人人都会AI｜Python之Numpy魔法世界（5）

一臻AI

发布于 2025-03-06 15:08:55

400

代码可运行

文章被收录于专栏：一臻AI一臻AI

运行总次数：0

代码可运行

此时，汤姆正在处理一个包含数千行销售数据的Excel表格。

传统Python循环让你痛不欲生，计算速度慢得像蜗牛。正好，NumPy闪亮登场，轻松秒杀这些数据运算难题。

NumPy魔法入门

NumPy，全称 Numerical Python，一把Python世界里的瑞士军刀，能轻松应对各种数值计算挑战。不仅速度快，还特别擅长处理多维数组数据。

让我们创建一个简单的NumPy数组开始探索：

import numpy as np

# 创建一个简单的一维数组
sales_data = np.array([1000, 1500, 2000, 2500, 3000])
print("销售数据:", sales_data)

# 快速统计
print("平均销售额:", sales_data.mean())
print("销售总额:", sales_data.sum())
print("销售最高值:", sales_data.max())

# 创建一个二维数组（销售矩阵）
monthly_sales = np.array([
    [1000, 1500, 2000],  # 1月各产品销售额
    [2000, 2500, 3000],  # 2月各产品销售额
    [3000, 3500, 4000]   # 3月各产品销售额
])

# 每月销售总额
print("\n每月销售总额:", monthly_sales.sum(axis=1))

# 每个产品的平均销售额
print("各产品平均销售额:", monthly_sales.mean(axis=0))

数组操作的艺术

在NumPy中，数组不仅仅是数据的容器，还提供了强大的操作功能。数组好比一块魔方，你可以随心所欲地旋转、切片、重组它。

来看看一些实用的数组操作技巧：

import numpy as np

# 创建示例数据
sales_2023 = np.array([
    [100, 150, 200],
    [120, 160, 210],
    [140, 170, 220],
    [160, 180, 230]
])

# 切片操作：获取第一季度数据
q1_sales = sales_2023[:3]
print("第一季度销售数据:\n", q1_sales)

# 重塑数组：将季度数据重组为一维数组
flat_sales = sales_2023.reshape(-1)
print("\n展平后的销售数据:", flat_sales)

# 条件筛选：找出所有销售额超过180的数据
high_sales = sales_2023[sales_2023 > 180]
print("\n高销售额数据:", high_sales)

# 数组运算：计算环比增长率
growth_rate = (sales_2023[1:] - sales_2023[:-1]) / sales_2023[:-1] * 100
print("\n环比增长率(%):\n", growth_rate)

接下来，我们一起深入探讨NumPy的数学运算和统计功能，以及在实际数据分析中的应用。

NumPy的数学魔法世界

在电商数据分析中,你可能需要分析销售趋势、计算利润率、预测未来销售额。NumPy提供了一套完整的数学工具箱来应对这些挑战:

import numpy as np

# 模拟一年的日销售数据
daily_sales = np.random.normal(1000, 200, 365)  # 均值1000，标准差200的正态分布

# 基础统计
print("每日平均销售额: ¥{:.2f}".format(daily_sales.mean()))
print("销售额标准差: ¥{:.2f}".format(daily_sales.std()))
print("最高单日销售: ¥{:.2f}".format(daily_sales.max()))
print("最低单日销售: ¥{:.2f}".format(daily_sales.min()))

# 计算7日移动平均
weekly_avg = np.convolve(daily_sales, np.ones(7)/7, mode='valid')
print("\n首周平均销售额: ¥{:.2f}".format(weekly_avg[0]))

# 季节性分析（假设销售额有周期性波动）
days = np.arange(365)
seasonal_pattern = 200 * np.sin(2 * np.pi * days / 365)  # 年度周期性
adjusted_sales = daily_sales + seasonal_pattern

# 计算同比增长率（与30天前比较）
growth_rate = (adjusted_sales[30:] - adjusted_sales[:-30]) / adjusted_sales[:-30] * 100
print("\n平均同比增长率: {:.2f}%".format(growth_rate.mean()))

# 销售额预测（简单线性趋势）
trend = np.polyfit(days, adjusted_sales, 1)
forecast = np.poly1d(trend)
next_day_forecast = forecast(365)
print("\n下一天销售预测: ¥{:.2f}".format(next_day_forecast))

高维数据处理神器

在现代数据分析中,数据往往是多维的。比如一个电商平台的数据可能包含时间、地区、产品类别、用户特征等多个维度。

NumPy的多维数组处理能力在这里大显身手:

来看看如何处理多维销售数据:

import numpy as np

# 创建一个3维数组：[时间(月份), 地区, 产品类别]
sales_data = np.random.randint(1000, 5000, size=(12, 4, 3))

# 维度说明
regions = ['北部', '南部', '东部', '西部']
categories = ['电子', '服装', '食品']

# 按维度分析
print("各地区年度销售总额:")
annual_by_region = sales_data.sum(axis=(0, 2))  # 压缩时间和产品维度
for region, sales in zip(regions, annual_by_region):
    print(f"{region}: ¥{sales:,}")

print("\n各品类月均销售额:")
monthly_by_category = sales_data.mean(axis=(0, 1))  # 压缩时间和地区维度
for category, sales in zip(categories, monthly_by_category):
    print(f"{category}: ¥{sales:,.2f}")

# 找出最佳表现
best_month = sales_data.sum(axis=(1,2)).argmax()
print(f"\n销售最好的月份: {best_month + 1}月")

best_region = sales_data.sum(axis=(0,2)).argmax()
print(f"销售最好的地区: {regions[best_region]}")

# 交叉分析：计算每个地区的最畅销品类
best_categories = sales_data.sum(axis=0).argmax(axis=1)
print("\n各地区最畅销品类:")
for region, cat_idx in zip(regions, best_categories):
    print(f"{region}: {categories[cat_idx]}")

# 计算环比增长矩阵
monthly_growth = (sales_data[1:] - sales_data[:-1]) / sales_data[:-1] * 100
print("\n平均环比增长率(%):")
print(monthly_growth.mean(axis=(0,2)))  # 每个地区的平均增长率

运用NumPy,我们可以轻松处理复杂的多维数据分析任务。无论是简单的销售统计还是复杂的交叉分析,NumPy都能帮你轻松应对。

记住,在数据分析中,选择合适的工具和正确的分析方法同样重要。NumPy就像是数据分析师的瑞士军刀,熟练掌握它能让你的数据分析工作事半功倍。

通过这些示例,相信大家已经了解了NumPy在数据处理和分析中的强大功能。开始尝试用NumPy来处理你自己的数据分析任务吧！

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2025-01-22，如有侵权请联系 cloudcommunity@tencent.com 删除

数据分析