企业官网建设流程全解析

一、什么是 csv 文件，作用是什么，为什么要使用这种格式的文件

CSV 文件

CSV（Comma‑Separated Values）：逗号分隔值文件，是一种纯文本格式，用逗号把一条条数据隔开，后缀是.csv。

本质就是文本文件，用记事本、Excel、WPS 都能打开。

简单例子

姓名,年龄,城市 张三,22,北京 李四,25,上海

第一行一般是表头，每一列用逗号隔开，每一行代表一条记录。

CSV 的作用

1. 存储表格类结构化数据：人员名单、学生成绩、订单、爬虫数据、传感器采集数据等。
2. 数据交换：在不同软件之间导数据。
   • Python、Java、数据库、Excel、WPS、各种数据分析工具互相导入导出。
3. 数据备份、导出报表：程序直接输出 csv，不用复杂格式。

为什么要用 CSV，优点

1. 简单轻量：纯文本，没有复杂格式，占用空间小。
2. 通用性极强：几乎所有编程语言、数据库、办公软件都支持读写。Excel 可以另存为 csv，Python pandas 直接读取 csv。
3. 易于程序处理：代码只需要按逗号、换行分割，就能解析出表格，不需要解析复杂 Excel 二进制格式。
4. 跨软件兼容：A 软件导出 csv，B 软件直接导入，解决不同系统格式不兼容的问题。

缺点

1. 不能存图片、公式、颜色样式，只存原始文本数字。
2. 逗号、换行出现在数据内容里时，需要加双引号转义，处理不好会乱列。
3. 没有内置格式，不适合做美化报表，适合原始数据。

和 Excel (.xlsx) 对比

表格

实际开发场景

爬虫爬完数据存 csv；数据库导出数据 csv；机器学习导入数据集；大数据批量导出，都会优先用 csv。

二、Matplotlib的作用

matplotlib是 Python 最主流的数据可视化绘图库，专门把数字、表格数据画成各种图表。

核心作用

1. 把抽象数据变成可视化图表把列表、numpy 数组、csv 表格、pandas 数据，画出折线图、柱状图、散点图、饼图、直方图、子图、热力图等。
2. 数据分析结果展示做完数据计算、统计分析，直观看到趋势、对比、分布。
3. 生成图片文件可以直接把图表保存为png/jpg/pdf/svg图片，放到报告、论文、PPT 里。
4. 高度自定义修改坐标轴、标题、图例、颜色、字体、网格、子图布局，几乎图表每一处都能调。

常见搭配

• 和pandas + csv一起：读取 csv 表格数据，用 matplotlib 画图
• 和 numpy：处理数组数据绘图
• 机器学习：画损失曲线、样本分布

简单示例

import matplotlib.pyplot as plt x = [1,2,3,4] y = [10,20,15,25] plt.plot(x,y) #画折线图 plt.title("示例图表") plt.show() #弹出窗口显示图表 # plt.savefig("test.png") #保存成图片

优缺点

✅优点：

• 功能强大，图表自由度极高
• Python 生态标配，教程多，兼容性好
• 可以输出图片文件，适合做实验报告

❌缺点：

• 代码偏繁琐，很多细节要手动写代码调
• 做交互式图表不方便（交互式用 plotly）

和 csv 的关系（承接上一问）

流程：读取 csv 表格数据 → 数据清洗处理 → matplotlib 绘图展示数据。

csv原始数据文件 → pandas读取 → matplotlib画图表

常用图表场景

• 折线图：看变化趋势（时间序列、股价）
• 柱状图：做数据大小对比
• 散点图：看两组数据相关性
• 直方图：看数据分布

三、NumPy作用

NumPy(Numerical Python)，Python 数值计算库，核心是ndarray 多维数组，专门用来做大规模数字运算。

Python 原生列表不适合大量数值计算，NumPy 就是用来弥补这个短板。

核心作用

1. 高效存储大批量数字数据提供ndarray数组，可以是一维、二维、多维，比普通 Python 列表省内存。

比如 csv 读取出来的表格数据、图像像素、传感器数据，都可以转成 numpy 数组。

1. 高性能数值运算底层是 C 语言实现，运算速度远快于 for 循环遍历 Python 列表，适合大数据、矩阵运算。 支持：加减乘除、平方、开方、求和、均值、方差、最大值最小值、矩阵乘法等。
2. 生成各类数据生成等差数列、随机数、全 0 数组、全 1 数组，模拟实验数据。
3. 为其他库打基础（底层依赖）很多库底层依赖 numpy：

