颱風天繼續在家裡打字

使用 Pandas 和 Numpy 這兩個 Python 庫在資料科學和分析領域中非常常見，提供了靈活且強大的資料操作功能。Numpy 主打高效的數值計算，特別是在處理多維陣列時展現出色效能；而 Pandas 則擅長處理結構化資料（如 CSV 或 Excel 格式），讓資料框（DataFrame）成為分析的核心結構。

以下是一個簡單的 Pandas 和 Numpy 資料分析範例，展示如何讀取 CSV 檔案、進行資料篩選及統計分析：

import pandas as pd
import numpy as np

# 讀取 CSV 資料
data = pd.read_csv('sales_data.csv')

# 檢查資料前五筆內容
print(data.head())

# 篩選出特定年份的資料，例如：2023 年
data_2023 = data[data['Year'] == 2023]

# 使用 Pandas 進行資料彙總：計算各產品在 2023 年的銷售總額
total_sales = data_2023.groupby('Product')['Sales'].sum()
print("2023 年各產品的銷售總額：\n", total_sales)

# 使用 Numpy 進行統計分析：計算銷售額的平均值和標準差
mean_sales = np.mean(total_sales)
std_sales = np.std(total_sales)
print(f"2023 年銷售額的平均值: {mean_sales:.2f}, 標準差: {std_sales:.2f}")

# 使用 Pandas 將結果儲存為新的 CSV 檔案
total_sales.to_csv('total_sales_2023.csv', index=True)

• 讀取資料 (pd.read_csv())：利用 read_csv() 將 sales_data.csv 轉換為 Pandas DataFrame 進行操作。
• 資料篩選 (data['Year'] == 2023)：篩選出指定年份（2023 年）的資料，形成新的 DataFrame data_2023。
• 資料彙總 (groupby() 和 sum())：使用 groupby() 依產品分類，並計算各產品在 2023 年的銷售總額。
• 統計分析 (np.mean() 和 np.std())：利用 Numpy 計算彙總後銷售額的平均值和標準差，這可以幫助了解銷售額的集中趨勢及波動範圍。
• 儲存結果 (to_csv())：將彙總結果輸出為新的 CSV 檔案 total_sales_2023.csv，以方便後續分析或分享。

這次的學習讓我更熟悉了 Pandas 與 Numpy 的基本操作，並且理解它們如何在資料分析流程中互補。但如果真的實際應用到課題裡，我可能還是要繼續深入學習，才能將 Pandas 與 Numpy 溶入我的程式中。

那今天就先這樣。