（Numpy+Pandas+Matplotlib），全程用pip安装，代码简洁可直接运行，聚焦「数组计算 + 表格处理 + 折线图 / 柱状图绘制」，用 Pandas 处理 Excel/CSV 数据，用 Matplotlib 画数据图表。

一、 前置准备：pip 安装三个数据工具

用 Python 自带的pip安装，推荐使用国内镜像源加快下载速度，避免超时失败。

步骤 1：打开 Windows cmd（管理员身份更佳）

Win+R 输入cmd，回车打开命令提示符。

步骤 2：逐行输入安装命令（复制即可）

# 1. 安装Numpy（数组计算）
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

# 2. 安装Pandas（表格数据处理）
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

# 3. 安装Matplotlib（数据可视化）
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 补充：Pandas读取Excel需要额外安装openpyxl（小白必备）
pip install openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤 3：验证安装成功

cmd 中输入以下命令，无报错即说明成功（无需显示版本号，能导入即可）：

python

# 依次输入python → 进入Python交互环境
python
# 导入三个库，无报错即成功
import numpy
import pandas
import matplotlib
# 退出Python交互环境
exit()

小白避坑

1. 安装报错「Permission denied」：以管理员身份打开 cmd，重新执行安装命令。
2. 提示 pip 版本过低：先升级 pip，命令：python -m pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple。

---

二、 Numpy：数组计算（AI 数据运算的基础）

核心目标

理解 Numpy 数组（加强版列表），掌握简单的数组创建、批量运算、统计计算，对应 AI 场景中的 “数据预处理、矩阵运算”。

1. 小白通俗理解

Numpy 数组 = “提速版 Python 列表”，普通列表只能逐个元素运算（比如[1,2]+[3,4]是拼接，不是加法），而 Numpy 数组支持批量运算（[1,2]+[3,4]直接得到[4,6]），运算速度更快，是 AI 中处理大量数据的必备工具。

2. 核心基础用法（代码可直接复制运行）

创建numpy_demo.py文件，粘贴以下代码，用python numpy_demo.py运行。

python

# 1. 导入Numpy，简写为np（小白固定写法，无需修改）
import numpy as np

# 2. 创建Numpy数组（两种常用方式）
# 方式1：从Python列表转换（最易上手）
arr1 = np.array([1, 2, 3, 4, 5])  # 一维数组（类似普通列表）
arr2 = np.array([[1, 2, 3], [4, 5, 6]])  # 二维数组（类似矩阵，2行3列）

print("=== 一维数组 ===")
print(arr1)
print(f"数组形状：{arr1.shape}")  # 查看数组形状（元素个数）

print("\n=== 二维数组 ===")
print(arr2)
print(f"数组形状：{arr2.shape}")  # 查看数组形状（行×列）

# 3. 批量运算（核心优势，无需循环）
print("\n=== 数组批量运算 ===")
arr1_add = arr1 + 10  # 每个元素都加10
arr1_mul = arr1 * 2   # 每个元素都乘2
arr2_sum = arr2 + arr2  # 二维数组对应元素相加
print(f"arr1每个元素加10：{arr1_add}")
print(f"arr1每个元素乘2：{arr1_mul}")
print(f"arr2自身相加：\n{arr2_sum}")

# 4. 统计计算（AI中常用，求均值、最大值、总和）
print("\n=== 数组统计计算 ===")
print(f"arr1的总和：{np.sum(arr1)}")
print(f"arr1的平均值：{np.mean(arr1):.2f}")
print(f"arr2的最大值：{np.max(arr2)}")
print(f"arr2每一列的平均值：{np.mean(arr2, axis=0)}")  # axis=0：按列计算

3. 运行结果

=== 一维数组 ===
[1 2 3 4 5]
数组形状：(5,)

=== 二维数组 ===
[[1 2 3]
 [4 5 6]]
数组形状：(2, 3)

