python s1啥意思？s1是個(gè)字符串，應(yīng)該有單引號(hào)啊。s2是從文件里面讀出來(lái)的一個(gè)列表，如果不是真接用s1intos2會(huì)直接返回False,是因?yàn)閟1又不是s2的某個(gè)元素，只不過(guò)某個(gè)元素的其中一部

python s1啥意思？

s1是個(gè)字符串，應(yīng)該有單引號(hào)啊。s2是從文件里面讀出來(lái)的一個(gè)列表，如果不是真接用s1intos2會(huì)直接返回False,是因?yàn)閟1又不是s2的某個(gè)元素，只不過(guò)某個(gè)元素的其中一部分（4行加載到s2的時(shí)候，會(huì)在字符串末尾加一個(gè)

以及換行符），所以才假如要可以確定s1是否是在s2中，必須先把s2都變成一個(gè)字符串。代碼:：s1127.0.0.1s2[127.0.0.1:123

,123.456.789.1:412

](s2)如果沒(méi)有直接返回True，就意思是包涵其中。

python中布爾變量的值是？

中布爾變量的值是0或1，True普通整數(shù)值1，F(xiàn)alse相當(dāng)于整數(shù)值0

提供了bool類型來(lái)可以表示真（對(duì)）或假（錯(cuò)），比如說(shuō)最常見(jiàn)的一種的5gt3比較比較算式，這個(gè)是真確的，在程序世界里稱之為真（對(duì)），

不使用True來(lái)代表；再例如4gt20比較好算式，這個(gè)是出現(xiàn)錯(cuò)誤的，在程序世界里稱之為假（錯(cuò)），Python建議使用False來(lái)代表。

和False是Python中的關(guān)鍵字，當(dāng)作為Python代碼鍵入時(shí)，要先盡量字母的大小寫，不然的話解釋器會(huì)報(bào)錯(cuò)。

如何使用Python Pandas模塊讀取各類型文件？

Python的pandas庫(kù)是使Python下一界主要是用于數(shù)據(jù)分析的最出色編程語(yǔ)言的一件事。Pandas使導(dǎo)入，分析和可視化數(shù)據(jù)變得十分不容易。它組建在NumPy和matplotlib之類的軟件包的基礎(chǔ)上，使您這個(gè)可以方便啊地接受大部分?jǐn)?shù)據(jù)分析和可視化工作。

在此Python數(shù)據(jù)科學(xué)教程中，我們將建議使用EricGrinstein抓取的數(shù)據(jù)，建議使用Pandas結(jié)論不知從何而來(lái)流行的視頻游戲評(píng)論網(wǎng)站IGN的視頻游戲評(píng)論。哪個(gè)主機(jī)最終勝利了“控制臺(tái)大戰(zhàn)”(就游戲的審查而言)?該數(shù)據(jù)集將好處我們得出答案答案。

當(dāng)我們總結(jié)視頻游戲評(píng)論時(shí)，我們將清楚最重要的的Pandas概念，比如索引。您可以一直參與開(kāi)去，并在我們的許多其他Python教程之一中或按照注冊(cè)一PythonPandas課程來(lái)打聽(tīng)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(xué)課程也都可以使用Pandas。

謹(jǐn)記在心再看看，本教程不使用Python3.5編寫，并可以使用JupyterNotebook統(tǒng)合。您肯定建議使用的是Python，pandas和Jupyter的更新版本，但結(jié)果應(yīng)該是基本上不同。

用Pandas導(dǎo)入數(shù)據(jù)

如果您正準(zhǔn)備不使用本教程，則不需要下載數(shù)據(jù)集，您可以不在此處參與不能操作。

我們將采取什么措施的準(zhǔn)備是讀取數(shù)據(jù)。數(shù)據(jù)以逗號(hào)分隔的值或csv文件存儲(chǔ)，其中3行用換行分隔開(kāi)來(lái)，每列用逗號(hào)(,)分隔。這是ign.csv文件的前幾行：