• pandas：表格处理，底层大量使用 numpy
• matplotlib：绘图接收 numpy 数组作为输入
• scikit‑learn 机器学习、PyTorch、TensorFlow 都依赖 numpy

简单示例

import numpy as np # 创建一维数组 arr = np.array([1,2,3,4]) print(arr) # 数组整体运算，不需要写循环 print(arr * 2) # 每个元素全部乘2 # 常用统计 print(arr.mean()) #平均值 print(arr.sum()) #求和 #生成0‑9的序列 a = np.arange(10) print(a)

NumPy 数组 vs Python 列表

表格

和前面知识串联（csv + numpy + matplotlib）

csv文件(文本表格) ↓pandas/numpy读取 numpy数组（数字矩阵） ↓数值计算处理 matplotlib绘图展示图表

完整数据流：读取 csv → numpy 做数值运算 → matplotlib 画图

常用场景

1. 数据分析，批量处理表格数字
2. 科学计算、矩阵运算
3. 机器学习数据集处理
4. 图像处理（图片就是数字矩阵）
5. 生成模拟测试数据

缺点：主要处理数字，字符串处理能力弱，字符串表格交给 pandas

四、numpy.arange()函数作用

np.arange()是 NumPy 用来生成一维数字序列数组的函数，类似 Python 内置range()，但返回的是 numpy 数组，不是 range 对象。

语法

np.arange(start, stop, step, dtype=None)

• start：起始值，默认 0（包含）
• stop：结束值，不包含这个数（必须传）
• step：步长，每次增加多少，默认1
• dtype：指定数据类型

⚠️注意：取不到 stop 这个数字，左闭右开[start , stop)

示例

import numpy as np # 1.只给stop，从0开始 a = np.arange(5) print(a) # [0 1 2 3 4] # 2. start, stop b = np.arange(2,7) print(b) # [2 3 4 5 6] #3. start,stop,step 步长2 c = np.arange(1,10,2) print(c) # [1 3 5 7 9] #4.支持小数步长 d = np.arange(0, 2, 0.3) print(d) # [0. 0.3 0.6 0.9 1.2 1.5 1.8]

和 Python range () 对比

表格

实际搭配 matplotlib 场景

经常用来生成 x 轴坐标：

import numpy as np import matplotlib.pyplot as plt x = np.arange(0,10,0.5) #生成0~9.5，间隔0.5的x坐标 y = x**2 plt.plot(x,y) plt.show()

