python怎么弄成中文？步驟/簡單的方法直接點擊電腦上的開始菜單，在開始菜單中按裝的python目錄下直接點擊‘IDLE(Python3.664-bit)，直接進入IDLE。步驟/然后把在打開的頁面

python怎么弄成中文？

步驟/

簡單的方法直接點擊電腦上的開始菜單，在開始菜單中按裝的python目錄下直接點擊‘IDLE(Python3.664-bit)，直接進入IDLE。

步驟/

然后把在打開的頁面，看的到設置字體大小決定一個直觀的展示，都覺得決定大一點也很好。

步驟/

再點菜單欄的【Options】，后再再點【ConfigureIDLE】。

步驟/

然后再在然后打開的窗口頁面中，默認字體是新宋體，大小是size4。

步驟/

到最后參照自己是需要系統(tǒng)設置字體大小后，再點擊【去確認】即可該成中文。

如何使用Python Pandas模塊讀取各類型文件？

Python的pandas庫是使Python擁有主要用于數(shù)據(jù)分析的高超編程語言的一件事。Pandas使導入，分析和可視化數(shù)據(jù)變的極其不容易。它建立在NumPy和matplotlib之類的軟件包的基礎(chǔ)上，使您也可以方便些地進行大部分數(shù)據(jù)分析和可視化工作。

在此Python數(shù)據(jù)科學教程中，我們將使用EricGrinstein直接抓取的數(shù)據(jù)，建議使用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。哪個主機贏得漂亮了“控制臺大戰(zhàn)”(就游戲的審查而言)?該數(shù)據(jù)集將指導我們找出答案。

當我們講視頻游戲評論時，我們將了解關(guān)鍵的Pandas概念，.例如索引。您可以再繼續(xù)接受出去，并在我們的許多其他Python教程之一中或按照需要注冊PythonPandas課程來知道一點關(guān)聯(lián)Python和Pandas的更多信息。我們的許多其他數(shù)據(jù)科學課程也都建議使用Pandas。

千萬要一下，本教程不使用Python3.5編譯程序，并不使用JupyterNotebook構(gòu)建體系。您可能會可以使用的是Python，pandas和Jupyter的更新版本，但結(jié)果估計基本都相同。

用Pandas導入數(shù)據(jù)

假如您正在不使用本教程，則需要去下載數(shù)據(jù)集，您也可以在此處接受你的操作。

我們將采取的措施的最先是讀取數(shù)據(jù)。數(shù)據(jù)以逗號相互交錯的值或csv文件存儲，其中5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，該游戲已經(jīng)過IGN審查。這些列中有關(guān)聯(lián)該游戲的信息：

1)score_phrase—IGN怎么用一個詞可以形容游戲。這鏈接到它收到消息的分數(shù)。

2)title-游戲名稱。

3)url—您可以不在其中一欄發(fā)下評論的URL。

4)platform-審查游戲的平臺(PC，PS4等)。

5)score—游戲的內(nèi)線得分，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，那你是。這與得分直接的聯(lián)系。

8)release_year-游戲先發(fā)布的年份。

9)release_month-游戲公告的月份。

10)release_day-游戲公告的那天。

有一個前導列，其中中有行索引值。我們也可以放心地選擇性的遺忘此列，但稍等片刻將深入探討哪些索引值。

為了在Python和pandas中快速有效地如何處理數(shù)據(jù)，我們要將csv文件讀取到PandasDataFrame中。DataFrame是意思是和去處理表格數(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)更具行和列的格式，那像我們的csv文件完全不一樣，只不過要是我們這個可以將其作為表格打開系統(tǒng)，則對于更易于寫作和排序。

是為輸入數(shù)據(jù)數(shù)據(jù)，我們要不使用_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。我們將其文件名為，pd以便于更快地再輸入。這是數(shù)據(jù)分析和數(shù)據(jù)科學中的標準約定，您偶爾會會看到導入的Pandas得象pd其他人的代碼一樣。

b.讀ign.csv入一個DataFrame，并將結(jié)果未分配給一個名為的新變量，reviews以便我們這個可以reviews用來直接引用我們的數(shù)據(jù)。

繼續(xù)讀DataFrame后，以更直觀的去看看我們所完成任務的內(nèi)容將很有幫助。Pandas更方便地為我們提供給了兩種方法，是可以急速地將數(shù)據(jù)打印出來到表中。這些功能是：

1)DataFrame.head()—不打印DataFrame的前N行，其中N是您作為參數(shù)訊息傳遞給函數(shù)的數(shù)字，即DataFrame.head(7)。如果不是不傳達任何參數(shù)，則默認設置為5。

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

我們將可以使用該head方法打開系統(tǒng)其中的內(nèi)容reviews：

我們還可以不訪問網(wǎng)絡屬性，以一欄以下行reviews：

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

與類似于的NumPy這樣的Python軟件包相比，在用Pandas的一大優(yōu)勢是Pandas容許我們強大本身有所不同數(shù)據(jù)類型的列。在我們的數(shù)據(jù)分散，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，并且在此處建議使用NumPy會很難了，但Pandas和Python可以挺好地處理它。

