Python 数据可视化是将数据以图形或图像形式展示的过程，它能帮助我们更好地理解和解释数据。在Python中，常用的库有numpy、pandas和matplotlib。这些库提供了丰富的功能，用于处理和展示数据。
Numpy是Python中的一个核心库，主要用于科学计算，特别是处理多维数据。以下是一些关于numpy的基本知识点：
1. **基本数据结构**：
- `numpy.array`：通过列表创建数组，可以是多维的。
- `ndim`：返回数组的维度。
- `shape`：返回数组的行和列数。
- `size`：返回数组元素的总数。
- `dtype`：返回数组元素的类型。
- `itemsize`：返回每个元素占用的字节数。
- `data`：返回数组元素的内存缓冲区。
2. **创建数组**：
- `np.array(range(n))`：创建从0到n-1的一维数组，元素类型由n决定。
- `np.arange(n)`：类似`np.array(range(n))`，但不接受浮点数。
- `np.array([list, list])`：创建二维数组，元素类型会自动转换。
- `np.linspace(start, stop, num)`：在start和stop之间等间隔地创建num个点，可选参数`endpoint`控制是否包含stop，`retstep`返回步长。
- `np.zeros(n)`和`np.ones(n)`：创建元素全为0或1的数组。
- `np.zeros_like(arr)`：创建与arr具有相同形状和类型的全0数组。
- `reshape`和`resize`：改变数组的形状，`reshape`不会改变原数组，`resize`会修改原数组。
- `astype`：转换数组元素的数据类型。
3. **通用函数**：
- `T`：转置数组，对一维数组不起作用。
- `reshape`和`resize`：改变数组的形状，`reshape`需确保元素总数不变。
- `copy()`：创建数组的深拷贝，避免原始数组被修改。
- `astype`：转换数组元素的类型。
- 数组的数学运算：支持加减乘除、幂、平均值、最大值、最小值、标准差、方差和求和等。
4. **索引和切片**：
- 一维和二维数组的索引和切片操作，包括步长选择和布尔索引。
- 布尔索引：通过比较操作创建布尔数组，然后用于选取满足条件的元素。
5. **随机数**：
- `np.random.normal`：生成正态分布的随机数。
- `np.random.rand`：生成[0,1)之间的随机浮点数。
- `np.random.randn`：生成标准正态分布的随机浮点数。
- `np.random.randint`：生成指定范围内的随机整数。
6. **输入输出**：
- 使用numpy的保存功能，如`np.save`，可以将数组存储为`.npy`文件，便于后续读取和分析。
Pandas是另一个重要的数据处理库，它基于numpy构建，提供更高级的数据结构DataFrame和Series，以及用于数据分析和清洗的工具。Matplotlib则是主要的可视化库，用于绘制各种静态、动态和交互式的图表，如线图、散点图、直方图等。
在学习数据可视化的过程中，了解并熟练掌握numpy的这些知识点是非常基础且重要的。结合pandas和matplotlib，我们可以高效地处理数据并生成直观的可视化结果。
