Python程序设计与应用课件 第8章 Python第三方库与应用

Python程序设计与应用第8章Python第三方库与应用学习目标知识目标

掌握Python第三方库Numpy中关于矩阵创建函数的使用方法；

掌握Python第三方库Matplotlib中关于绘图函数的使用方法；

了解Python第三方库SciPy中图像卷积模块的使用方法；

理解Python第三方库Pandas中关于数据分析函数的使用方法。技能目标

能够基于Numpy库创建不同维度的数组；

可以使用Scipy库中函数实现图像处理的简单应用；

能够采用Matplotlib库绘制不同的曲线图；

能够采用Pandas中数据统计函数实现不同数据类型之间的转换。素质目标与课程思政

熟悉基于第三方库案例的代码撰写流程，培养学生运用所学知识完成综合案例的应用，提高解决综合问题的能力，形成学生解决综合问题的思路。知识导图Python第三方库与应用8.1Numpy矩阵运算库8.2Matplotlib绘图库8.3SciPy科学计算库8.4Pandas数据统计与分析库Python第三方库与应用8.1Numpy矩阵运算库8.1.1Numpy矩阵运算库概述随着Python应用领域越来越广泛，Python第三方库得到快速发展，涌现出来许多优秀的库，为Python开发者们提供了强有力的研发工具。本章将对Python中四个典型的第三方库：Numpy矩阵运算库、Matplotlib绘图库、Scipy科学计算库以及Pandas数据统计与分析库进行介绍。NumPy是一个功能强大的Python库，主要用于对多维矩阵的运算，其提供了大量的库函数和操作方法，在进行以低维矩阵为主要运算对象的线性代数求解方面较为高效。Numpy提供了两种基本的对象：ndarray(N-dimensionalArrayObject)和ufunc(UniversalFunctionObject)，前者是存储单一数据类型的多维矩阵对象，而后者则是能够对多维矩阵进行处理的通用函数对象。2026/7/2578.1.2Numpy数据结构Numpy库包含的数据结构类型较为多样，继承了来自C语言的数据结构模式，包含整型变量int、无符号整型变量uint、浮点型数据类型float以及复数形式的数据类型complex。根据需要存储的数据集规模，在创建Numpy矩阵时可选择不同的数据类型。属性在面向对象编程中扮演着存储数据、实现封装、继承、多态性以及对象间通信等重要角色。表8-1展示了Numpy库中创建的矩阵ndarray对象的常用属性。表8-1ndarray对象常用属性2026/7/258属性含义返回值类型numpy.ndim秩，即数据维度整型numpy.shape矩阵维度元组numpy.size元素个数整型numpy.dtype数据类型字符串numpy.itemsize每个元素占用字节多少整型numpy.nbytes存储整个矩阵的字节数量整型numpy.T矩阵转置矩阵numpy.flatnp.flattiter对象可迭代对象8.1.3Numpy矩阵创建-直接创建法直接创建Numpy矩阵较为简便，是一种最常用的Numpy矩阵创建方式，这种方法主要通过使用矩阵生成函数来实现，主要分为一维数组和多维数组的创建。1)创建一维数组Numpy一维数组可以通过Numpy库中的array()函数创建，其语法格式为：array(object,dtype=None,*,copy=True,order='K',subok=False,ndmin=0,like=None)其中，object表示用户输入的可迭代对象；dtype表示输入数据的类型，默认为None；copy表示数据是否复制到内存中，默认为True，表示可复制；order表示{'C','F','K'},按行存储数据（'C'）或按列存储数据（'F'）或按输入矩阵顺序存储数据（'K'）按输入矩阵顺序存储数据排序方式，默认为'K'；subok表示如果值为True，则创建的为输入矩阵array的子类数组；如果值为False，创建的则为基类数组，默认为False；ndmin表示输入数据维度，默认为0；like表示可创建非Numpy类型的数据，与其他库留存数据转换接口

