①numpy模块：numpy是Python支持对大量数组进行科学计算的第三方库。其核心是ndarray对象,这个对象封装同种类型的n维数组，且将许多操作留在编译代码中执行，运行效率高。故numpy善于对大量数据进行科学计算。是基于python数据分析的三大模块之一。
②使用场景：numpy模块通常与matplotlib（绘图库）一起使用，在matplotlib绘制图表前进行对数据进行计算处理。也被称为matplotlib模块绘制图表伴侣。
③为什么要用numpy：Python中除了列表其他容器都在数据分析中都不太合适，但列表传递的是引用，虽然长度及元素类型灵活但速度就不怎么快。显然numpy更适合大量数据和高频计算，但ndarray创建固定，元素同种类，改变相当于重建。
ndarray(N-dimensional array)意思是n维数组，保存同种类数据，一旦写入，不能改变。
④实例应用：没有人出题我想到的也比较雷同，无非对一组数的，期望，方差，标准差的计算，这些方法倒不必急于一时。我们以简单学生成绩单为例进行的操作，难度主要是了解CSV文件并导入数据，以及格式化结构数组，矩阵运算倒不多！
tip：导入数据的一个关键点：结构数组 dtype，结构中的字段占据连续的内存空间，每个结构体占用的内存大小相同，在python中只能是元组。np.dtype({})中，必须是'names'和'formats'，不允许自己给名，否则会报出如下错误：ValueError: entry not a 2- or 3- tuple。
⑤总结：现在对numpy的理解就是数组的计算，日常如果就是简单的加减乘除或者统计分析，Excle足矣，实在不行录一个宏优化下，甚至不用VBA。
import numpy as np
def load_csv():
datas = []
header = []
with open('F:/python学习文件/实验文件夹/numpy/统计样本.csv', 'r', encoding='utf-8-sig') as f:
# 把Excel文件直接保存成CSV文本，导入
# 文本保存时包含了BOM（Byte Order Mark，字节顺序标记，出现在文本文件头部）用utf-8会出现\ufeff字符（没啥影响）
# 按行读取最后一个元组元素有换行符\n
for index, line in enumerate(f.readlines()):
if index == 0:
header = (line.split(',')) # 输出一个列表，存放表头，每个表头是字符串
else:
datas.append(tuple(line.split(','))) # 输出一个列表，每个元素是每行数据的元组，元组元素是字符串数据
print(header)
# print(datas)
# 把datas变成矩阵，datas本质是一个列表中间存放了38个元组数据，定义列名和每列的数据类型
result = np.array(datas, dtype={'names': header, 'formats': ['S4', 'i', 'i', 'i', 'i', 'i', 'f']})
# print(result)
return result # 生成的是一个（38,）38行1维数组，每个元素是元组并被header对应命名
stu_s = load_csv()
chinese = stu_s['语文']
math = stu_s['数学']
print(f'语文平均分是{np.mean(chinese):.2f}，数学最高分是{np.max(math)}')
print(stu_s.dtype)
print(stu_s.shape)
print(math)
j = 0
for i in stu_s['地理\n']:
if i < 60:
j += 1
print(f'地理不及格的人数为{j}')
print(np.extract(stu_s['地理\n'] < 60, stu_s['地理\n']))
以下为输出信息：