小坑提醒

用浮点数步长时，会有浮点精度误差，不适合精准等分；需要均匀等分优先用np.linspace()。

一句话总结

np.arange(起点,终点,步长)，生成连续数字的 numpy 一维数组，取不到终点数字，常用来生成绘图的 x 轴数据

五、可视化分析中什么情况下使用折线图、柱状图、饼图

核心原则：

• 折线图：看【变化趋势】（时间 / 顺序）
• 柱状图：看【数值大小对比】（分类比较）
• 饼图：看【占比、份额】，整体 100% 的构成

1️⃣ 折线图 plot

✅适合场景：

1. 数据带有时间 / 先后顺序，观察数据随时间的变化、涨跌趋势
2. 看波动、上升下降、周期变化

例子：每月销售额、每日股价、温度变化、学生成绩随时间变化、机器损失函数变化

❌不适合： 分类之间没有先后顺序，单纯比大小，不要用折线。

示例：一年 12 个月的销量，画折线，看哪个月走高、走低。

2️⃣ 柱状图 bar

✅适合场景：

1. 不同类别之间做数值大小对比，类别之间没有连续先后关系
2. 看谁大谁小，数值差距

例子：各个班级平均分、不同产品销量、各个城市 GDP、不同科目分数

分组柱状图还可以做多组对比。

❌不适合： 表达占比（不要拿柱状图当饼图）；大量时间点（优先折线）。

小提示：类别文字很长可以用横向柱状图 barh。

3️⃣ 饼图 pie

✅适合场景：

1. 展示整体内部各部分占总体的百分比，总和接近 100%
2. 看结构、份额构成

例子：收入来源占比、各部门人数占总人数比例、产品市场份额

❌不适合：

1. 分类太多（>5‑6 类，会密密麻麻看不清）
2. 对比绝对值大小（饼图很难肉眼分辨微小百分比差异）
3. 数据不是一个完整整体，不能求和到 100%

建议：占比很小的多个类别，合并为 “其他”。

快速对照表

表格

做题 / 实验简单记忆口诀

1. 看趋势、随时间变 → 折线图
2. 比大小，各个类别 PK → 柱状图
3. 看占比，一共 100% → 饼图

实战小例子（结合前面 csv/numpy/matplotlib）

• 统计 2020‑2025 每年的销售额（时间趋势）→折线图
• 统计 A/B/C 三个门店的销售额（分类对比）→柱状图
• 统计 A 门店内部各个商品的销售占比 →饼图

补充：如果要同时看对比 + 趋势，可用柱状 + 折线组合图。

六、Python 列表 (list) 和 NumPy 数组 (ndarray) 区别

list：Python 原生列表；ndarray：numpy 库提供的数组

1. 数据类型

• list：可以存放任意不同类型元素

lst = [10, "abc", 3.14, True] #数字、字符串、布尔可以混放

• ndarray：同一数组内所有元素必须是同一种数据类型，全部 int / 全部 float。如果放入不同类型，会强制转换。

import numpy as np arr = np.array([1,2,3.5]) #全部变成浮点数

2. 运算方式（最大区别）

• list：+代表拼接，不是数学相加；不能直接整体做数学运算，需要循环

a = [1,2] b = [3,4] print(a + b) # [1,2,3,4] 拼接，不是 [4,6] # a*2 是复制列表 [1,2,1,2]，不是每个元素乘2

• ndarray：按元素数学运算，整个数组批量计算，不需要 for 循环

import numpy as np a = np.array([1,2]) b = np.array([3,4]) print(a + b) # [4 6] 对应位置数字相加 print(a * 2) # [2 4]每个元素全部乘2

3. 运行速度

• list：循环遍历速度慢，大量数据效率低
• ndarray：底层 C 语言实现，运算速度快很多，适合大批量数值计算

4. 内存占用

• list：每个元素是对象，内存开销大
• ndarray：连续内存存储，占用内存更小

5. 维度

• list：可以嵌套实现多维，但没有真正 “维度” 概念，只是套列表

lst = [[1,2],[3,4]]

• ndarray：原生支持一维、二维、多维，有.shape属性查看行列形状

arr = np.array([[1,2],[3,4]]) print(arr.shape) #(2,2) 2行2列

6. 适用场景

✅list

• 存储不同类型数据
• 少量数据，普通业务逻辑
• 爬虫存杂项数据

✅numpy ndarray

• 大量数字计算、矩阵运算
• 数据分析、matplotlib 绘图数据源
• 机器学习、科学计算

简单对比表格

表格

一句话记忆

列表用来存各种各样的数据；numpy 数组专门用来大批量做数字计算。

转换

import numpy as np lst = [1,2,3] arr = np.array(lst) #list → ndarray new_list = arr.tolist() #ndarray → list

