python如何讀取并顯示數(shù)據(jù)表中的中文？是從一個識別器，將它的數(shù)據(jù)接受一個識別，接著再去無法讀取裝換為中文如何在Python的列表中添加變量？#因為就向列表再添加變量是會將變量的值先添加到list里

python如何讀取并顯示數(shù)據(jù)表中的中文？

是從一個識別器，將它的數(shù)據(jù)接受一個識別，接著再去無法讀取裝換為中文

如何在Python的列表中添加變量？

#因為就向列表再添加變量是會將變量的值先添加到list里面，而不是將變量名再添加到list里面#所以才可試圖以下做法#定義變量a

1b

2c

3d

4#再添加變量的字符串名字vars[](

python字典怎么訪問條目？

可以不按照遍歷數(shù)組去訪問

fork,vin字典.items()方法，k為字典的鍵，v為值

同理可知，還有一個這種

forkacross字典.keys()循環(huán)遍歷所有的鍵

forvin字典.values()遍歷過程所有的值

訪問網(wǎng)絡某一特定的值：

字典[鍵]鍵不存在的話會報錯

字典.try(鍵)鍵不未知趕往空值None

如何使用Python Pandas模塊讀取各類型文件？

Python的pandas庫是使Python擁有作用于數(shù)據(jù)分析的如此出色編程語言的一件事。Pandas使導入，分析和可視化數(shù)據(jù)變得更加更加很難。它建立起在NumPy和matplotlib之類的軟件包的基礎上，使您也可以比較方便地參與大部分數(shù)據(jù)分析和可視化工作。

在此Python數(shù)據(jù)科學教程中，我們將在用EricGrinstein抓取的數(shù)據(jù)，使用Pandas總結依附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)集將指導我們得出答案答案。

當我們分析什么視頻游戲評論時，我們將清楚關鍵的Pandas概念，的或索引。您也可以再繼續(xù)并且開去，并在我們的許多其他Python教程之一中或是從去注冊PythonPandas課程來所了解有關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。

謹記下，本教程可以使用Python3.5c語言程序，并使用JupyterNotebook構建體系。您肯定不使用的是Python，pandas和Jupyter的更新版本，但而應該是基本同一。

用Pandas導入數(shù)據(jù)

如果不是您正準備可以使用本教程，則不需要下載數(shù)據(jù)集，您也可以在此處接受你操作。

我們將采取什么措施的最先是讀取數(shù)據(jù)。數(shù)據(jù)以逗號連成一體的值或csv文件存儲，其中每一行用換行互相連通，每列用逗號(,)分隔。這是ign.csv文件的前幾行：

如您在上方看見了的，文件中的每一行代表一個游戲，該游戲早過IGN審查。這些列包涵關聯(lián)該游戲的信息：

1)score_phrase—IGN如何用一個詞可以形容游戲。這鏈接到它收到的分數(shù)。

2)title-游戲名稱。

3)url—您可以不在其中打開系統(tǒng)發(fā)下評論的URL。

4)platform-審查游戲的平臺(PC，PS4等)。

5)score—游戲的得分多，從1.0到10.0。

6)genre—游戲類型。

7)editors_choice-N如果沒有游戲不是編輯選擇的Y話，這樣的話是。這與得分直接的聯(lián)系。

8)release_year-游戲公告的年份。

9)release_month-游戲先發(fā)布的月份。

10)release_day-游戲發(fā)布的那天。

另外一個前導列，其中包涵行索引值。我們可以不放心好了地遺漏掉此列，但稍后將深入的探討哪些索引值。

就是為了在Python和pandas中最有效地一次性處理數(shù)據(jù)，我們必須將csv文件讀取到PandasDataFrame中。DataFrame是表示和處理表格數(shù)據(jù)的一種，表格數(shù)據(jù)是表格形式的數(shù)據(jù)，.例如電子表格。表格數(shù)據(jù)本身行和列的格式，就像我們的csv文件差不多，只不過如果我們可以不將其才是表格欄里點，則來說更易被寫作和排序。