現(xiàn)在我們已經(jīng)真確地讀取了數(shù)據(jù)，讓我們就開始建立索引reviews以獲取所需的行和列。

用Pandas索引DataFrames

之前，我們在用了該head方法來可以打印的第一5行reviews。我們可以使用方法成功雖然的事情。該iloc方法允許我們按位置檢索到行和列。這一點，我們必須指定所需行的位置以及所需列的位置。下面的代碼將reviews.head()按照你選擇行0到5，包括數(shù)據(jù)集中在一起的所有列來不能復制我們的結(jié)果：

讓我們更探索地研究什么我們的代碼：我們指定你了想要的rows0:5。這意味著我們打算從position0到(但不除了)position的行5。

第一行被以為是在位置0，因此選擇類型行0:5給了我們行的位置0，1，2，3，和4。我們也是需要所有列，而且在用快捷來中,選擇它們。它的工作是這樣的：假如我們不不喜歡第一個位置值，或者:5，那是打比方我們的意思0。如果我們遺漏掉了還有一個位置值(如)0:，則假設條件我們是指DataFrame中的最后一行或之后一列。我們要所有列，而只更改了一個冒號(:)，沒有任何位置。這使我們的列從0到之后一列。以下是一些索引示例這些結(jié)果：

1)[:5,:]—第一5行，以及這些行的所有列。

2)[:,:]—整個DataFrame。

3)[5:,5:]—從位置5又開始的行，從位置正在的列5。

4)[:,0]—第一列，以及該列的所有行。

5)[9,:]—第十行，和該行的所有列。

按位置索引與NumPy索引的很相象。如果沒有您想知道一點更大信息，可以不閱讀我們的NumPy教程?，F(xiàn)在我們很清楚了如何按位置索引，讓我們刪出第一列，該列沒有任何用處不大的信息：

在Pandas中在用標簽在Python中建立起索引

若是我們清楚如何能按位置檢索系統(tǒng)行和列，這樣的話值得你去愛做研究使用DataFrames的另一種比較多方法，即按標簽檢索數(shù)據(jù)庫行和列。與NumPy相比，Pandas的比較多優(yōu)勢取決于人，每一列和每一行都有一個標簽。這個可以一次性處理列的位置，只不過不是那么容易跟蹤哪個數(shù)字不對應于哪個列。

我們是可以使用方法處理標簽，該方法不允許我們可以使用標簽而不是位置通過索引。我們也可以reviews建議使用200以內(nèi)loc方法顯示前五行：

上面的內(nèi)容事實上與根本不會太大的不同[0:5,:]。這是只不過但他行標簽是可以需要任何值，但我們的行標簽與位置匹配時。您這個可以在上方表格的最左側(cè)看見了行標簽(它們以粗體顯示)。您還可以不按照ftp連接DataFrame的index屬性來一欄它們。我們將不顯示的行索引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，索引不一定總是會與位置不兼容。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.顯示的第一5行some_reviews。

如本所示，在中some_reviews，行索引最初起源于，10結(jié)束于20。并且，試圖loc建議使用大于010或大于的數(shù)字20將倒致錯誤：

some_reviews.loc[9:21,:]

通常而言，在使用數(shù)據(jù)時，列標簽是可以使工作變得更加快的。我們這個可以在loc方法中指定列標簽，以按標簽而又不是按位置檢索列。

我們還可以不按照傳入列表來三次更改多個列：

Pandas系列對象

我們這個可以通過幾種不同的在Pandas中檢索單個列。到目前為止，我們也看見了兩種語法：

1)[:,1]—將檢索到第二列。

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

另外第三種哪怕更不容易的方法來檢索系統(tǒng)整列。我們可以不在方括號中更改列名稱，.例如不使用字典：

我們還這個可以是從以下方法建議使用列列表：

當我們檢索到單個列時，事實上是在檢索系統(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。

我們可以不驗正單個列是否是為系列：

我們可以半自動創(chuàng)建戰(zhàn)隊系列以好地了解其工作原理。要修改一個Series，我們在實例化它時將一個列表或NumPy數(shù)組傳信給Series對象：

系列是可以乾坤二卦任何類型的數(shù)據(jù)，包括混和類型。在這里，我們創(chuàng)建一個包含字符串對象的系列：

在Pandas中創(chuàng)建一個DataFrame

我們這個可以是從將多個Series傳遞到DataFrame類中來創(chuàng)建角色DataFrame。在這里，我們傳出上次創(chuàng)建戰(zhàn)隊的兩個Series對象，

s1充當?shù)谝恍?，s2以及第二行：

我們還也可以可以使用列表列表完成雖然的事情。每個內(nèi)部列表在結(jié)果DataFrame中被視為一行：

我們這個可以在創(chuàng)建角色DataFrame時指定你列標簽：

和行標簽(索引)：

還請注意一點，不要拱進和另外的行。我們早就以這種匯編語言了代碼，以使其更易于解析，不過您你經(jīng)常會遇到將它們所有的可以寫成一行的情況。比如，以上代碼將出現(xiàn)與我們在本段上方的表中看見了的結(jié)果全部不同的結(jié)果：