如您在上方見(jiàn)到的，文件中的每一行代表一個(gè)游戲，該游戲也過(guò)IGN審查。這些列包涵或是該游戲的信息：

1)score_phrase—IGN要如何用一個(gè)詞用來(lái)形容游戲。這鏈接到它通知的分?jǐn)?shù)。

2)title-游戲名稱。

3)url—您是可以在其中欄里點(diǎn)求全部評(píng)論的URL。

4)platform-審查游戲的平臺(tái)(PC，PS4等)。

5)score—游戲的罰球得分，從1.0到10.0。

6)genre—游戲類型。

7)editors_choice-N如果不是游戲不是什么編輯選擇的Y話，那你是。這與得分很大關(guān)系。

8)release_year-游戲首頁(yè)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(gè)前導(dǎo)列，其中中有行索引值。我們也可以你不用擔(dān)心地忽略此列，但稍等片刻將深入的探討哪些索引值。

是為在Python和pandas中最有效地去處理數(shù)據(jù)，我們要將csv文件讀取到PandasDataFrame中。DataFrame是可以表示和處理表格數(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，得象我們的csv文件一樣的，只不過(guò)如果沒(méi)有我們是可以將其另外表格打開(kāi)系統(tǒng)，則對(duì)于更更易閱讀什么和排序。

目的是讀取數(shù)據(jù)數(shù)據(jù)，我們是需要使用_csv函數(shù)。此函數(shù)將接收一個(gè)csv文件并回一個(gè)DataFrame。100元以內(nèi)代碼將：

a.導(dǎo)入到pandas庫(kù)。我們將其重命名為，pd希望能夠慢了地輸入。這是數(shù)據(jù)分析和數(shù)據(jù)科學(xué)中的標(biāo)準(zhǔn)約定，您經(jīng)常會(huì)看見(jiàn)導(dǎo)入的Pandas就像pd其他人的代碼一樣。

b.讀ign.csv入一個(gè)DataFrame，并將結(jié)果分配給一個(gè)名為的新變量，reviews以備萬(wàn)一我們可以reviews為了摘錄我們的數(shù)據(jù)。

讀完后DataFrame后，以更非常直觀的看下我們所我得到的內(nèi)容將很有幫助。Pandas比較方便地為我們提供了兩種方法，可以急速地將數(shù)據(jù)打印到表中。這些功能是：

1)DataFrame.head()—打印DataFrame的前N行，其中N是您作為參數(shù)傳達(dá)消息給函數(shù)的數(shù)字，即DataFrame.head(7)。要是不傳信任何參數(shù)，則默認(rèn)設(shè)置為5。

2)DataFrame.tail()—不打印DataFrame的之后N行。同樣的，默認(rèn)值為5。

我們將不使用該head方法查找其中的內(nèi)容reviews：

我們還可以不ftp訪問(wèn)屬性，以打開(kāi)系統(tǒng)以下行reviews：

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

與帶有的NumPy這樣的Python軟件包相比，不使用Pandas的一大優(yōu)勢(shì)是Pandas允許我們強(qiáng)大具有差別數(shù)據(jù)類型的列。在我們的數(shù)據(jù)分散，reviews我們有存儲(chǔ)浮點(diǎn)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(huì)很難辦，但Pandas和Python也可以挺好地處理它。

現(xiàn)在我們也錯(cuò)誤的地讀取文件了數(shù)據(jù)，讓我們就開(kāi)始成立索引reviews以聲望兌換所需的行和列。

用Pandas索引DataFrames

之前，我們建議使用了該head方法來(lái)打印出來(lái)的第一5行reviews。我們也可以使用方法能夠完成雖然的事情。該iloc方法愿意我們按位置檢索數(shù)據(jù)庫(kù)行和列。甚至于，我們是需要重新指定所需行的位置和所需列的位置。下面的代碼將reviews.head()通過(guò)選擇類型行0到5，這些數(shù)據(jù)聚集的所有列來(lái)圖片文件夾我們的結(jié)果：

讓我們更潛近地去研究我們的代碼：我們更改了想的rows0:5。這意味著我們是想從position0到(但不和)position的行5。

第一行被懷疑是在位置0，所以你選行0:5給了我們行的位置0，1，2，3，和4。我們也要所有列，另外使用快捷來(lái)中,選擇它們。它的工作是這樣的：如果不是我們不不喜歡第一個(gè)位置值，例如:5，那是打比方我們的意思0。如果不是我們忽略了第一個(gè)位置值(如)0:，則簡(jiǎn)單假設(shè)我們是指DataFrame中的到最后一行或之后一列。我們是需要所有列，但只委托了一個(gè)冒號(hào)(:)，沒(méi)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以及結(jié)果：