七、numpy.array()函数作用

np.array()是 NumPy 最核心函数，把普通数据（列表、元组）转换成 NumPy 的 ndarray 数组对象。

语法

np.array(object, dtype=None)

• object：要转换的数据，一般传Python 列表 / 元组
• dtype：可选，指定数组的数据类型int/float

作用

1. 将 Python 列表 (list) → numpy 数组 (ndarray)，获得数组的批量运算能力
2. 创建一维、二维、多维数组
3. 统一数组内部元素的数据类型

示例

import numpy as np # 1.一维：列表转数组 lst1 = [1,2,3,4] arr1 = np.array(lst1) print(arr1) #输出：[1 2 3 4] # 2.二维数组（嵌套列表转二维数组） lst2 = [[1,2],[3,4]] arr2 = np.array(lst2) print(arr2) ''' [[1 2] [3 4]] ''' #3.指定数据类型 arr3 = np.array([1,2,3], dtype=float) print(arr3) # [1. 2. 3.]

关键特性：自动统一类型

传入列表里如果整数 + 浮点数混合，会全部转为浮点数：

arr = np.array([1, 2.5, 3]) print(arr) # [1. 2.5 3. ]

和 np.arange () 的区别（考试常考）

• np.array(列表)：基于已有列表创建数组，数据源是你写好的数据
• np.arange(start,stop,step)：自动生成连续数字序列，不需要提前写列表

# array：手动写数据 arr1 = np.array([0,1,2,3,4]) # arange：自动生成序列 arr2 = np.arange(5)

常用转换

# list → ndarray arr = np.array([1,2,3]) # ndarray → list my_list = arr.tolist()

一句话总结

np.array()：接收列表，生成 ndarray 数组，就可以做批量数学运算，不再需要 for 循环。

串联整套流程

普通 Python 列表 →np.array()→numpy 数组 →numpy 运算 →传给 matplotlib 绘图。

八、为什么要把 Python list 转成 numpy array

简单说：普通列表能干的事有限，转成数组，才能用上 numpy 的高性能能力。

1. 列表不能直接批量数学运算

列表做加减乘，是拼接、复制，不是每个元素计算。

lst = [1,2,3] print(lst * 2) # [1,2,3,1,2,3] 复制列表，不是 [2,4,6]

想要每个数 ×2，列表必须写 for 循环遍历。

转成 array 之后：

arr = np.array([1,2,3]) print(arr * 2) # [2 4 6]，全部元素直接乘2，不用写循环

大量数据时，不用写循环，代码简洁。

2. 运行速度差距巨大

列表循环是 Python 层执行； numpy 数组底层是 C 语言实现，处理成千上万条数字速度快几十～上百倍。

如果 csv 读取几千几万条数据，用列表循环会很慢，数组效率高。

3. 原生支持多维矩阵，有 shape 等属性

嵌套列表[[1,2],[3,4]]只是套列表，没有行列概念。 array 转换后变成真正二维数组，可以：

• .shape获取行列
• 切片按行列取数据
• 矩阵运算

4. 适配第三方库（非常重要）

matplotlib、pandas、机器学习库，很多接口优先接收 numpy 数组。 你把列表传进去内部也会自动帮你转 array。

5. 内存更小

同样一堆数字，ndarray 占用内存远小于 list，适合大数据。

不转换会怎么样？

1. 做批量计算要写大量 for 循环，代码繁琐
2. 数据量大运行很慢
3. 不方便做矩阵、切片操作

什么时候不需要转换？

• 数据量很小，只是存一些杂七杂八不同类型数据，就用 list。

总结记忆

list：存数据； 转 array：为了批量数值运算、提速、适配绘图 / 数据分析库。

完整数据流回顾

csv 读取数据 → 普通列表 →np.array()转为数组 → 批量计算 → matplotlib 绘图。

考试简答题版本： 将列表转换为 numpy 数组，目的是获得数组批量运算能力，避免编写循环，提升运算速度，节省内存，同时方便多维矩阵处理，适配 matplotlib 等数据分析库。1