python條件語句if和else的用法？在編程時，壓制在什么情況下正常運行什么代碼的流是非常重要的。大數(shù)據(jù)分析pythonifelse命令的作用類似數(shù)字交通警察，可讓您定義在不滿足某些條件時運行的代

python條件語句if和else的用法？

在編程時，壓制在什么情況下正常運行什么代碼的流是非常重要的。大數(shù)據(jù)分析pythonifelse命令的作用類似數(shù)字交通警察，可讓您定義在不滿足某些條件時運行的代碼塊。該ifelse語法是大數(shù)據(jù)分析python語法，你會能學的最有用的部分之一。

在本教程中，您將怎么學習如何使用大數(shù)據(jù)分析pythonifelse壓制代碼。我們題中您早所了解一些大數(shù)據(jù)分析python基礎(chǔ)知識，或者：

a.該如何無法讀取CSV文件

b.基本是的大數(shù)據(jù)分析python類型，或者列表，字符串和整數(shù)

c.使用for循環(huán)處理列表。

如果不是您因此還不滿意，我們我建議你您參加此能免費的交互式視頻大數(shù)據(jù)分析python基礎(chǔ)知識課程，該課程將研究員所有這些內(nèi)容(包括大數(shù)據(jù)分析pythonifarguments!)。

Taco數(shù)據(jù)集

我們將學習如何在可以使用ifelse數(shù)據(jù)集時使用大數(shù)據(jù)分析python，該數(shù)據(jù)集歸納了特定月份在Dataquest的在線聊天中可以使用的虛擬軟件炸玉米餅。

在AAA教育，我們在Slack中需要提供了虛擬充值玉米餅(在用HeyTaco)，以表示感謝或獎勵表現(xiàn)出色的同事。您可以不將炸玉米餅帶回去某人，以按照一條消息向您表示感謝，或者：

我們將對HeyTaco的數(shù)據(jù)并且一些分析，以回答無關(guān)人們的捐贈習慣的一些基本都問題。數(shù)據(jù)集儲存在CSV文件中

如何使用Python Pandas模塊讀取各類型文件？

Python的pandas庫是使Python下一界主要用于數(shù)據(jù)分析的出眾編程語言的一件事。Pandas使導(dǎo)入，分析和可視化數(shù)據(jù)變地更加很容易。它建立起在NumPy和matplotlib之類的軟件包的基礎(chǔ)上，使您這個可以比較方便地進行大部分數(shù)據(jù)分析和可視化工作。

在此Python數(shù)據(jù)科學教程中，我們將建議使用EricGrinstein抓取的數(shù)據(jù)，使用Pandas總結(jié)充斥流行的視頻游戲評論網(wǎng)站IGN的視頻游戲評論。哪個主機贏得了“控制臺大戰(zhàn)”(就游戲的審查而言)?該數(shù)據(jù)集將幫我們看出答案。

當我們分析什么視頻游戲評論時，我們將知道一點最重要的的Pandas概念，比如索引。您是可以一直接受開去，并在我們的許多其他Python教程之一中或是從去注冊PythonPandas課程來打聽一下關(guān)聯(lián)Python和Pandas的更多信息。我們的許多其他數(shù)據(jù)科學課程也都可以使用Pandas。

千萬要下，本教程使用Python3.5c語言程序，并建議使用JupyterNotebook構(gòu)建體系。您可能使帶的是Python，pandas和Jupyter的更新版本，但結(jié)果應(yīng)該是都差不多完全相同。

用Pandas導(dǎo)入數(shù)據(jù)

如果不是您正準備使用本教程，則必須直接下載數(shù)據(jù)集，您也可以在此處并且你的操作。

我們將采取什么措施的目標是讀取數(shù)據(jù)。數(shù)據(jù)以逗號相互交錯的值或csv文件存儲，其中每行用換行互相連通，每列用逗號(,)分隔。這是ign.csv文件的前幾行：

