读书报告

一、NumPy 基础用法
NumPy 是 Python 科学计算的基础库，核心数据结构为ndarray多维数组，支持高效的向量化运算与广播机制。基本功能包括：通过np.array()创建数组，利用shape、dtype获取数组属性；数组运算支持加法、乘法等算术操作及np.dot()矩阵乘法；统计函数如np.mean()、np.std()可计算数组统计量，np.fft.fft()实现傅里叶变换，np.linalg.inv()求解矩阵逆运算。
二、SciPy 科学计算框架
SciPy 构建于 NumPy 之上，提供丰富的科学算法。核心模块包括：scipy.integrate求解积分与微分方程，scipy.optimize实现函数优化与根求解，scipy.stats包含概率分布与统计检验，scipy.signal用于信号处理，scipy.ndimage支持多维图像处理，各模块与 NumPy 数组无缝兼容，提升科学计算效率。
三、Pandas 数据处理体系
Pandas 以Series和DataFrame为核心，专注结构化数据处理。基本功能包括：通过pd.read_csv()等接口读取数据，dropna()、fillna()处理缺失值，groupby实现分组统计，merge、concat完成数据合并；支持数据切片与索引（如loc、iloc），apply方法实现自定义函数向量化应用，是数据清洗与预处理的核心工具。
四、Matplotlib 可视化与图像操作
Matplotlib 是 Python 主流可视化库，支持 2D/3D 绘图。基础功能包括：plt.plot()绘制折线图，scatter()绘制散点图，hist()绘制直方图，通过subplot实现子图布局；样式定制支持颜色、字体、图例等参数配置。在图像处理中，可结合 NumPy 数组操作实现灰度转换、滤波等功能，plt.imshow()用于图像显示，cmap参数支持色彩映射配置。
五、库间协同关系
四个库形成完整技术链条：NumPy 提供底层数组支持，SciPy 扩展科学计算能力，Pandas 处理结构化数据，Matplotlib 实现结果可视化。实际应用中，常通过 NumPy 与 SciPy 处理数值计算，Pandas 清洗数据，最终由 Matplotlib 完成图表绘制或图像处理，共同构成 Python 数据科学的核心生态。