=== 数组批量运算 ===
arr1每个元素加10：[11 12 13 14 15]
arr1每个元素乘2：[ 2  4  6  8 10]
arr2自身相加：
[[ 2  4  6]
 [ 8 10 12]]

=== 数组统计计算 ===
arr1的总和：15
arr1的平均值：3.00
arr2的最大值：6
arr2每一列的平均值：[2.5 3.5 4.5]

4. AI 场景核心用途

1. 数据缩放：将 AI 模型的输入数据（比如房价、像素值）批量缩放到 0-1 范围。
2. 误差计算：批量计算模型预测值与真实值的差值，求平均误差。
3. 矩阵运算：AI 模型中的权重参数更新，底层依赖 Numpy 数组运算。

---

三、 Pandas：表格数据处理（Python 版 Excel）

核心目标

掌握 Pandas 读取 / 创建表格、筛选数据、统计分析，能处理 Excel/CSV 格式数据，对应大纲中 “学生成绩统计可视化” 项目。

1. 小白通俗理解

Pandas = “Python 里的 Excel/CSV 工具”，无需打开 Excel，用代码就能实现 “读取表格、筛选数据、计算平均分、去重” 等操作，处理大量数据时比 Excel 更快更高效。

2. 核心基础用法（代码可直接复制运行）

创建pandas_demo.py文件，粘贴以下代码，用python pandas_demo.py运行。

python

# 1. 导入Pandas，简写为pd（小白固定写法，无需修改）
import pandas as pd

# 2. 创建表格数据（DataFrame，Pandas的核心数据结构，类似Excel表格）
# 模拟学生成绩表格（姓名、语文、数学、英语）
score_data = {
    "姓名": ["小明", "小红", "小刚", "小丽", "小亮"],
    "语文": [85, 92, 78, 95, 88],
    "数学": [90, 86, 93, 89, 96],
    "英语": [79, 88, 85, 90, 82]
}
# 转换为Pandas表格（DataFrame）
df = pd.DataFrame(score_data)

print("=== 原始学生成绩表格 ===")
print(df)  # 打印完整表格

# 3. 基础表格操作（查看、筛选、统计）
print("\n=== 表格基础操作 ===")
# 查看前3行数据（避免数据过多时刷屏）
print("前3行数据：")
print(df.head(3))

# 筛选：语文成绩≥90分的学生
high_chinese = df[df["语文"] >= 90]
print("\n语文≥90分的学生：")
print(high_chinese)

# 统计：计算各科平均分、最高分
subject_mean = df[["语文", "数学", "英语"]].mean()  # 各科平均分
subject_max = df[["语文", "数学", "英语"]].max()    # 各科最高分
print("\n各科平均分：")
print(subject_mean.round(2))  # 保留2位小数
print("\n各科最高分：")
print(subject_max)

# 4. 保存表格到本地（Excel格式，方便用Excel打开查看）
df.to_excel("学生成绩表.xlsx", index=False)
print("\n表格已保存为「学生成绩表.xlsx」，可在当前文件夹下找到！")

3. 运行结果

=== 原始学生成绩表格 ===
   姓名  语文  数学  英语
0  小明  85  90  79
1  小红  92  86  88
2  小刚  78  93  85
3  小丽  95  89  90
4  小亮  88  96  82

=== 表格基础操作 ===
前3行数据：
   姓名  语文  数学  英语
0  小明  85  90  79
1  小红  92  86  88
2  小刚  78  93  85

语文≥90分的学生：
   姓名  语文  数学  英语
1  小红  92  86  88
3  小丽  95  89  90

各科平均分：
语文    87.60
数学    90.80
英语    84.80
dtype: float64

各科最高分：
语文    95
数学    96
英语    90
dtype: int64

表格已保存为「学生成绩表.xlsx」，可在当前文件夹下找到！

4. 小白额外操作

运行完成后，在pandas_demo.py所在文件夹下，会出现学生成绩表.xlsx文件，双击可用 Excel 打开，和代码运行结果一致。

5. AI 场景核心用途

1. 数据清洗：处理 AI 数据集的缺失值、重复值（比如删除无意义的数据）。
2. 特征提取：从表格数据中筛选出模型需要的特征（比如从用户数据中提取 “年龄”“消费金额”）。
3. 数据统计：分析数据集的分布（比如正负面样本的占比），为模型训练做准备。