如您在上方看到的，文件中的每一行代表一個游戲，該游戲也過IGN審查。這些列真包含關(guān)聯(lián)該游戲的信息：

1)score_phrase—IGN如何用一個詞比喻游戲。這鏈接到它通知的分數(shù)。

2)title-游戲名稱。

3)url—您可以不在其中查看求完整評論的URL。

4)platform-審查游戲的平臺(PC，PS4等)。

5)score—游戲的得分，從1.0到10.0。

6)genre—游戲類型。

7)editors_choice-N假如游戲并非編輯選擇的Y話，這樣是。這與得分休戚相關(guān)。

8)release_year-游戲首頁的年份。

9)release_month-游戲先發(fā)布的月份。

10)release_day-游戲發(fā)布的那天。

還有一個一個前導(dǎo)列，其中中有行索引值。我們是可以放心好了地看出此列，但稍等將深入探討哪些索引值。

目的是在Python和pandas中比較有效地一次性處理數(shù)據(jù)，我們需要將csv文件讀取到PandasDataFrame中。DataFrame是表示和如何處理表格數(shù)據(jù)的一種，表格數(shù)據(jù)是表格形式的數(shù)據(jù)，比如電子表格。表格數(shù)據(jù)具備行和列的格式，得象我們的csv文件差不多，只不過如果沒有我們也可以將其作為表格查看，則對于更也易泛讀和排序。

目的是讀取數(shù)據(jù)數(shù)據(jù)，我們是需要不使用_csv函數(shù)。此函數(shù)將接收一個csv文件并直接返回一個DataFrame。以上代碼將：

a.文件導(dǎo)入pandas庫。我們將其文件名為，pd以備萬一越快地鍵入。這是數(shù)據(jù)分析和數(shù)據(jù)科學中的標準約定，您你經(jīng)常會見到導(dǎo)入的Pandas看上去像pd其他人的代碼完全不一樣。

b.讀ign.csv入一個DataFrame，并將結(jié)果怎么分配給一個名為的新變量，reviews以便我們這個可以reviews利用引用我們的數(shù)據(jù)。

讀完后DataFrame后，以更直觀的去看看我們所我得到的內(nèi)容將很有幫助。Pandas比較方便地為我們能提供了兩種方法，是可以快速地將數(shù)據(jù)打印出來到表中。這些功能是：

1)DataFrame.head()—可以打印DataFrame的前N行，其中N是您充當參數(shù)傳達消息給函數(shù)的數(shù)字，即DataFrame.head(7)。如果不是不傳信任何參數(shù)，則缺省設(shè)置為5。

2)DataFrame.tail()—打印DataFrame的結(jié)果N行。則是，默認值為5。

我們將在用該head方法欄里點其中的內(nèi)容reviews：

我們還可以不不能訪問屬性，以一欄以下行reviews：

如我們所見，所有內(nèi)容均已對的讀取數(shù)據(jù)-我們有18,625行和11列。

與相似的NumPy這樣的Python軟件包比起，建議使用Pandas的一大優(yōu)勢是Pandas不允許我們具備具高相同數(shù)據(jù)類型的列。在我們的數(shù)據(jù)幾乎全部，reviews我們有存儲浮點值(如)score，字符串值(如score_phrase)和整數(shù)(如)的列release_year，并且在此處可以使用NumPy會很困難，但Pandas和Python可以不非常好地處理它。

現(xiàn)在我們已經(jīng)對的地無法讀取了數(shù)據(jù)，讓我們結(jié)束成立索引reviews以獲取所需的行和列。

用Pandas索引DataFrames

之前，我們建議使用了該head方法來不打印的第一5行reviews。我們也可以使用方法成功同樣的事情。該iloc方法愿意我們按位置數(shù)據(jù)庫檢索行和列。為此，我們需要指定所需行的位置以及所需列的位置。下面的代碼將reviews.head()實際中,選擇行0到5，這些數(shù)據(jù)聚集的所有列來剪切粘貼我們的結(jié)果：

