根据示例创建ndarray，并按要求完成操作

1.按要求进行切片操作

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr1[:2, 1:])
print(arr1[1:2, 0:2])
print(arr1[2:, 0:1])
print(arr1[:, 0:1])
# 将数组中的每个元素乘2后，按行和按列方式分别计算其最大值，打印输出结果
arr2 = arr1*2
print('按行方式分别计算其最大值：', arr2.max(1))
print('按列方式分别计算其最大值:', arr2.max(0))

2.将数组中的每个元素乘2后，按行和按列方式分别计算其最大值，打印输出结果

arr2 = arr1*2
print('按行方式分别计算其最大值：', arr2.max(1))
print('按列方式分别计算其最大值:', arr2.max(0))

利用Matplotlib库，绘制出抛物线曲线图

1.线为红色圆型点线图
2.横坐标取值范围：[-10, 10]，绘制点数50
3.坐标轴说明（x轴：x tick，y軕：voltage）
4.图标题为抛物线示意图。

import matplotlib.pyplot as plt
import numpy as np
x = np. linspace(-10, 10, 50)     # x坐标采样点生成,[-10,10]区间，50个点
y = []
for i in x:
    a = i**2
    y.append(a)
plt.plot(x, y, 'ro--')    # 控制图形格式为红色圆形的虚线
plt.title("抛物线示意图")     # 设置图表标题
plt.xlabel("x tick")      # 设置x坐标轴标签
plt.ylabel("voltage")    # 设置y坐标轴标签
plt.rcParams['font.sans-serif'] = ['Kaiti']   # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号
plt.savefig("test", dpi=300)         # 保存图表
plt.show()

panda读取csv文件1并统计每个积分区间（每5分）人数分布，绘制图形

1.读取 CSV文件生成DataFrame

df = pd.read_csv('D:/luohu3.csv')
print(df)

2. 数据预处理

data = df.dropna(0)    # 删除所有包含空值的行或列
print(data.info())

3. 对数据进行离散化处理

通过describe()查看最大值最小值，来确定区间

x = data["积分分值"]
print(data.describe())       # 查看最大值与最小值
bins = np.arange(90, 126, 5)
score_bins = pd.cut(x, bins)    # 对数据进行离散化处理
print(score_bins)

4. 按积分分割区间进行分组统计

df1 = data.groupby(score_bins)["积分分值"].count()
print(df1)

5. 绘制图形

rot=0使横坐标的数据横过来

df1.plot(kind="bar", rot=0)    
plt.rcParams['font.sans-serif'] = ['Kaiti']   # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑
plt.rcParams['axes.unicode_minus'] = False   # 显示负号
plt.show()

完整代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取 CSV文件生成DataFrame
df = pd.read_csv('D:/luohu3.csv')
print(df)

print(df.info())   # 获取 DataFrame 的摘要
print(df.head())     # 根据位置返回对象的前n行信息(默认值为5) ，用于快速测试数据集
print(df.describe())   # 生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。
# 数据预处理
data = df.dropna(0)    # 删除所有包含空值的行或列
print(data.info())
# data = df.drop_duplicates()
# print(data.info())

x = data["积分分值"]
print(data.describe())       # 查看最大值与最小值
bins = np.arange(90, 126, 5)
score_bins = pd.cut(x, bins)    # 对数据进行离散化处理
print(score_bins)

# 按积分分割区间进行分组统计
df1 = data.groupby(score_bins)["积分分值"].count()
print(df1)
# 绘制图形
df1.plot(kind="bar", rot=0)
plt.rcParams['font.sans-serif'] = ['Kaiti']   # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑
plt.rcParams['axes.unicode_minus'] = False
plt.show()

2.按照"单位名称"分组统计每个单位的人数信息，将人数排名前10的单位和人数用柱状图表示出来。

前面几步和上一个基本相同，就不多说了。
特殊的就三步：

1.按单位名称进行分组统计

df1 = data.groupby(data['单位名称'])["单位名称"].count()

2.分组结果排序

df2 = df1.sort_values(ascending=False)

3.取排序结果的前10个数据，切片

df3 = df2[0:10]

完整代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取 CSV文件生成DataFrame
df = pd.read_csv('D:/luohu3.csv')
# print(df)

print(df.info())   # 获取 DataFrame 的摘要
# print(df.head())     # 根据位置返回对象的前n行信息(默认值为5) ，用于快速测试数据集
# print(df.describe())   # 生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。
# 数据预处理
data = df.dropna(0)    # 删除所有包含空值的行或列
print(data.info())
# data = df.drop_duplicates()
# print(data.info())

df1 = data.groupby(data['单位名称'])["单位名称"].count()  # 按单位名称进行分组统计
print(df1)
df2 = df1.sort_values(ascending=False)    # 分组结果排序
print(df2)
df3 = df2[0:10]   # 取排序结果的前10个数据
# 绘制图表
df3.plot(kind="bar", rot=0)
plt.rcParams['font.sans-serif'] = ['Kaiti']   # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑
plt.rcParams['axes.unicode_minus'] = False
plt.show()

统计年龄分布情况（5岁的间隔统计），绘制出年龄分布图。

这个和第一个非常相似，难点在于需要将出生年月转化为年龄。

data = data.copy()
data['年龄'] = [dt.datetime.today().year - i.year for i in pd.to_datetime(data["出生年月"])] 

如果不添加data.copy（）会报错

SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame.Try using .loc[row_indexer,col_indexer] = value instead

完整代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import datetime as dt
# 读取 CSV文件生成DataFrame
df = pd.read_csv('D:/luohu3.csv')
print(df)

print(df.info())   # 获取 DataFrame 的摘要
print(df.head())     # 根据位置返回对象的前n行信息(默认值为5) ，用于快速测试数据集
print(df.describe())   # 生成描述性统计数据，总结数据集分布的集中趋势，分散和形状，不包括 NaN值。
# 数据预处理
data = df.dropna(0)    # 删除所有包含空值的行或列
print(data.info())
# data = df.drop_duplicates()
# print(data.info())

# 获取年龄数据
data = data.copy()
data['年龄'] = [dt.datetime.today().year - i.year for i in pd.to_datetime(data["出生年月"])]    # 日期数据如何处理
x = data["年龄"]
# 设置统计分值段范围
print(data.describe())       # 查看最大值与最小值
bins = np.arange(35, 65, 5)
time_bins = pd.cut(x, bins)    # 对数据进行离散化处理
print(time_bins)
# 按积分分割区间进行分组统计
df1 = data.groupby(time_bins)["年龄"].count()
print(df1)
# 绘制图形
df1.plot(kind="bar", rot=0)
plt.rcParams['font.sans-serif'] = ['Kaiti']   # 用来正常显示中文（黑体）常用字体包括： Kaiti-楷体； FangSong-仿宋； Microsoft YaHei-微软雅黑
plt.rcParams['axes.unicode_minus'] = False
plt.show()