更加详细的数据清洗、处理和绘图，会在后续专门的章节进行讲解。
以书店销售数据为背景，我们将依次介绍numpy的数组创建、操作、四则运算、聚合函数和布尔筛选。这样的结构将有助于清晰地展示每个概念在实际情况中的应用。
首先，我们从书店的基本数据开始，即书籍的价格和销售数量。
数组创建
从列表创建一维数组来记录书籍的价格和销售数量：
import numpy as np
# 书籍的单价列表
price_list = [120, 85, 100, 75, 95]
# 将列表转换为numpy数组
prices = np.array(price_list)
# 书籍的销售数量列表
quantity_list = [30, 15, 20, 10, 25]
# 将列表转换为numpy数组
quantities = np.array(quantity_list)
# 书籍名称
book_names = np.array(['微观经济学', '宏观经济学', '金融学', '会计学','Python数据分析'])
print("书籍价格数组:", prices)
print("销售数量数组:", quantities)书籍价格数组: [120 85 100 75 95]
销售数量数组: [30 15 20 10 25]索引和切片
展示如何获取数组中的特定元素和子数组：
# 获取第一本书的价格和销售数量
first_book_price = prices[0]
first_book_quantity = quantities[0]
print("第一本书的价格:", first_book_price)
print("第一本书的销售数量:", first_book_quantity)
# 获取前三本书的价格和销售数量
first_three_prices = prices[:3]
first_three_quantities = quantities[:3]
print("前三本书的价格:", first_three_prices)
print("前三本书的销售数量:", first_three_quantities)第一本书的价格: 120
第一本书的销售数量: 30
前三本书的价格: [120 85 100]
前三本书的销售数量: [30 15 20]布尔数组和筛选
创建布尔数组并筛选出价格高于90元的书籍：
# 创建一个布尔数组，用于筛选价格高于90元的书籍
high_price_filter = prices > 90
high_price_books = prices[high_price_filter]
print("价格高于90元的书籍:", high_price_books)价格高于90元的书籍: [120 100 95]使用数组运算来计算总销售额和应用折扣。
基本数学运算
计算总销售额（未折扣前）：
# 计算每本书未折扣前的总销售额
total_sales = prices * quantities
print("未折扣前的总销售额:", total_sales)未折扣前的总销售额: [3600 1275 2000 750 2375]应用折扣
计算折后总价：
# 书籍的折扣比率
discount_rates = np.array([0.1, 0.05, 0.15, 0.05, 0.1]) # 10%, 5%, 15%, 5%, 10%
final_prices = total_sales * (1 - discount_rates)
print("折扣后的销售额:", final_prices)折扣后的销售额: [3240. 1211.25 1700. 712.5 2137.5 ]使用聚合和其他常见函数：
print("所有书籍的最终总销售额:", final_prices.sum())
print("最低销售额的书籍:", final_prices.min())
print("最高销售额的书籍:", final_prices.max())
print("平均销售额:", final_prices.mean())所有书籍的最终总销售额: 9001.25
最低销售额的书籍: 712.5
最高销售额的书籍: 3240.0
平均销售额: 1800.25假设书店决定对所有书籍价格进行统一调整，增加5元。请使用numpy数组操作来更新prices数组，并打印新的价格数组。
提示： 使用向量化操作来增加数组中的每一个元素。
书店想要了解哪些书籍的销售额在折扣后仍然超过2000元。使用布尔索引来筛选出这些书籍的价格和名称，并打印结果。
提示： 先计算折后总销售额，然后创建一个布尔数组用于筛选。
请计算并打印以下统计信息：
提示： 使用sum(), mean()函数，以及argmax()来找到折扣率最高的书籍。
在这个例子中，我们将使用一个关于书店的数据集，包含书籍的名称、价格、销售数量和评分。通过这个例子，我们将演示如何使用pandas进行数据的创建、操作、排序和文件的读写。
首先，导入pandas库并为其常用的别名pd：
import pandas as pd使用字典来创建一个DataFrame，其中包括书籍的名称、价格、销售数量和评分：
data = {
"Book": ['微观经济学', '宏观经济学', '金融学', '会计学','Python数据分析'],
"Price": [120, 85, 100, 75, 95],
"Quantity": [30, 15, 20, 10, 25],
"Rating": [4.5, 4.0, 4.8, 3.9, 4.1],
}
df = pd.DataFrame(data)
df| Book | Price | Quantity | Rating | |
|---|---|---|---|---|
| 0 | 微观经济学 | 120 | 30 | 4.5 |
| 1 | 宏观经济学 | 85 | 15 | 4.0 |
| 2 | 金融学 | 100 | 20 | 4.8 |
| 3 | 会计学 | 75 | 10 | 3.9 |
| 4 | Python数据分析 | 95 | 25 | 4.1 |
.loc.loc主要用于基于标签的索引，即选择行或列的名称来访问数据。
选择特定的行
# 选择第一本书的数据
first_book = df.loc[0]
print("第一本书的数据:\n")
first_book第一本书的数据:
Book 微观经济学
Price 120
Quantity 30
Rating 4.5
Name: 0, dtype: object选择特定的列
# 选择书籍名称和价格列
books_prices = df.loc[:, ["Book", "Price"]]
print("书籍和价格:\n")
books_prices书籍和价格:
| Book | Price | |
|---|---|---|
| 0 | 微观经济学 | 120 |
| 1 | 宏观经济学 | 85 |
| 2 | 金融学 | 100 |
| 3 | 会计学 | 75 |
| 4 | Python数据分析 | 95 |
也有快速的写法
# 选择书籍名称和价格列
books_prices = df[["Book", "Price"]]
print("书籍和价格:\n")
books_prices书籍和价格:
| Book | Price | |
|---|---|---|
| 0 | 微观经济学 | 120 |
| 1 | 宏观经济学 | 85 |
| 2 | 金融学 | 100 |
| 3 | 会计学 | 75 |
| 4 | Python数据分析 | 95 |
.iloc.iloc用于基于位置的索引，即选择行或列的数值索引来访问数据。
选择特定的行
# 选择前三本书的数据
first_three_books = df.iloc[:3]
print("前三本书的数据:\n")
first_three_books前三本书的数据:
| Book | Price | Quantity | Rating | |
|---|---|---|---|---|
| 0 | 微观经济学 | 120 | 30 | 4.5 |
| 1 | 宏观经济学 | 85 | 15 | 4.0 |
| 2 | 金融学 | 100 | 20 | 4.8 |
选择特定的列
# 选择价格和数量列（索引1和2）
price_quantity = df.iloc[:, [1, 2]]
print("价格和数量:\n")
price_quantity价格和数量:
| Price | Quantity | |
|---|---|---|
| 0 | 120 | 30 |
| 1 | 85 | 15 |
| 2 | 100 | 20 |
| 3 | 75 | 10 |
| 4 | 95 | 25 |
使用条件表达式来筛选满足特定条件的行。
根据条件选择行
# 选择评分高于4.0的书籍
high_rated_books = df[df["Rating"] > 4.0]
print("评分高于4.0的书籍:\n")
high_rated_books评分高于4.0的书籍:
| Book | Price | Quantity | Rating | |
|---|---|---|---|---|
| 0 | 微观经济学 | 120 | 30 | 4.5 |
| 2 | 金融学 | 100 | 20 | 4.8 |
| 4 | Python数据分析 | 95 | 25 | 4.1 |
使用query方法 这是一个更动态的方式来选择数据，允许使用字符串表达式来指定条件。
# 使用query方法选择价格小于100的书籍
affordable_books = df.query("Price < 100")
print("价格小于100的书籍:\n")
affordable_books价格小于100的书籍:
| Book | Price | Quantity | Rating | |
|---|---|---|---|---|
| 1 | 宏观经济学 | 85 | 15 | 4.0 |
| 3 | 会计学 | 75 | 10 | 3.9 |
| 4 | Python数据分析 | 95 | 25 | 4.1 |
添加一列“Total Sales”，计算每本书的总销售额：
df["Total Sales"] = df["Price"] * df["Quantity"]
print(df) Book Price Quantity Rating Total Sales
0 微观经济学 120 30 4.5 3600
1 宏观经济学 85 15 4.0 1275
2 金融学 100 20 4.8 2000
3 会计学 75 10 3.9 750
4 Python数据分析 95 25 4.1 2375根据总销售额对书籍进行降序排序：
df_sorted = df.sort_values(by="Total Sales", ascending=False)
print("按总销售额排序:\n")
df_sorted按总销售额排序:
| Book | Price | Quantity | Rating | Total Sales | |
|---|---|---|---|---|---|
| 0 | 微观经济学 | 120 | 30 | 4.5 | 3600 |
| 4 | Python数据分析 | 95 | 25 | 4.1 | 2375 |
| 2 | 金融学 | 100 | 20 | 4.8 | 2000 |
| 1 | 宏观经济学 | 85 | 15 | 4.0 | 1275 |
| 3 | 会计学 | 75 | 10 | 3.9 | 750 |
写入CSV文件
将DataFrame写入CSV文件，文件名为bookstore.csv：
df.to_csv("bookstore.csv", index=False)
print("数据已写入 'bookstore.csv'")数据已写入 'bookstore.csv'读取CSV文件 读取之前写入的CSV文件，查看内容：
df_loaded = pd.read_csv("bookstore.csv")
print("从CSV文件加载的数据:\n")
df_loaded从CSV文件加载的数据:
| Book | Price | Quantity | Rating | Total Sales | |
|---|---|---|---|---|---|
| 0 | 微观经济学 | 120 | 30 | 4.5 | 3600 |
| 1 | 宏观经济学 | 85 | 15 | 4.0 | 1275 |
| 2 | 金融学 | 100 | 20 | 4.8 | 2000 |
| 3 | 会计学 | 75 | 10 | 3.9 | 750 |
| 4 | Python数据分析 | 95 | 25 | 4.1 | 2375 |
假设你想了解书店中所有书籍的平均评分。使用pandas的函数计算并打印这个数据集中所有书籍的平均评分。
提示： 使用mean()函数来计算列的平均值。
书店老板对销售表现不佳的书籍（总销售额低于2000元）进行特价处理。请筛选出这些书籍的名称和当前价格，并打印结果。
提示： 使用条件筛选来实现这一点，你可能需要先计算每本书的总销售额。
书店有新书上架，需要更新DataFrame。请将下面的新书信息添加到现有的DataFrame中，并重新打印更新后的DataFrame。
新书信息：
提示： 使用append()函数或concat()函数来添加新行。