讓我們更潛近地研究什么我們的代碼：我們委托了是想的rows0:5。這意味著我們打算從position0到(但不以及)position的行5。

第一行被懷疑是在位置0，因此中,選擇行0:5給了我們行的位置0，1，2，3，和4。我們也不需要所有列，并且在用快捷來你選擇它們。它的工作是這樣的：如果我們不就是喜歡第一個位置值，例如:5，那是題中我們的意思0。要是我們看出了第一個位置值(如)0:，則可以假設(shè)我們是指DataFrame中的之后一行或結(jié)果一列。我們不需要所有列，因此只指定你了一個冒號(:)，沒有任何位置。這使我們的列從0到最后一列。以下是一些索引示例在內(nèi)結(jié)果：

1)[:5,:]—第一5行，在內(nèi)這些行的所有列。

2)[:,:]—整個DataFrame。

3)[5:,5:]—從位置5正在的行，從位置又開始的列5。

4)[:,0]—第一列，和該列的所有行。

5)[9,:]—第十行，包括瀘州銀行的所有列。

按位置索引與NumPy索引相當幾乎一樣。要是您想所了解一些信息，這個可以寫作我們的NumPy教程?，F(xiàn)在我們清楚了如何按位置索引，讓我們刪除掉第一列，該列沒有任何用處不大的信息：

在Pandas中建議使用標簽在Python中確立索引

要是我們明白了怎么按位置檢索系統(tǒng)行和列，這樣愿意研究什么不使用DataFrames的另一種要注意方法，即按標簽數(shù)據(jù)庫檢索行和列。與NumPy兩者相比，Pandas的比較多優(yōu)勢在于，每一列和每一行都有一個標簽?？梢砸淮涡蕴幚砹械奈恢茫墒菦]法跟蹤哪個數(shù)字按于哪個列。

我們是可以使用方法處理標簽，該方法不允許我們建議使用標簽而不是位置參與索引。我們是可以reviews在用200以內(nèi)loc方法沒顯示前五行：

上面的內(nèi)容但是與完全沒有太大的不同[0:5,:]。這是因為但他行標簽可以按結(jié)構(gòu)任何值，但我們的行標簽與位置值相。您是可以在上方表格的最左側(cè)看到行標簽(它們以粗體會顯示)。您還可以不實際不能訪問DataFrame的index屬性來查找它們。我們將顯示的行索引reviews：

Int64Index([0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99,...],dtypeint64)

但是，索引不一定老是與位置自動分配。在下面的代碼單元中，我們將：

a.獲取行10至行20的reviews，并分配結(jié)果some_reviews。

b.總是顯示的第一5行some_reviews。

睽車志所示，在中some_reviews，行索引成于，10結(jié)束后于20。并且，試圖loc可以使用大于110或大于1的數(shù)字20將可能導(dǎo)致錯誤：

some_reviews.loc[9:21,:]

具體而言，在在用數(shù)據(jù)時，列標簽可以不使工作變得異常十分隨意。我們這個可以在loc方法中指定列標簽，以按標簽而不是按位置檢索列。

我們還可以是從傳入列表來兩次更改多個列：

Pandas系列對象

我們是可以按照幾種不同的在Pandas中檢索數(shù)據(jù)庫單個列。到我所知道的，我們早見到了兩種語法：

1)[:,1]—將數(shù)據(jù)庫檢索第二列。

2)reviews.loc[:,score_phrase]—還將數(shù)據(jù)庫檢索第二列。

有第三種哪怕更太容易的方法來檢索整列。我們可以在方括號中指定列名稱，的或使用字典：

我們還也可以按照以下方法不使用列列表：

當我們數(shù)據(jù)庫檢索單個列時，只不過是在檢索系統(tǒng)Pandas Series對象。DataFrame存儲表格數(shù)據(jù)，而Series存儲數(shù)據(jù)的單列或單行。