，默认为None，表示留存接口。2)创建多维数组Numpy多维数组可以通过Numpy库中的ndarray()函数创建，其语法格式为：ndarray(shape,dtype=float,buffer=None,offset=0,strides=None,order='C')其中，shape表示创建数组的维度；dtype表示创建数组中元素的数据类型，默认为float；buffer表示填充数据，默认为None，表示不填充；offset表示输入数据补偿，默认为0，表示不予补偿；strides表示步长，默认为None；order表示{'C','F'}，按行存储数据（'C'）或按列存储数据（'F'），默认为'C'。2026/7/2598.1.3Numpy矩阵创建-通过特殊函数创建Numpy库可以采用特殊函数创建带有特殊元素的数组，例如ones(),zeros(),empty(),eye(),identity()等，这些函数创建生成的数组中元素的数据类型默认为浮点型float，支持对此数据类型进行修改，下面分别对这些函数及其拓展形式进行介绍。1)ones()函数和ones_like()函数ones()函数表示创建包含若干元素为1的数组，其语法格式为：ones(shape,dtype=float,order='C')ones_like()函数表示生成一个与给定形状与类型一致的数组，其语法格式为：ones_like(array,dtype=None,order='K',subok=True)2)zeros()函数和zeros_like()函数zeros()函数表示创建包含若干元素为0的数组，其语法格式为：zeros(shape,dtype=float,order='C')zeros_like()函数表示创建一个与给定形状与类型一致的数组，其语法格式为：zeros_like(array,dtype=None,order='K',subok=True)2026/7/25108.1.3Numpy矩阵创建-通过常用函数创建Numpy库还有一些常用函数可以用于创建一维或者多维数组，例如步进函数arange()、随机函数rand()等，下面分别对这些函数及其拓展形式进行介绍。1)通过步进函数创建一维数组步进函数包含arange(),linspace(),logspace()三类。arange()对应Python中自带的range()函数，linspace()表示创建一个一维等差数列，logspace()表示创建一个一维等比数列，用法及参数说明如表8-3所示。(1)arange()函数arange()函数和range()函数一样，也包含三个参数—start,end,step，它们表达的含义相同，但结果不同。arange()函数生成的是array数组，range()函数生成的是可迭代对象。(2)linspace()函数linspace()函数表示在某一区间内生成若干个数，由这些数所组成形成一维array数组，其中最后一个参数endpoint表示是否为封闭区间，如果取值True，则取值区间为[start,end]；如果取值False，则取值区间为[start,end)。(3)logspace()函数logspace()函数表示在某一区间内生成若干个数，由这些数所组成形成一维array数组，其中最后一个参数endpoint的含义与linspace()函数相同。2026/7/25118.1.3Numpy矩阵创建-通过常用函数创建2)通过随机函数创建多维矩阵随机函数来源于numpy.random模块，根据用户选择的随机数生成方法可自动创建矩阵，下面介绍几种典型的随机数函数。(1)rand()函数rand()函数可以创建一个多维矩阵，矩阵中数值随机在[0,1)范围内取值，并服从均匀分布。(2)randint()函数randint()函数可以创建一个多维矩阵，矩阵中的数值在给定范围内随机取值。