---

四、 Matplotlib：数据可视化（画折线图 / 柱状图）

核心目标

掌握 Matplotlib 绘制折线图、柱状图，解决中文乱码问题，让数据更直观，对应大纲中 “学生成绩分布图表” 的学习目标。

1. 小白通俗理解

Matplotlib = “Python 里的画图工具”，能把 Pandas 处理后的表格数据，转换成 “折线图（看趋势）、柱状图（比大小）”，比数字更易理解。

2. 核心基础用法（先解决中文乱码，再画图）

创建matplotlib_demo.py文件，粘贴以下代码，用python matplotlib_demo.py运行。

python

# 1. 导入Matplotlib的绘图模块，简写为plt（小白固定写法）
import matplotlib.pyplot as plt
import pandas as pd

# 2. 解决中文乱码问题（小白必配，否则中文显示为方框）
plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置字体为“黑体”，支持中文
plt.rcParams["axes.unicode_minus"] = False    # 解决负号显示为方框的问题

# 3. 准备数据（用Pandas读取之前创建的学生成绩表）
df = pd.read_excel("学生成绩表.xlsx", engine="openpyxl")
names = df["姓名"]
chinese_scores = df["语文"]
math_scores = df["数学"]
subjects = ["语文", "数学", "英语"]
subject_means = df[subjects].mean()  # 各科平均分

# 4. 绘制折线图（查看单个学生成绩趋势，这里以小明为例）
print("=== 正在绘制折线图 ===")
plt.figure(figsize=(8, 4))  # 设置图表大小（宽×高）
# 绘制小明的成绩折线图
xiao_ming_scores = [df.loc[0, "语文"], df.loc[0, "数学"], df.loc[0, "英语"]]
plt.plot(subjects, xiao_ming_scores, marker="o", color="red", label="小明成绩")
# 添加图表标题和坐标轴标签
plt.title("小明各科成绩折线图")
plt.xlabel("科目")
plt.ylabel("成绩")
plt.grid(True, alpha=0.3)  # 添加网格线，更易查看
plt.legend()  # 显示图例
plt.savefig("小明成绩折线图.png")  # 保存图表到本地
plt.show()  # 弹出图表窗口

# 5. 绘制柱状图（对比各科平均分，更直观）
print("=== 正在绘制柱状图 ===")
plt.figure(figsize=(8, 4))
# 绘制各科平均分柱状图
plt.bar(subjects, subject_means, color=["blue", "green", "orange"], width=0.5)
# 给每个柱子添加数值标签（显示平均分）
for i, mean_score in enumerate(subject_means):
    plt.text(i, mean_score + 1, f"{mean_score:.2f}", ha="center")
# 添加图表标题和坐标轴标签
plt.title("各科平均分柱状图")
plt.xlabel("科目")
plt.ylabel("平均成绩")
plt.ylim(0, 100)  # 设置y轴范围（0-100，符合成绩逻辑）
plt.savefig("各科平均分柱状图.png")
plt.show()

print("图表已保存为「小明成绩折线图.png」和「各科平均分柱状图.png」！")

3. 运行结果

1. 弹出两个图表窗口：分别显示 “小明各科成绩折线图”（红色带点折线）、“各科平均分柱状图”（三色柱子，带数值标签）。
2. 在当前文件夹下，生成两个图片文件，可双击打开查看，永久保存。
3. 柱状图中，每个柱子上方显示具体平均分，直观看到 “数学平均分最高”。

