Python数据分析常用模块学习点梳理

一、整体关系

text

NumPy
  ↓ 提供底层数组和数值计算
pandas
  ↓ 提供 Series、DataFrame 数据处理
Matplotlib
  ↓ 提供基础绘图能力
Seaborn
  ↓ 基于 Matplotlib，提供统计图表
SciPy
  ↓ 提供科学计算和统计方法
scikit-learn
  ↓ 提供机器学习与数据预处理
PyTorch
  ↓ 提供神经网络和深度学习

对数据分析项目，可以理解成：

text

数据读取 → pandas
数值计算 → NumPy
数据清洗 → pandas
统计分析 → pandas + SciPy
数据可视化 → Matplotlib + Seaborn
传统机器学习 → scikit-learn
神经网络训练 → PyTorch

二、模块用处

工具	类型	主要用途	是否必须
NumPy	Python 库	数组、矩阵、向量化计算	必学
pandas	Python 库	表格数据读取、清洗、转换、统计	必学
Series	pandas 数据结构	一维带索引数据	必学
DataFrame	pandas 数据结构	二维表格数据	必学
Matplotlib	Python 库	基础绘图和精细控制	必学基础
Seaborn	Python 库	统计分析图表	建议学
SciPy	Python 库	科学计算、优化、统计检验	按需学习
scikit-learn	Python 库	传统机器学习、预处理、评估	做机器学习必学
PyTorch	Python 库	神经网络和深度学习	做深度学习再学
Jupyter	开发工具	交互式分析、实验和展示	建议掌握

三、模块介绍

NumPy

NumPy 的核心是多维数组：

python

import numpy as np

values = np.array([10.2, 11.5, 9.8, 12.1])

print(values.mean())
print(values.max())
print(values.std())

主要学习：

ndarray
一维、二维、多维数组
shape、dtype、ndim
索引和切片
布尔筛选
广播机制
向量化计算
缺失值 NaN
聚合计算
数组变形
随机数
矩阵运算

为什么不用普通 List

普通方式：

python

result = [item * 2 for item in values]

NumPy 方式：

python

result = values * 2

NumPy 的优势不只是代码短，而是：

底层连续内存
批量向量化计算
避免大量 Python 循环
是 pandas、SciPy、scikit-learn、PyTorch 等工具的基础

但普通业务代码没必要强行用 NumPy。它主要适合大量同类型数值计算。

pandas

pandas 是 Python 表格数据处理的核心库。

例如读取 CSV：

python

import pandas as pd

df = pd.read_csv("sensor_data.csv")

读取后得到的通常就是 DataFrame。

pandas 重点内容

你需要掌握：

CSV、Excel、JSON、SQL、Parquet 读取
行列选择：loc、iloc
条件筛选
缺失值处理
重复值处理
数据类型转换
字符串处理
日期时间处理
排序
分组聚合
透视表
多表合并
滚动窗口
重采样
数据导出

对于工业时序数据，下面这些特别重要：

python

df["time"] = pd.to_datetime(df["time"])
df = df.set_index("time")

# 每分钟取平均值
df.resample("1min").mean()

# 计算最近 10 个点的滚动平均值
df["rolling_mean"] = df["temperature"].rolling(10).mean()

# 与上一条记录的差值
df["diff"] = df["temperature"].diff()

Series

Series 是一维数据，可以理解为数据库表的一列：

python

temperature = pd.Series(
    [23.5, 24.1, 22.8],
    name="temperature"
)

它包含：

text

索引 + 数据 + 数据类型 + 名称

例如：

text

0    23.5
1    24.1
2    22.8

常见操作：

python

temperature.mean()
temperature.max()
temperature.isna()
temperature > 23

从 DataFrame 选择单列，通常得到 Series：

python

temperature = df["temperature"]

DataFrame

DataFrame 是二维表格，可以类比数据库查询结果：

time	temperature	pressure
10:00	23.5	101.2
10:01	24.1	100.9
10:02	22.8	101.4

创建方式：

python

df = pd.DataFrame({
    "temperature": [23.5, 24.1, 22.8],
    "pressure": [101.2, 100.9, 101.4],
})