(3)randn()函数randn()函数可以创建一个多维矩阵，矩阵中数值服从正态分布。(4)permutation()函数permutation()函数可以实现对给定的数值范围进行随机排列。2026/7/25128.1.4Numpy操作与运算Numpy对象中的数值元素可以通过索引或切片进行访问和修改，与第四章介绍的高级数据类型中的可变序列的索引和切片操作类似，可以实现对生成的数组及数组中的数值进行操作和运算。1.索引一维数组的索引通过引用下标完成，多维数组的索引需要在多个轴上完成，在某一轴上操作与一维数组的索引基本相同。1)一维数组索引Numpy一维数组的索引方式与有序序列类似，用一对“[]”作为界定符，在“[]”内输入元素下标即可获取对应元素值。2)多维数组索引Numpy多维数组的索引方式与有序序列类似，但是值得注意的是，若要进行多维数组索引，要以逗号分隔不同元素对应下标形式进行元素访问。3)花式索引Numpy的花式索引允许用户通过Numpy数组、列表、元组等多种方式来索引数组。2026/7/25138.1.4Numpy操作与运算2.切片切片包括一维数组切片和多维数组切片，与第四章高级数据类型的切片操作类似。1)一维数组切片一维数组切片操作以[start:end:step]的形式输入要访问元素对应的起始参数，完成切片操作。2)多维数组切片多维数组切片操作可以在多个维度中“[]”的界定符内以[start:end:step]的形式，分别输入起始参数即可获取对应元素值，实现切片操作。3.矩阵操作矩阵操作包括矩阵相乘、矩阵转置、矩阵求逆、矩阵截取以及矩阵合并五种运算。1)矩阵相乘矩阵相乘一般采用Numpy模块中的dot()函数实现。2)矩阵转置矩阵转置一般采用Numpy模块中的T()函数实现。2026/7/25148.1.4Numpy操作与运算3)矩阵求逆矩阵求逆一般采用numpy.linalg模块中的inv()函数实现。4)矩阵截取矩阵截取包括按照行\列截取和按照条件截取两种，前者操作类似于切片，后者操作根据给定条件实现截取。4.矩阵运算矩阵运算包括求解矩阵中元素的最大值、最小值、中值、平均值、方差以及标准差等。1)求解最大值、最小值、中值Numpy矩阵中求解最大值、最小值、中值与Python中内置函数求解方式一致。2)求解方差、标准差和中位数Numpy矩阵中求解方差、标准差和中位数与Python中内置函数求解方式一致。2026/7/2515Python第三方库与应用8.2Matplotlib绘图库8.2.1Matplotlib绘图库概述Matplotlib绘图库拥有丰富的图表资源，风格接近MATLAB中的矩阵计算软件，其输出的图像质量高，适用范围广泛。Matplotlib是Python中比较底层的可视化库，同时又和科学计算库、数据分析库、机器学习库高度集成，例如NumPy,SciPy,Pandas,Scikit-learn,cv2等。Matplotlib可以非常方便地创建海量2D图表和3D图表，根据数据集（DataFrame或Series）自行定义x轴和y轴绘制图形。Matplotlib可以绘制的图像包括线形图、柱状图、直方图、密度图、散布图、饼图、曲线图等，可以解决大部分项目绘图的需求。Matplotlib以各种硬拷贝格式和跨平台的交互式环境生成高质量的图形。2026/7/25178.2.2绘图风格与样式Matplotlib提供了多种绘图风格与样式，以满足不同的应用需求。以下主要介绍通过插入子图方式和绘图自定义设置方式对绘图风格与样式进行设置，以创建具有个性的可视化效果。1.插入子图方式插入子图有两种方式：基于subplot函数的矩阵插入方式和在画布中插入图像方式。1)基于subplot函数的矩阵插入方式基于subplot函数的矩阵插入方式表示在生成的画布中插入矩阵式子图，这种方式可以按照矩阵的行和列自动生成若干幅图像，简洁且高效。表8-2展示了关于矩阵式子图的相关函数介绍，这些函数来源于matplotlib.pyplot模块。

