学习成长日记

本文系统介绍了Python数据可视化库Matplotlib的核心功能与应用技巧。主要内容包括：1.基础绘图入门：折线图绘制与中文显示设置；2.多子图绘制方法：subplot和subplots的灵活运用；3.常用图表类型：直方图、散点图、柱状图、矩阵可视化的实现；4.样式定制：全面讲解颜色、标记和线型的组合使用；5.高级定制：刻度、标签、图例等元素的精细控制。文章通过大量代码示例演示了各种图表的绘制方法，并提供了实战案例展示综合应用。最后建议学习其他可视化库如Seaborn、Plotly等，以进一步提升数据可

本文介绍了Pandas中四大核心数据处理功能：数据合并(merge)支持不同连接方式处理数据；值替换(replace)实现单/多值替换；统计计算提供sum/max/mean等方法；分组聚合(groupby)支持多种分组方式。通过实例代码展示了这些功能的典型应用场景，为数据分析提供了高效工具。这些操作能有效解决数据整合、清洗、统计分析等常见需求，是Pandas数据分析的重要组成部分。

Pandas是Python中强大的数据分析工具集，基于NumPy构建，提供高效的数据结构和处理功能。其核心数据结构包括Series（一维数组）和DataFrame（二维表格），支持多种创建方式和数据访问方法（如loc/iloc索引）。Pandas能有效处理缺失数据（检测、删除或填充），并支持级联操作（pd.concat）合并数据集。该工具集广泛应用于数据清洗、分析和挖掘，是处理结构化数据的重要选择。

本文介绍了数据科学相关的核心概念与技术工具。主要内容包括：1）NumPy库的基础用法，涵盖数组创建、属性操作、随机数组生成、排序去重等核心功能；2）DIKW数据价值体系，从数据到智慧的转化过程；3）数据工程职业划分及技能要求；4）数据分析的定义、流程、应用场景和常用工具；5）数据建模的分类与常用模型。重点讲解了NumPy的多维数组操作，包括数组创建、索引切片、聚合运算、矢量计算等核心功能，并对比了不同数据分析工具的特点。

本文系统介绍了SQL查询的基础语法与应用场景，涵盖五大核心内容：1）基础查询（全表、指定字段、别名、去重）；2）限定查询（比较、范围、模糊、多值匹配等12种条件筛选）；3）排序查询（单/多字段升序降序）；4）多表查询（笛卡尔积、关联消除、表别名）；5）连接查询（SQL1999标准的内连接、自连接、左右外连接）。重点比较了传统多表查询与标准JOIN语法的优劣，强调JOIN语法在可读性、灵活性和规范性方面的优势，特别适合处理复杂表关联和缺失数据场景。文章通过大量示例演示各类查询的实际应用，是掌握SQL数据检索操

WHERE 子查询：适用于将子查询结果作为条件，直接筛选主查询数据，语法简洁，适合简单条件判断。FROM 子查询：适用于复杂数据预处理，通过临时表分层处理逻辑，便于维护和性能优化。两者可结合使用，实现更复杂的业务需求（如子查询嵌套、多表关联等）。八、SELECT查询定义SELECT是 SQL 中用于从表中提取数据的基础关键字，所有查询操作均以SELECT开头，决定返回哪些字段及如何展示。(一)、SELECT 查询的基础用法字段选择规则可选择表中所有字段：用表示（如。