常见操作：

python

# 查看前几行
df.head()

# 查看字段类型和非空数量
df.info()

# 描述性统计
df.describe()

# 选择一列，返回 Series
df["temperature"]

# 选择多列，返回 DataFrame
df[["temperature", "pressure"]]

# 条件筛选
df[df["temperature"] > 23]

# 新增字段
df["temperature_diff"] = df["temperature"].diff()

# 按字段分组
df.groupby("device_id")["temperature"].mean()

# 按关联字段合并
pd.merge(left, right, on="device_id")

Matplotlib

Matplotlib 是 Python 最基础的绘图库。

python

import matplotlib.pyplot as plt

plt.plot(df["time"], df["temperature"])
plt.xlabel("Time")
plt.ylabel("Temperature")
plt.title("Temperature Trend")
plt.show()

它适合：

折线图
柱状图
散点图
直方图
饼图
多子图
自定义坐标轴
精细控制图表内容
保存 PNG、SVG、PDF

需要掌握：

python

fig, ax = plt.subplots()

ax.plot(x, y)
ax.set_title("Temperature")
ax.set_xlabel("Time")
ax.set_ylabel("Value")

fig.savefig("temperature.png", dpi=300)

建议使用面向对象写法：

python

fig, ax = plt.subplots()

少依赖全局式的：

python

plt.plot(...)

复杂项目中，面向对象写法更容易管理多个图表。

Seaborn

Seaborn 基于 Matplotlib，主要用于统计可视化。

python

import seaborn as sns

sns.histplot(data=df, x="temperature")

常见图表：

python

# 数据分布
sns.histplot(data=df, x="temperature", kde=True)

# 箱线图，识别离群值
sns.boxplot(data=df, x="temperature")

# 两个变量之间的关系
sns.scatterplot(
    data=df,
    x="temperature",
    y="pressure",
)

# 相关系数热力图
sns.heatmap(
    df.corr(numeric_only=True),
    annot=True,
    cmap="coolwarm",
)

它适合分析：

数据分布
异常值
变量相关性
分类之间的差异
多变量关系
回归趋势

Matplotlib 和 Seaborn 的区别：

对比项	Matplotlib	Seaborn
定位	通用基础绘图库	统计可视化库
精细控制	强	基于 Matplotlib
默认样式	相对基础	更美观
DataFrame 支持	一般	很方便
统计图表	需要手动配置	开箱即用
是否能互相替代	不能完全替代	底层依赖 Matplotlib

一般用法是：

text

Seaborn 快速生成统计图
Matplotlib 调整标题、坐标轴和布局

SciPy

SciPy 在 NumPy 之上提供更专业的科学计算能力：

统计分布
假设检验
插值
信号处理
数值积分
优化算法
距离计算
傅里叶变换

例如比较两个设备的温度均值是否存在显著差异：

python

from scipy import stats

result = stats.ttest_ind(device_a, device_b)
print(result.statistic)
print(result.pvalue)

工业时序场景可能用到：

python

from scipy.signal import find_peaks

peaks, properties = find_peaks(
    values,
    height=10,
    distance=5,
)

不需要从头到尾系统学完整个 SciPy。它体量很大，应根据具体任务学习。

scikit-learn

scikit-learn 负责传统机器学习。

主要包含：

数据标准化
类别编码
特征选择
训练集和测试集切分
回归
分类
聚类
降维
模型评估
参数搜索
Pipeline

例如：

python

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

X = df[["temperature", "pressure", "humidity"]]
y = df["target"]

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42,
)

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)

prediction = model.predict(X_test)
print(mean_absolute_error(y_test, prediction))

必须掌握的重要概念：

特征 X
标签 y
训练集、验证集、测试集
过拟合和欠拟合
标准化
数据泄漏
交叉验证
评价指标
Pipeline
超参数

做时序数据时，不能默认随机切分数据，否则容易把未来数据泄漏给过去。通常应按时间切分：

python

train = df[df["time"] < "2026-06-01"]
test = df[df["time"] >= "2026-06-01"]

PyTorch

PyTorch 适合：

神经网络
深度学习
GPU 训练
自定义模型
时序预测模型
文本模型
图像模型

基础模块：

模块	用途
`torch`	张量和数学计算
`torch.nn`	神经网络层
`torch.optim`	优化器
`Dataset`	定义数据集
`DataLoader`	分批加载数据
`torchvision`	图像处理
`torchaudio`	音频处理