我們也可以修改密保單個列如何確定為系列：

我們是可以手動啟動創(chuàng)建家族系列以更好地知道一點其工作原理。要創(chuàng)建一個Series，我們在實例化它時將一個列表或NumPy數(shù)組傳遞給Series對象：

系列是可以中有任何類型的數(shù)據(jù)，包括混合類型。在這里，我們創(chuàng)建角色一個中有字符串對象的系列：

在Pandas中創(chuàng)建家族一個DataFrame

我們是可以通過將多個Series傳信到DataFrame類中來創(chuàng)建家族DataFrame。在這里，我們傳來還未修改的兩個Series對象，

s1以及第一行，s2充當?shù)诙校?/p>

我們還可以不在用列表列表能完成同樣的事情。每個內(nèi)部列表在結(jié)果DataFrame中被斥之一行：

我們可以不在創(chuàng)建家族DataFrame時重新指定列標簽：

在內(nèi)行標簽(索引)：

還請注意一點，不要縮起和單獨的行。我們也以這種編譯程序了代碼，以使其更也易解析，不過您你經(jīng)常會遇見將它們完全改寫成一行的情況。例如，100元以內(nèi)代碼將出現(xiàn)與我們在本段上方的表中看見了的結(jié)果徹底相同的結(jié)果：

無論如何，去添加標簽后，便可以不建議使用它們對DataFrame參與索引：

columns如果不是將字典傳信給DataFrame構(gòu)造函數(shù)，則可以不蹦指定你關(guān)鍵字參數(shù)的操作。這將手動設(shè)置中列名稱：

PandasDataFrame方法

如前文所述，scikit-learnDataFrame中的每一列大都Series對象：

我們是可以在Series對象上動態(tài)創(chuàng)建與在DataFrame上可以不動態(tài)創(chuàng)建的大多數(shù)同一的方法，包括head：

PandasSeries和DataFrames還具備其他使計算更很簡單方法。的或，我們這個可以使用方法來查找Series的均值：

我們還是可以內(nèi)部函數(shù)類似的方法，該方法設(shè)置為情況下將查看DataFrame中每個數(shù)字列的平均值：

我們這個可以改axis關(guān)鍵字參數(shù)以mean可以計算每行或每列的平均值。默認情況下，axis等于0，并將算出每列的平均值。我們還可以不將其設(shè)置1為計算出每行的平均值。請盡量，這只會計算3行中數(shù)值的平均值：

(axis1)

0510.500

1510.500

2510.375

3510.125

4510.125

5509.750

6508.750

7510.250

8508.750

9509.750

10509.875

11509.875

12509.500

13509.250

14509.250

...

18610510.250

18611508.700

18612509.200

18613508.000

18614515.050

18615515.050

18616508.375

18617508.600

18618515.025

18619514.725

18620514.650

18621515.000

18622513.950

18623515.000

18624515.000

Length:18625,dtype:float64

Series和DataFrames上有很多類似的方法mean。這里有一些比較方便的東西：

1)—查找DataFrame中各列之間的相關(guān)性。

2)—計算出每個DataFrame列中非空值的數(shù)量。

3)—在每一列中不能找到的最值。

4)—查看每一列中的最小值。

5)—查看每列的中位數(shù)。

6)—中搜索每列的標準偏差。

的或，我們可以不不使用該corr方法一欄是否需要有任何列與關(guān)聯(lián)score。這可以說說我們最近首頁的游戲額外了更高的評價(release_year)，那就在年底之前查找的游戲完成任務(wù)了更好的評分(release_month)：

事實上我們在上面注意到的那樣的，我們的數(shù)字列都也沒與關(guān)聯(lián)score，因此我們很清楚發(fā)布時間與評論評分卻不是線性相關(guān)。

DataFrameMath與Pandas

我們還也可以不使用pandas在Python中的Series或DataFrame對象上想執(zhí)行數(shù)算。例如，我們可以將score列中的每個值除以22以將刻度從0–切換到10到0–5：

reviews[score]/2

04.50

14.50

24.25

34.25

44.25

53.50

61.50

74.50

81.50

93.50

103.75

113.75

123.50

134.50

144.50

...