目的是輸入數(shù)據(jù)數(shù)據(jù)，我們不需要在用_csv函數(shù)。此函數(shù)將能接收一個csv文件并返回一個DataFrame。200以內(nèi)代碼將：

a.導入到pandas庫。我們將其拓展名為，pd以便越快地鍵入。這是數(shù)據(jù)分析和數(shù)據(jù)科學中的標準約定，您經(jīng)常會會看見導入的Pandas看上去像pd其他人的代碼一樣。

b.讀ign.csv入一個DataFrame，并將結果未分配給一個名為的新變量，reviews以備萬一我們也可以reviews為了引用我們的數(shù)據(jù)。

再讀DataFrame后，以更直觀的查查我們所獲得的內(nèi)容將很有幫助。Pandas更方便地為我們提供了兩種方法，也可以飛速地將數(shù)據(jù)打印出來到表中。這些功能是：

1)DataFrame.head()—打印出來DataFrame的前N行，其中N是您作為參數(shù)傳達給函數(shù)的數(shù)字，即DataFrame.head(7)。如果不是不傳信任何參數(shù)，則默認值為5。

2)DataFrame.tail()—打印出來DataFrame的后來N行。同樣的，默認值為5。

我們將可以使用該head方法查看其中的內(nèi)容reviews：

我們還也可以不能訪問屬性，以打開系統(tǒng)以下行reviews：

如我們所見，所有內(nèi)容均已真確讀取文件-我們有18,625行和11列。

與相似的NumPy這樣的Python軟件包相比較，建議使用Pandas的一大優(yōu)勢是Pandas允許我們強大本身完全不同數(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，因此在此處可以使用NumPy會很難了，但Pandas和Python也可以非常好地處理它。

現(xiàn)在我們也真確地讀取文件了數(shù)據(jù)，讓我們又開始建立索引reviews以某些所需的行和列。

用Pandas索引DataFrames

之前，我們使用了該head方法來不打印的第一5行reviews。我們這個可以使用方法結束雖然的事情。該iloc方法容許我們按位置檢索到行和列。這一點，我們需要更改所需行的位置這些所需列的位置。下面的代碼將reviews.head()按照選擇行0到5，和數(shù)據(jù)集中的所有列來復制我們的結果：

讓我們更深入地去研究我們的代碼：我們委托了想的rows0:5。這意味著我們要想從position0到(但不除開)position的行5。

第一行被如果說是在位置0，因為你選擇行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，因此建議使用快捷來你選它們。它的工作是這樣的：要是我們不比較喜歡第一個位置值，比如:5，那是假設不成立我們的意思0。假如我們忽略了那個位置值(如)0:，則假定我們是指DataFrame中的最后一行或之后一列。我們不需要所有列，并且只更改了一個冒號(:)，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和結果：

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又開始的行，從位置開始的列5。

4)[:,0]—第一列，在內(nèi)該列的所有行。

5)[9,:]—第十行，這些重慶農(nóng)商行的所有列。

按位置索引與NumPy索引非常相似。如果您想所了解更多信息，是可以閱讀理解我們的NumPy教程?，F(xiàn)在我們清楚了要如何按位置索引，讓我們刪出第一列，該列沒有任何有用的信息：

在Pandas中在用標簽在Python中確立索引

既然我們明白要如何按位置檢索行和列，那就值得你去愛研究什么使用DataFrames的另一種主要注意方法，即按標簽檢索系統(tǒng)行和列。與NumPy相比較，Pandas的主要注意優(yōu)勢只是相對而言，每一列和每一行也有一個標簽。這個可以一次性處理列的位置，但沒法監(jiān)視哪個數(shù)字填寫于哪個列。