   # 出现以下报错提示：
   
   === 正在绘制折线图 ===
   Traceback (most recent call last):
     File "D:\Desktop\‎\编程与工具基础\数据工具.py", line 130, in <module>
       plt.show()  # 弹出图表窗口
       ^^^^^^^^^^
     File "D:\soft\python3.12\Lib\site-packages\matplotlib\pyplot.py", line 613, in show
       return _get_backend_mod().show(*args, **kwargs)
              ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
     File "D:\soft\PyCharm 2024.1\plugins\python\helpers\pycharm_matplotlib_backend\backend_interagg.py", line 41, in __call__
       manager.show(**kwargs)
     File "D:\soft\PyCharm 2024.1\plugins\python\helpers\pycharm_matplotlib_backend\backend_interagg.py", line 144, in show
       self.canvas.show()
     File "D:\soft\PyCharm 2024.1\plugins\python\helpers\pycharm_matplotlib_backend\backend_interagg.py", line 85, in show
       buffer = self.tostring_rgb()
                ^^^^^^^^^^^^^^^^^
   AttributeError: 'FigureCanvasInterAgg' object has no attribute 'tostring_rgb'. Did you mean: 'tostring_argb'?
   
   进程已结束，退出代码为 1
   ---------------------------------------------------------------------------------------
   
   #  报错原因：PyCharm 的「Matplotlib 工具窗口后端」与你安装的 Matplotlib（3.10.8）版本不兼容，plt.show()触发了后端的不兼容方法调用。
   ---------------------------------------------------------------------------------------
   #  解决方案：
   关闭 PyCharm 的「Matplotlib 工具窗口绘图」（无需改代码，最便捷）
   核心思路：让 Matplotlib 使用自身默认的绘图后端，而非 PyCharm 的内置后端，避免版本兼容问题。步骤如下：
   打开 PyCharm 的设置窗口：
   Windows：顶部菜单栏 File → Settings（快捷键 Ctrl + Alt + S）
   中文界面：文件 → 设置
   在设置窗口左侧，依次展开 Tools → Python Scientific（中文界面：工具 → Python 图）
   在右侧窗口中，取消勾选「Show plots in tool window」（中文界面：「在工具窗口中显示绘图」）
   点击底部 Apply → OK 保存设置
   重新运行你的代码，此时plt.show()会弹出独立的 Matplotlib 图表窗口，不再报错。

   

4. 小白避坑

1. 中文乱码：必须添加plt.rcParams两行配置，否则中文显示为方框。
2. 图表无法保存：确保脚本所在文件夹有写入权限，无需管理员身份。
3. 柱子数值标签错位：plt.text()中的ha="center"确保数值居中显示。

5. AI 场景核心用途

1. 模型评估：绘制模型 “准确率 / 损失值” 折线图，查看模型训练趋势（损失值逐渐下降说明训练有效）。
2. 数据分布：绘制数据集的特征分布柱状图（比如不同年龄段用户的占比）。
3. 结果展示：将 AI 模型的预测结果可视化，更易向他人展示。

---

五、 综合实操：三个工具协同工作（完整流程）

核心逻辑

Numpy（数组运算）→ Pandas（表格处理）→ Matplotlib（可视化），这是 AI 数据预处理的标准流程，小白掌握后可直接用于后续项目。

1. Numpy：批量处理原始数据，完成缩放 / 统计。
2. Pandas：将处理后的数据转换成表格，清洗 / 筛选。
3. Matplotlib：将表格数据可视化，生成直观图表。

总结

1. 安装：无 Anaconda 时用pip安装三个工具，搭配国内镜像源，补充openpyxl支持 Excel 读取。
2. Numpy：核心是批量数组运算，简化循环，提升效率，掌握np.array()/np.mean()即可入门。
3. Pandas：核心是DataFrame 表格处理，实现 “读取 - 筛选 - 统计 - 保存”，对应 Excel 操作，掌握df[df[]]筛选、df.mean()统计即可。
4. Matplotlib：核心是数据可视化，先解决中文乱码，再掌握plt.plot()（折线图）、plt.bar()（柱状图），添加标签让图表更完整。
5. 三个工具协同工作，是 AI 数据预处理的基础，后续项目中会频繁用到，先掌握基础用法，无需深入复杂功能。