如果不做图像，就不需要优先学习 torchvision。时序数据通常主要使用：

python

import torch
from torch import nn
from torch.utils.data import Dataset, DataLoader

不过不要一上来就用 LSTM、Transformer。对普通表格和工业时序预测，建议先建立：

线性回归
随机森林
XGBoost/LightGBM
滞后特征模型

传统模型跑不动或者确实需要复杂序列建模，再上 PyTorch。直接深度学习经常只是把简单问题复杂化。

四、其他常用工具

工具	用途	学习优先级
JupyterLab	交互式数据分析	高
openpyxl	读写 Excel 格式和样式	中
PyArrow	Parquet、Arrow 数据格式	中高
Polars	高性能 DataFrame 处理	后期
statsmodels	统计模型、时间序列分析	按需
Plotly	交互式图表	按需
XGBoost	梯度提升树	机器学习阶段
LightGBM	高效梯度提升树	机器学习阶段
joblib	保存 sklearn 模型	中
MLflow	实验和模型版本管理	工程化阶段
Pydantic	数据校验和接口模型	FastAPI 必学
SQLAlchemy	数据库访问	服务端按需
pytest	单元测试	工程化必学

五、建议学习范围

Python 数据处理基础

text

Python 基础
NumPy
pandas
Jupyter

目标：

能读取 CSV、JSON、Excel 和数据库数据
能完成缺失值、重复值和异常值处理
能进行筛选、聚合、合并
能完成工业时序重采样和滚动窗口计算

数据分析与可视化

text

Matplotlib
Seaborn
基础统计学
SciPy 部分功能

目标：

分析数据分布
找出异常点
分析变量相关性
绘制趋势图和统计图
理解均值、方差、分位数、相关系数

传统机器学习

text

scikit-learn
XGBoost 或 LightGBM

目标：

完成特征工程
建立分类、回归、聚类模型
正确划分数据集
评估模型效果
保存和加载模型

深度学习

text

PyTorch

目标：

理解 Tensor
编写 Dataset、DataLoader
编写网络、损失函数和训练循环
使用 CPU、CUDA 或 MPS
保存和加载模型

接入 FastAPI

text

FastAPI
Pydantic
模型推理
异步任务
测试和部署

目标：

text

训练模型
  → 保存模型产物
  → FastAPI 启动时加载
  → 接收请求
  → 数据预处理
  → 执行推理
  → 返回预测结果

六、适合你的最小技术栈

针对数据分析和机器学习服务，第一批建议安装：

bash

uv add numpy pandas scipy scikit-learn matplotlib seaborn pyarrow
uv add fastapi uvicorn pydantic pydantic-settings
uv add --dev jupyterlab pytest ruff

深度学习有明确需求后再安装：

bash

uv add torch

如果要处理 Excel：

bash

uv add openpyxl

推荐学习顺序：

text

NumPy
→ pandas（Series、DataFrame）
→ Matplotlib
→ Seaborn
→ 基础统计学
→ scikit-learn
→ 时序特征工程
→ PyTorch
→ FastAPI 模型服务化

最核心的是 pandas + scikit-learn。NumPy 要理解底层逻辑，Matplotlib 和 Seaborn 掌握常用图即可。SciPy、PyTorch 不要为了“技术栈完整”硬学，等具体任务需要再深入。

Python数据分析常用模块学习点梳理 ​

一、整体关系 ​

二、模块用处 ​

三、模块介绍 ​

NumPy ​

pandas ​

Series ​

DataFrame ​

Matplotlib ​

Seaborn ​

SciPy ​

scikit-learn ​

PyTorch ​

四、其他常用工具 ​

五、建议学习范围 ​

Python 数据处理基础 ​

数据分析与可视化 ​

传统机器学习 ​

深度学习 ​

接入 FastAPI ​

六、适合你的最小技术栈 ​

Python数据分析常用模块学习点梳理

一、整体关系

二、模块用处

三、模块介绍

NumPy

pandas

Series

DataFrame

Matplotlib

Seaborn

SciPy

scikit-learn

PyTorch

四、其他常用工具

五、建议学习范围

Python 数据处理基础

数据分析与可视化

传统机器学习

深度学习

接入 FastAPI

六、适合你的最小技术栈