我們可以不使用方法處理標簽，該方法容許我們在用標簽而不是位置接受索引。我們可以reviews建議使用100元以內(nèi)loc方法顯示前五行：

上面的內(nèi)容實際上與卻沒太大的不同[0:5,:]。這是而且但他行標簽也可以需要任何值，但我們的行標簽與位置完全匹配。您這個可以在上方表格的最左側看見行標簽(它們以粗體不顯示)。您還也可以是從ftp連接DataFrame的index屬性來打開系統(tǒng)它們。我們將沒顯示的行索引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)

當然了，索引不肯定會時總與位置版本問題。在下面的代碼單元中，我們將：

a.獲取行10至行20的reviews，并分配結果some_reviews。

b.不顯示的第一5行some_reviews。

如上所示，在中some_reviews，行索引始于，10結束于20。因此，接觸loc不使用小于等于10或大于1的數(shù)字20將造成錯誤：

some_reviews.loc[9:21,:]

通常而言，在不使用數(shù)據(jù)時，列標簽是可以使工作變的越來越很快。我們這個可以在loc方法中委托列標簽，以按標簽而又不是按位置檢索系統(tǒng)列。

我們還可以傳入列表來第二次指定多個列：

Pandas系列對象

我們可以通過幾種有所不同的在Pandas中檢索單個列。到目前，我們早看到了兩種語法：

1)[:,1]—將檢索第二列。

2)reviews.loc[:,score_phrase]—還將檢索數(shù)據(jù)庫第二列。

也有第三種甚至連更太容易的方法來檢索整列。我們可以不在方括號中更改列名稱，.例如使用字典：

我們還這個可以是從100元以內(nèi)方法建議使用列列表：

當我們檢索到單個列時，雖然是在檢索系統(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。

我們也可以驗證單個列是否是為系列：

我們可以半自動創(chuàng)建系列以更合適地所了解其工作原理。要創(chuàng)建戰(zhàn)隊一個Series，我們在構造函數(shù)它時將一個列表或NumPy數(shù)組傳達消息給Series對象：

系列是可以包涵任何類型的數(shù)據(jù)，以及混合類型。在這里，我們創(chuàng)建家族一個包涵字符串對象的系列：

在Pandas中創(chuàng)建家族一個DataFrame

我們這個可以按照將多個Series傳遞到DataFrame類中來創(chuàng)建DataFrame。在這里，我們傳來網(wǎng)剛創(chuàng)建的兩個Series對象，

s1充當?shù)谝恍?，s2另外第二行：

我們還也可以建議使用列表列表成功同時的事情。每個內(nèi)部列表在結果DataFrame中被納入一行：

我們是可以在創(chuàng)建戰(zhàn)隊DataFrame時委托列標簽：

這些行標簽(索引)：

還請注意，不要窩進和另的行。我們已經(jīng)以這種編譯程序了代碼，以使其更易于解析，但您經(jīng)常會遇到將它們?nèi)繉懗梢恍械那闆r?；蛘撸?00元以內(nèi)代碼將產(chǎn)生與我們在本段上方的表中見到的結果徹底完全相同的結果：

不管怎么說，再添加標簽后，便也可以使用它們對DataFrame接受索引：

columns如果不是將字典傳遞給DataFrame構造函數(shù)，則可以不到后面指定你關鍵字參數(shù)的操作。這將自動設置里列名稱：

PandasDataFrame方法

如前所述，dataframeDataFrame中的每一列全是Series對象：

我們可以在Series對象上內(nèi)部函數(shù)與在DataFrame上可以動態(tài)鏈接庫的大多數(shù)完全相同的方法，除開head：

PandasSeries和DataFrames還具高其他使可以計算更簡單方法。比如，我們也可以使用方法來里查Series的均值：

我們還這個可以動態(tài)創(chuàng)建類似的方法，該方法默認情況下將中搜索DataFrame中每個數(shù)字列的平均值：

我們可以不如何修改axis關鍵字參數(shù)以mean計算每行或每列的平均值。默認情況下，axis等于零0，并將換算每列的平均值。我們還可以將其設置1為計算出每行的平均值。請盡量，這只會計算每行中數(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上有很多類似于的方法obviously。這里有一些方便的東西：