表8-2矩阵式子图的相关函数介绍2026/7/2518函数描述参数说明matplotlib.pyplot.figure()创建一个空的背景为灰色的画布无matplotlib.pyplot.plot(x,y,color,shape)在空画布上画曲线(x,y)表示坐标点color表示曲线颜色point表示绘制点形状matplotlib.pyplot.show()显示绘制的图像无8.2.2绘图风格与样式

2026/7/2519图8.1例8.1程序运行结果8.2.2绘图风格与样式2)在画布中插入图像方式在画布中插入图像表示根据图像尺寸大小先生成模板，然后把生成的图像贴到模板中，形成完整的曲线图。【例8.2】采用Matplotlib库以画布中插入子图的方式绘制一个白板图。frommatplotlibimportpyplotaspltpic=plt.figure()plt.show()plt.grid()2026/7/2520图8.2例8.2程序运行结果8.2.3绘图种类Matplotlib支持的绘图种类较多，包含曲线图、散点图、直方图、饼图、条形图、热力图、面积图等。下面分别介绍曲线图、散点图、直方图和饼图的绘制方法。1.曲线图曲线图是指数据点在笛卡尔坐标系平面上的分布图，因变量随自变量变化而变化的曲线趋势。曲线图的绘制目的是为了把数值数据可视化，方便科研工作者或者其他学习者对数据进行后续处理和操作。曲线图的绘制函数来源于Matplotlib.pyplot模块的plot()函数，其语法格式为：matplotlib.pyplot.plot(x,y,color,linestyle,maker,makersize,makerfacecolor)【例8.3】根据国家统计局发布的国民经济的标志性数据—国内生产总值（GDP），绘制近11年（2012-2022年）来的曲线走势图。frommatplotlibimportpyplotasplt，importnumpyasnpimportmathdata_x=np.arange(2012,2023)data_y=np.array([53.86,59.3,64.36,68.89,74.64,83.2,91.93,98.65,101.36,114.92,121.02])pic=plt.figure()pic.set_size_inches(5,5)pic.set_facecolor('white')plt.plot(data_x,data_y,color='k',linewidth=3)plt.show()2026/7/2521图8.3例8.3程序运行结果8.2.3绘图种类2.散点图散点图是指数据点在笛卡尔坐标系平面上的分布图，表示因变量随自变量变化而变化的趋势。散点图的绘制目的除了能够把数据直观地显示以外，还方便研究者们查看和研究这些数据的分布规律。【例8.4】绘制两个散点图，要求两个图中的数据采用Python第三方库random库随机生成，第1个图中的散点平均半径要求为30pixel，第2个图中的散点平均半径要求为20pixel，两个图中每个散点的颜色要求随机生成。frommatplotlibimportpyplotaspltimportnumpyasnpimportmathpic=plt.figure()pic.set_size_inches(5,5)pic.set_facecolor('white')x=np.random.randn(50)y=np.random.randn(50)color=10*np.random.rand(50)area=np.square(30*np.random.rand(50)) #生成随机圆圈平均半径为30plt.scatter(x,y,c=color,s=area,cmap='hsv',marker='o',edgecolor='r',alpha=0.5)plt.show()2026/7/2522图8.4例8.4程序运行结果8.2.3绘图种类3.直方图绘制直方图是指数据点在笛卡尔坐标系平面上的分布图，表示因变量随自变量变化而变化的条形状态变化趋势。直方图绘制的目的能够把不同类型数据显示在不同方格中，比较直观、形象。【例8.5】绘制两个叠加直方图，要求两个图中的数据采用Python第三方库random库随机生成，第1个图要求绿色与粉色直方图叠加，第2个图要求蓝色与红色直方图叠加，并且两个图中的直方图长条形数量都要求设置为8，即为bins的数量。frommatplotlibimportpyplotaspltimportnumpyasnpimportmathplt.rcParams['font.sans-serif']=['FangSong']plt.rcParams['axes.unicode_minus']=Falsepic=plt.figure()pic.set_size_inches(5,5)pic.set_facecolor('white')ax=pic.add_axes([0.1,0.1,0.8,0.8])ax.set_title('叠加直方图')x1=np.random.randn(500)x2=np.random.randn(400)c=['m','g']ax.hist([x1,x2],bins=8,histtype='bar',color=c,stacked=True)plt.show()2026/7/2523图8.5例8.5程序运行结果8.2.3绘图种类4.饼图饼图是指数据点在笛卡尔坐标系平面上的分布图，表示因变量随自变量变化而变化的饼状图形的变化趋势。绘制饼图能够把不同类型数据显示在不同的扇形区域中，可以让不同类型数据以分隔方式显示，具有较好的不同类型数据对比的直观性。【例8.6】根据国家统计局网站发布的国民人均可支配收入的数值绘制2014-2023年的数据饼图。