就帮你把数据“画出来”。
比如：
把销售数据画成折线图
把人口分布画成柱状图
把气温变化画成散点图
这些都能通过 Matplotlib 来完成。
二、为什么我们需要数据可视化？
我们先思考一个问题：
如果给你一张 Excel 表格，里面有上万行数据，你能一眼看出趋势吗？
答案大概是：很难。
但如果我们把同样的数据画成一条曲线图或者柱状图，你的大脑就能立刻捕捉到关键信息，比如：
哪个季度销售额最高？
哪个月增长最快？
哪些数据点出现了异常？
这就是数据可视化的力量 —— 它让复杂的数据变得直观、易懂、有说服力 。
而 Matplotlib，就是 Python 中最早、最经典的实现方式之一。
三、Matplotlib 能做什么？
虽然我们不讲代码，但我们可以通过几个实际的应用场景来理解 Matplotlib 的能力。
场景一：分析销售趋势
假设你是公司市场部的一员，手里有一年的销售数据。你想知道哪几个月卖得最好，有没有季节性波动。
这时候你可以用 Matplotlib 绘制一个折线图 ，清晰地看到全年走势。
场景二：对比不同产品的销量
你想比较 A、B、C 三个产品哪个卖得最好，这时候就可以用 Matplotlib 绘制一个柱状图 ，一眼看出谁领先。
场景三：研究两个变量之间的关系
比如你发现天气越热，冰淇淋销量越高。你想看看这两者之间是不是真的有关系，这时候可以用 Matplotlib 画一个散点图 ，观察它们是否呈现某种规律。
场景四：查看数据的分布情况
比如你想知道学生考试成绩的分布是集中在高分段还是低分段，这时候可以画一个直方图（Histogram） ，快速了解整体分布特征。
四、Matplotlib 的设计思想
Matplotlib 的设计借鉴了 MATLAB 的绘图风格，它提供了一个层次分明、结构清晰的绘图系统 。
我们可以把它想象成一个“画布工厂”：
创建画布（Figure） ：这是你整个图表的大背景。
添加子图（Axes） ：就像在画布上划分出不同的区域，每个区域可以画不同的图。
绘制内容 ：比如折线、点、柱子等。
添加标题、坐标轴标签、图例等 ：让图表更完整、更有解释性。
这种模块化的设计，让它既能画简单的图，也能画复杂的多图组合。
三、效果展示
四、下次题目
详细讲一下Matplotlib的用处，和相关用法，还有官方文档。
五、总结
一切都是最好的安排