無論如何，再添加標簽后，便是可以不使用它們對DataFrame參與索引：

columns要是將字典傳遞給DataFrame構(gòu)造函數(shù)，則是可以跳重新指定關(guān)鍵字參數(shù)的操作。這將手動可以設置列名稱：

PandasDataFrame方法

具體而言，pandasDataFrame中的每一列都是Series對象：

我們可以不在Series對象上調(diào)用與在DataFrame上也可以動態(tài)創(chuàng)建的大多數(shù)相同的方法，以及head：

PandasSeries和DataFrames還更具其他使計算更簡單的方法。.例如，我們這個可以使用方法來中搜索Series的均值：

我們還可以不內(nèi)部函數(shù)類似的方法，該方法設置成情況下將查看DataFrame中每個數(shù)字列的平均值：

我們可以不如何修改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，并將換算每列的平均值。我們還是可以將其設置中1為計算每行的平均值。請盡量，這只會計算5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上有很多的的的方法necessarily。這里有一些方便啊的東西：

1)—中搜索DataFrame中各列之間的相關(guān)性。

2)—可以計算每個DataFrame列中非空值的數(shù)量。

3)—在每一列中可以找到大值。

4)—查找每一列中的最小值。

5)—查看每列的中位數(shù)。

6)—查看每列的標準偏差。

或者，我們是可以不使用該corr方法打開系統(tǒng)是否需要有任何列與關(guān)聯(lián)score。這可以幫幫我們最近查找的游戲完成任務了更高的評價(release_year)，我還是在年底之前先發(fā)布的游戲我得到了更好的評分(release_month)：

正如我們在上面看到的這樣，我們的數(shù)字列都沒有與關(guān)聯(lián)score，而我們知道發(fā)布時間與評論評分根本不線性無關(guān)。

DataFrameMath與Pandas

我們還可以不可以使用pandas在Python中的Series或DataFrame對象上執(zhí)行數(shù)算。.例如，我們這個可以將score列中的每個值乘以52以將刻度從0–直接切換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

所有具體方法的數(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)在我們也清楚了一些Pandas的基礎(chǔ)知識，讓我們再參與分析。我們前面見到的，平均都在值的score列reviews左右7。要是我們想找到所有內(nèi)線得分都高于平均水平的游戲咋辦?

我們可以先通過都很。比較比較會將“系列”中的每個值與重新指定值接受都很，后再化合一個“系列”，其中包含意思是比較狀態(tài)的布爾值。建議使用Python Pandas分析視頻游戲數(shù)據(jù).例如，發(fā)現(xiàn)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，我們也可以可以使用它來中,選擇DataFrame中該系列真包含value的行True。所以，我們沒法選擇行reviews，其中score大于07：

是可以使用多個條件進行過濾。假設不成立我們要查找是對連續(xù)發(fā)行Xbox One的得分最多的游戲7。在下面的代碼中，我們：

a.設置里兩個條件的過濾器：

1)檢查如何確定score為07。

2)檢查是否是platform成比例Xbox One

b.應用過濾器以reviews僅資源所需的行。

c.可以使用head方法再打印的第一5行filtered_reviews。

在建議使用多個條件接受過濾時，將每個條件放在旁邊括號中用此一個amp符號(amp)相互交錯是很不重要的。

Pandas圖

現(xiàn)在我們清楚如何過濾處理，我們可以修改圖以觀察的回憶一下分布特點Xbox One與的再次回顧分布PlayStation 4。這將解決我們確認哪個控制臺具高更好的游戲。

我們是可以直方圖來能做到這一點，該直方圖將草圖不同得分范圍內(nèi)的頻率。我們這個可以使用方法為每個控制臺自己制作一個直方圖。該方法憑借幕后的流行Python繪圖庫matplotlib生成美觀的繪圖。

該plot方法默認為繪制折線圖。我們是需要傳來關(guān)鍵字參數(shù)kindhist來手工繪制直方圖。在下面的代碼中，我們：

a.咨詢%matplotlibinline以在Jupyter筆記本中設置里繪圖。

b.過濾reviews以僅真包含關(guān)聯(lián)的數(shù)據(jù)Xbox One。

c.草圖score列。

我們也是可以對PS4：

從我們的直方圖中更說明，與比起，PlayStation 4具高更高評級的游戲Xbox One。

顯然，這只是因為冰山一角，涉及到我們也可以用處總結(jié)該數(shù)據(jù)集的潛在因素方向，但我們已經(jīng)有了個非常好的開端：我們早在用Python和pandas導入了數(shù)據(jù)集，并學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，并進行了一些飛快的探索性數(shù)據(jù)分析，以問我們就開始時遇到的問題。