frommatplotlibimportpyplotaspltimportnumpyasnpimportmathplt.rcParams['font.sans-serif']=['FangSong']plt.rcParams['axes.unicode_minus']=Falsepic=plt.figure()pic.set_size_inches(5,5)pic.set_facecolor('white')ax=pic.add_axes([0.1,0.1,0.8,0.8])ax.set_title('饼图')x=[20167,21966,23821,25974,28228,30733,32189,35128,36883,39218] label=['2014','2015','2016','2017','2018','2019','2020','2021','2022','2023']colors=['red','blue','pink']ax.pie(x,labels=label,colors=colors,autopct='%1.2f%%')plt.show()2026/7/2524图8.6例8.6程序运行结果Python第三方库与应用8.3SciPy科学计算库8.3.1Scipy科学计算机库概述Scipy是基于Numpy开发的一种科学计算库，包括统计、信号处理、线性代数等科学计算领域中的众多模块。其中，使用频次最高的是NumPy矩阵模块和Matplotlib绘图模块。在Python生态系统中，Scipy库是一个重要工具，提供许多用于科学计算的功能，Scipy库建立在Numpy库之上，它利用Numpy矩阵作为基本的数据计算单元。Numpy提供了高效的多维矩阵操作功能，而Scipy在此基础上提供了更高级的数学和科学计算工具。因此，熟悉Numpy的基本用法对于理解和使用Scipy非常重要，Scipy库扩展了Numpy库的功能，提供了许多高级的数值算法和工具，例如，优化、插值、统计、降维、图像处理等。2026/7/25268.3.2矩阵卷积运算在Scipy库中，用于参与矩阵卷积运算的模块为scipy.signal，该模块中的convolve()和convolve2d()函数分别表示对两个多维矩阵和对两个二维矩阵进行卷积运算，这些卷积运算在深度学习算法中已经广泛应用，例如深度卷积神经网络、多元感知器网络等。convolve()和convolve2d()函数的语法格式如下：convolve(in1,in2,mode='full',method='auto')convolve2d(in1,in2,mode='full',boundary='fill',fillvalue=0)2026/7/25278.3.2矩阵卷积运算【例8.7】基于第三方库信号处理模块Scipy.signal中函数convolve2d()和signal.convolve()，分别对二维矩阵和多维矩阵进行卷积操作，并输出对应的矩阵卷积结果。importnumpyasnpimportscipyasspx1=np.random.randn(2,4) #二维矩阵x2=np.random.randn(4,2)result1=sp.signal.convolve2d(x1,x2)print(result1)x3=np.random.randn(2,2,2) #三维矩阵x4=np.random.randn(2,2,2)result2=sp.signal.convolve(x3,x4)print(result2)2026/7/2528图8.7例8.7程序运行结果8.3.3图像处理在Scipy库中，图像处理函数主要存在于scipy.ndimage模块中。图像处理是指对图像某些像素点位置做变换、更新、运算等，具体操作包括图像滤波、图像锐化、图像统计、图像仿射变换、空洞填充、图像二值化等。本节主要对图像仿射变换中的图像旋转和图像锐化进行介绍。图像旋转函数来源于scipy.ndimage.rotate()，其语法格式为：rotate(input,angle,axes=(1,0),reshape=True,output=None,order=3,mode='constant',cval=0.0,prefilter=True)图像锐化函数来源于scipy.ndimage.prewitt()，其语法格式分别为：prewitt(input,axis=-1,output=None,mode='reflect',cval=0.0)2026/7/25298.3.3图像处理【例8.8】基于第三方库图像处理模块scipy.ndimage中的函数rotate()和prewitt()分别对输入的图像进行图像旋转和图像锐化，并输出显示图像在处理前后的结果。importnumpyasnpfromscipyimportndimagefromscipyimportmiscimportmatplotlib.pyplotaspltimage=misc.ascent() plt.subplot(131)plt.title("title")plt.imshow(image)plt.axis('off')plt.subplot(132)rotate=ndimage.rotate(image,60)plt.title("rotate")plt.imshow(rotate)plt.axis('off') plt.subplot(133)prewitt=ndimage.prewitt(image) plt.title("prewitt")plt.imshow(prewitt)plt.axis('off')2026/7/2530图8.8例8.8程序运行结果8.3.4聚类分析聚类分析是模式识别领域中的经典模型，属于非监督学习的一种，其基本思想为：在获取的输入数据中自动根据每种数据源表达出来的特征，按照某种计算方式缩小同类样本间距离，扩大异类样本间距离，从而在不同类别的样本数据间根据特征差异产生数据点聚集的方法。在Scipy库中，聚类分析的函数主要存在于scipy.spatial.distance模块中，该模块下的pdist()函数表示计算不同特征点之间的距离，此函数的语法格式为：pdist(data,metric='euclidean',*,out=None)2026/7/25318.3.4聚类分析【例8.9】基于Python第三方库scipy中的聚类分析模块函数scipy.spatial()和scipy.cluster.hierarchy()，分别根据五个类别-“0”“1”“2”“3”“4”之间的邻近距离进行分类，给出聚类结果，并调用Matplotlib库中的pyplot模块绘制对应图示。