186103.00

186112.90

186123.90

186134.00

186144.60

186154.60

186163.75

186174.20

186184.55

186193.95

186203.80

186214.50

186222.90

186235.00

186245.00

Name:score,Length:18625,dtype:float64

所有廣泛的數(shù)算符在Python的工作，如，-，*，/，和^將在系列或DataFrames大Pandas的工作，因此將適用于每一個元素在一個數(shù)據(jù)幀或一個系列。

Pandas中的布爾索引

現(xiàn)在我們也了解了一些Pandas的基礎(chǔ)知識，讓我們不再并且分析。我們前面看到的，總平均都在值的score列reviews左右7。要是我們想可以找到所有得分多都高于平均水平的游戲怎么辦啊?

我們是可以先接受都很。比較比較會將“系列”中的每個值與委托值接受比較比較，接著生成一個“系列”，其中真包含表示都很狀態(tài)的布爾值。使用Python Pandas總結(jié)視頻游戲數(shù)據(jù)的或，看到哪些行的score值小于7：

score_filterreviews[score]r267

score_filter

0True

1True

2True

3True

4True

5False

6False

7True

8False

9False

10True

11True

12False

13True

14True...

18610False

18611False

18612True

18613True

18614True

18615True

18616True

18617True

18618True

18619True

18620True

18621True

18622False

18623True

18624True

Name:score,Length:18625,dtype:bool

有了布爾系列后，我們也可以建議使用它來你選擇DataFrame中該系列包涵value的行True。所以，我們沒有辦法你選擇行reviews，其中score小于7：

可以不可以使用多個條件通過過濾。打比方我們要查看對于發(fā)行Xbox One的得分超過的游戲7。在下面的代碼中，我們：

a.可以設(shè)置兩個條件的過濾器：

1)檢查是否是score為07。

2)檢查是否platform相等Xbox One

b.應(yīng)用過濾器以reviews僅資源所需的行。

c.在用head方法不打印的第一5行filtered_reviews。

在建議使用多個條件參與過濾時，將每個條件放在括號中鐵鉤一個amp符號(amp)分隔開來是很不重要的。

Pandas圖

現(xiàn)在我們很清楚如何能過濾雜質(zhì)，我們是可以創(chuàng)建角以觀察的回顧曾經(jīng)廣泛分布Xbox One與的重新回顧其分布PlayStation 4。這將好處我們考慮哪個控制臺具高更好的游戲。

我們可以是從直方圖來能做到這一點，該直方圖將草圖完全不同得分范圍內(nèi)的頻率。我們可以使用方法為每個控制臺怎么制作一個直方圖。該方法用來幕后的流行Python繪圖庫matplotlib生成美觀的繪圖。

該plot方法設(shè)置為為手工繪制折線圖。我們不需要傳去關(guān)鍵字參數(shù)kindhist來繪制直方圖。在下面的代碼中，我們：

a.可致電%matplotlibinline以在Jupyter筆記本中系統(tǒng)設(shè)置繪圖。

b.過濾reviews以僅包涵無關(guān)的數(shù)據(jù)Xbox One。

c.手工繪制score列。

我們也是可以對PS4：

從我們的直方圖中可以猜想，與相比較，PlayStation 4更具更高評級的游戲Xbox One。

顯然，這僅僅冰山一角，涉及到我們可以不利用總結(jié)該數(shù)據(jù)集的潛在原因方向，但我們早就有了三個非常好的開端：我們也可以使用Python和pandas再導(dǎo)入了數(shù)據(jù)集，并要會了建議使用各種不同的索引方法選擇我們打算的數(shù)據(jù)點，并并且了一些迅速的探索性數(shù)據(jù)分析，以回答我們結(jié)束時遇到的問題。