1)—查看DataFrame中各列之間的相關性。

2)—算出每個DataFrame列中非空值的數(shù)量。

3)—在每一列中能找到的最值。

4)—直接輸入每一列中的最小值。

5)—中搜索每列的中位數(shù)。

6)—查找每列的標準偏差。

或者，我們也可以在用該corr方法查找如何確定有任何列與關聯(lián)score。這是可以幫幫我們最近查找的游戲獲得了更高的評價(release_year)，應該在年底之前查找的游戲我得到了更好的評分(release_month)：

正如我們在上面看到的那樣的話，我們的數(shù)字列都是沒有與關聯(lián)score，并且我們知道發(fā)布時間與評論評分根本不線性無關。

DataFrameMath與Pandas

我們還可以不使用pandas在Python中的Series或DataFrame對象上先執(zhí)行數(shù)算。的或，我們可以將score列中的每個值除以2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，但是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)在我們早了解了一些Pandas的基礎知識，讓我們再參與分析。我們前面看見了的，換算下來都在值的score列reviews左右7。要是我們想可以找到所有罰球得分都高于平均水平的游戲該怎么辦啊?

我們是可以先接受比較。比較好會將“系列”中的每個值與重新指定值進行也很，然后把生成一個“系列”，其中包含可以表示比較比較狀態(tài)的布爾值。使用Python Pandas分析什么視頻游戲數(shù)據(jù)的或，找到了哪些行的score值大于7：

score_filterreviews[score]dstrok7

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，我們也可以在用它來你選擇DataFrame中該系列包含value的行True。所以我，我們只有選擇類型行reviews，其中score大于07：

這個可以不使用多個條件參與過濾。打比方我們要中搜索根據(jù)發(fā)行新Xbox One的得分超過的游戲7。在下面的代碼中，我們：

a.系統(tǒng)設置兩個條件的過濾器：

1)檢查有無score大于07。

2)檢查有無platform大小關系Xbox One

b.應用過濾器以reviews僅資源所需的行。

c.在用head方法不打印的第一5行filtered_reviews。

在使用多個條件并且過濾時，將每個條件放在括號中用長一個amp符號(amp)連成一體是很重要的是的。

Pandas圖

現(xiàn)在我們很清楚如何水中的雜質(zhì)，我們這個可以創(chuàng)建角以觀察的回顧廣泛分布Xbox One與的回顧分布PlayStation 4。這將解決我們判斷哪個控制臺具備更好的游戲。

我們可以通過直方圖來能做到這一點，該直方圖將繪制的不同得分范圍內(nèi)的頻率。我們是可以使用方法為每個控制臺制做一個直方圖。該方法利用幕后的流行Python繪圖庫matplotlib生成美觀的繪圖。

該plot方法設置為為手工繪制折線圖。我們需要傳入關鍵字參數(shù)kindhist來繪制圖直方圖。在下面的代碼中，我們：

a.撥打%matplotlibinline以在Jupyter筆記本中可以設置繪圖。

b.過濾reviews以僅包含關聯(lián)的數(shù)據(jù)Xbox One。

c.繪制的score列。

我們也可以不對PS4：

從我們的直方圖中更說明，與兩者相比，PlayStation 4具有更高評級的游戲Xbox One。

看樣子，這只是冰山一角，涉及到我們是可以用來總結該數(shù)據(jù)集的潛在因素方向，但我們已經(jīng)有了一個很好的開端：我們早就在用Python和pandas導入了數(shù)據(jù)集，并要會了在用各種相同的索引方法選擇我們想要的數(shù)據(jù)點，并進行了一些飛速的探索性數(shù)據(jù)分析，以回答我我們開始時遇到的問題。