Python、NumPy 与 Pandas 学习笔记

这是我在学习 Python 和数据处理时整理的一套笔记，目前包含两门课程：Python 入门与进阶，以及 NumPy、Pandas 数据处理。

Python 部分以 .py 示例为主，适合跟着课程动手练习；NumPy 和 Pandas 部分使用 Jupyter Notebook，把知识点说明、代码、预期输出和容易混淆的地方放在一起。既可以按课程顺序学习，也可以在以后写代码时回来查阅。

学习内容

内容	课程范围	笔记形式	入口
Python 基础与进阶	黑马程序员第 18～110、127～164 集	按知识点分类的 .py 文件	查看课程目录
NumPy 与 Pandas	莫烦 Python 完整 18 集	一集一本 .ipynb Notebook	查看课程目录
补充练习	学习过程中随手记录	Notebook	打开补充笔记

推荐学习顺序

如果是第一次系统学习，可以按下面的顺序进行：

1. 先学习 Python 基础语法、判断、循环和函数。
2. 掌握列表、元组、字符串、集合和字典，理解数据应该怎样保存和处理。
3. 学习文件、异常、模块和包，具备编写完整小程序的能力。
4. 进入 NumPy，学习数组、形状、批量运算、索引、合并、分割和复制。
5. 再学习 Pandas，处理表格选择、修改、缺失值、文件读写、表格合并和绘图。
6. 最后按需要学习数据库、PySpark、装饰器、多线程、网络编程和正则表达式。

这条路线中，Python 数据容器是 NumPy 和 Pandas 的基础；NumPy 的数组、索引和 axis 又是理解 Pandas 表格运算的基础。

Python 课程索引

目前整理了 BV1qW4y1a7fU 的第 18～110 集和第 127～164 集。

集数	主要内容
18～28	数据类型转换、运算符、字符串格式化与输入
29～37	布尔值与条件判断
38～50	while、for、range 与循环控制
51～61	函数、参数、返回值与作用域
62～80	列表、元组、字符串、集合与字典
81～84	多返回值、*args、**kwargs 与 Lambda
85～90	文件读取、写入、追加与综合练习
91～98	异常、模块、自定义包与第三方包
99～104	JSON、数据清洗与折线图
105～107	地图可视化
108～110	柱状图、时间线与动态 GDP 图
127～138	SQL、MySQL 与 Python 数据库操作
139～153	PySpark RDD、常用算子与综合练习
154～157	闭包、装饰器、单例模式与工厂模式
158～159	多线程与线程同步
160～161	Socket 服务端与客户端
162～163	正则表达式基础与元字符
164	递归

列表、元组、字符串、集合和字典放在同一章节中横向比较，方便理解是否有序、能否修改、是否允许重复以及各自适合的使用场景。

NumPy 与 Pandas 课程索引

BV1Ex411L7oT 的 18 集内容已经全部整理为 Notebook。笔记按照原学习记录展开，保留每个小知识点的解释、代码和预期结果。

集数	学习内容	笔记
1～2	NumPy、Pandas 的用途，安装与环境检查	从第 1 集开始
3～4	数组的 ndim、shape、size、dtype 与数组创建	数组属性 · 创建数组
5～6	逐元素运算、矩阵乘法、axis、统计、累计、差分和排序	基础运算一 · 基础运算二
7～10	索引与遍历、数组合并、数组分割、复制与视图	索引与迭代
11～14	Series、DataFrame、数据选择、设置值和缺失值处理	Pandas 基础 · 处理缺失数据
15	CSV、Excel、Pickle 等数据导入导出	导入与导出
16～17	concat 拼接与 merge 关联	concat · merge
18	Pandas 折线图、散点图、柱状图和直方图	Pandas 绘图

课程录制时间较早，因此笔记对部分旧写法做了更新：

• 使用 loc、iloc 代替已经移除的 ix。
• 使用 pd.concat() 代替已经移除的 DataFrame.append()。
• 避免链式赋值，统一使用 df.loc[条件, 列名] = 新值。

旧写法仍会在讲解中展示，方便看懂原视频，但不会放进需要连续运行的代码单元。

目录结构

python_study/
├── python_course/              # Python 第 18～110、127～164 集
│   ├── 01_基础语法_类型转换与字符串/
│   ├── 02_布尔值与条件判断/
│   ├── 03_循环语句/
│   ├── 04_函数基础/
│   ├── 05_列表元组字符串集合字典/
│   ├── ...
│   └── 18_递归/
├── numpy和pandas学习/           # NumPy、Pandas 完整 18 集 Notebook
│   ├── 01_NumPy和Pandas有什么用.ipynb
│   ├── ...
│   └── 18_Pandas绘图.ipynb
├── python_class.ipynb          # 补充练习
├── .gitignore
└── README.md

开始使用

准备 Python 3.9 或更高版本，然后克隆仓库：

git clone https://github.com/lzynb0206/python-course-notes.git
cd python-course-notes

建议创建独立的虚拟环境：

python3 -m venv .venv
source .venv/bin/activate

运行 Python 示例

大部分 Python 基础章节只使用标准库，可以直接运行：

python3 "python_course/01_基础语法_类型转换与字符串/第18-28集_基础语法.py"
python3 "python_course/05_列表元组字符串集合字典/第62-80集_数据容器.py"

数据可视化章节需要额外安装依赖：

python3 -m pip install -r python_course/requirements.txt

MySQL 和 PySpark 属于可选内容，需要学习对应章节时再安装：

python3 -m pip install -r python_course/requirements-advanced.txt

打开 NumPy 与 Pandas Notebook

先安装 NumPy、Pandas、Matplotlib 和 JupyterLab：

python3 -m pip install -r "numpy和pandas学习/requirements.txt"
python3 -m jupyter lab

也可以直接用 PyCharm 打开 .ipynb 文件，并选择项目的 .venv 作为内核。Notebook 默认不保存预运行结果，建议从上到下逐格执行；每看完一个示例，可以修改数组形状、索引条件或表格数据，再观察结果如何变化。

运行时文件

• 文件操作和递归练习产生的数据放在各章节的 runtime_data/。
• Python 可视化示例生成的 HTML 放在对应章节的 outputs/。
• NumPy/Pandas 第 15、18 集生成的表格和图片放在 numpy和pandas学习/runtime_data/。
• 虚拟环境、运行结果、缓存和 IDE 配置均已加入 .gitignore。

SQL 示例默认只展示语句，不会主动连接或修改数据库；仓库中的疫情和 GDP 数据是用于演示处理流程的小型样例，不应作为现实统计数据使用。

当前进度

• Python 第 18～110 集：已整理
• Python 第 111～126 集：暂未整理
• Python 第 127～164 集：已整理
• NumPy 与 Pandas 第 1～18 集：已整理

课程来源

• 黑马程序员 Python 教程
• 莫烦 Python：NumPy & Pandas 数据处理教程
• 莫烦 Python：NumPy & Pandas 图文教程

本仓库仅用于个人学习与交流。课程版权归原作者所有。