importscipy.cluster.hierarchyasschimportmatplotlib.pylabaspltimportnumpyasnpfromscipyimportspatialplt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus']=Falsedata=np.array([[1,2,5,9,13]])dist1=spatial.distance.pdist(data.T,'minkowski')Min=sch.linkage(dist1,method='single')P=sch.dendrogram(Min)plt.xlabel('类别标签')plt.ylabel('距离')plt.show()2026/7/2532图8.9例8.9程序运行结果Python第三方库与应用8.4Pandas数据统计与分析库8.4.1Pandas数据统计与分析库概述尽管NumPy和SciPy库已经足够强大，然而在某些方面还有待完善，例如NumPy矩阵结构不支持异构行列表格数据。异构行列表格数据是指在一个二维数据结构中允许不同的行或列拥有不同的数据类型。在实际工作中，遇到的大多数数据都是非线性的而且也是异构行列表格数据。针对此问题，Pandas应运而生，它为处理类似SQL和Excel表的异构数据提供了灵活的数据存储结构，从而成为Python数据统计与分析的核心分析支持库。Pandas是Python的核心数据统计与分析的支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型和标记型数据。Pandas提供了两种数据结构，Series时间序列和DataFrame矩阵序列的数据结构模式，这两种数据结构极大地增强了Pandas的数据计算能力，基于这两种数据结构可实现数据挖掘与分析、数据清洗、数据输入输出、数据可视化等工程应用，具有较好的实用性。2026/7/25348.4.2Pandas数据创建与索引Pandas库存在两种数据类型—数据系列（Series）和数据表（DataFrame），数据创建是针对这两种数据而言。1.数据系列数据系列（Series）是一种一维数据的对象，相比于8.1节介绍的Numpy数据，数据系列是一维数组的强化版本，其增加了类似字典一样的“键-值”对的访问机制，也保留了矩阵的索引访问机制。相比于一维数组，它有更强的可读性。数据系列主要包含两部分：数据索引标签（index）和对应存储数据（values），Series的语法格式为：pandas.Series(data=None,index=None,dtype=None,name=None,copy=None)1)数据系列创建数据系列创建方式有2种：通过Numpy矩阵创建，例如，通过array()函数创建；通过高级数据类型创建，例如，通过列表或字典创建。下面举例说明这两种创建方式。2026/7/25358.4.2Pandas数据创建与索引【例8.10】分别通过Numpy库中的array()函数、列表和字典这三种方式创建Pandas库中Series一维数组并输出。importnumpyasnpimportpandasaspdnum1=np.array(['a','b','c',1,2,3]) pd1=pd.Series(num1)print(pd1)num2=['a','b','c',1,2,3] pd2=pd.Series(num2)print(pd2)num3={'NBA球队':30,'CBA球队':20} pd3=pd.Series(num3)print(pd3)2026/7/2536图8.10例8.10程序运行结果8.4.2Pandas数据创建与索引【例8.11】现有一字典data={'1班':['张三','李四','王五','赵六','刘七'],'score':[63,73,80,74,95,67,88]}，要求把data转换为pandas库的Series数据类型，并输出结果。importnumpyasnpimportpandasaspddata={'1班':['张三','李四','王五','赵六','刘七'],'score':[63,73,80,74,95,67,88]}df1=pd.Series(data)df1.describe()print(df1)2026/7/2537图8.11例8.11程序运行结果8.4.2Pandas数据创建与索引2)数据系列索引数据系列Series的数据索引可以通过成员方法head()进行索引，其中索引元素需要与原始数据data对应起来，否则会报错。【例8.12】输入一个字典，将其转换为Pandas库中的Series数据类型，输出转换后的数据，并判断原始字典中第一个键-值对中值为“python”的位置，如果是，输出True，否则，输出False。importnumpyasnpimportpandasaspddata={'grammer':['python','java','go',np.nan,'python','C','C++'],'score':[1,np.nan,np.nan,4,5,7,8]}df1=pd.Series(data)print(df1.head(2))foriinrange(len(df1['grammer'])-1):print(df1['grammer'][i]=='python')2026/7/2538图8.12例8.12程序运行结果8.4.2Pandas数据创建与索引2.数据表相比于数据系列，数据表（DataFrame）可以存储二维数据，允许数据异构，而且支持对数据进行增加、修改等操作，数据表是以行和列表示的，其行列排列规则类似Excel表格，每行一条记录，每列表示一个属性，每列的属性数据具