1)[:5,:]—第一5行，這些這些行的所有列。

2)[:,:]—整個(gè)DataFrame。

3)[5:,5:]—從位置5結(jié)束的行，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，和中原銀行的所有列。

按位置索引與NumPy索引非常幾乎完全一樣。如果沒(méi)有您想清楚更大信息，是可以閱讀理解我們的NumPy教程?，F(xiàn)在我們很清楚了要如何按位置索引，讓我們徹底刪除第一列，該列沒(méi)有任何用處的信息：

在Pandas中可以使用標(biāo)簽在Python中成立索引

既然我們明白怎么按位置檢索數(shù)據(jù)庫(kù)行和列，那就愿意去研究建議使用DataFrames的另一種主要方法，即按標(biāo)簽檢索到行和列。與NumPy而言，Pandas的主要優(yōu)勢(shì)在于，每一列和每一行都有一個(gè)標(biāo)簽。這個(gè)可以處理列的位置，可是沒(méi)法潛進(jìn)來(lái)哪個(gè)數(shù)字隨機(jī)于哪個(gè)列。

我們這個(gè)可以使用方法處理標(biāo)簽，該方法容許我們使用標(biāo)簽而不是位置進(jìn)行索引。我們可以不reviews不使用以上loc方法沒(méi)顯示前五行：

上面的內(nèi)容只不過(guò)與并沒(méi)有什么太大的不同[0:5,:]。這是只不過(guò)事實(shí)上行標(biāo)簽這個(gè)可以常規(guī)任何值，但我們的行標(biāo)簽與位置匹配時(shí)。您可以不在上方表格的最左側(cè)見(jiàn)到行標(biāo)簽(它們以粗體會(huì)顯示)。您還也可以實(shí)際訪問(wèn)網(wǎng)絡(luò)DataFrame的index屬性來(lái)一欄它們。我們將會(huì)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版本問(wèn)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(jié)果some_reviews。

b.沒(méi)顯示的第一5行some_reviews。

睽車志所示，在中some_reviews，行索引起始于，10已經(jīng)結(jié)束于20。而，一段時(shí)間loc可以使用大于10或大于0的數(shù)字20將可能導(dǎo)致錯(cuò)誤：

some_reviews.loc[9:21,:]

具體而言，在在用數(shù)據(jù)時(shí)，列標(biāo)簽可以不使工作變得異常更加快的。我們也可以在loc方法中更改列標(biāo)簽，以按標(biāo)簽而并非按位置數(shù)據(jù)庫(kù)檢索列。

我們還這個(gè)可以按照傳入列表來(lái)三次指定多個(gè)列：

Pandas系列對(duì)象

我們是可以幾種完全不同的在Pandas中檢索數(shù)據(jù)庫(kù)單個(gè)列。到目前，我們已經(jīng)看到了兩種語(yǔ)法：

1)[:,1]—將檢索到第二列。

2)reviews.loc[:,score_phrase]—還將檢索系統(tǒng)第二列。

還有一個(gè)第三種甚至還更太容易的方法來(lái)數(shù)據(jù)庫(kù)檢索整列。我們可以在方括號(hào)中指定你列名稱，例如建議使用字典：

我們還可以按照100元以內(nèi)方法建議使用列列表：

當(dāng)我們檢索到單個(gè)列時(shí)，事實(shí)上是在檢索系統(tǒng)Pandas Series對(duì)象。DataFrame存儲(chǔ)表格數(shù)據(jù)，而Series存儲(chǔ)數(shù)據(jù)的單列或單行。

我們可以不驗(yàn)證單個(gè)列是否是為系列：

我們可以半自動(dòng)創(chuàng)建系列以更合適地知道一點(diǎn)其工作原理。要修改一個(gè)Series，我們?cè)跇?gòu)造器它時(shí)將一個(gè)列表或NumPy數(shù)組傳達(dá)消息給Series對(duì)象：

系列可以不乾坤二卦任何類型的數(shù)據(jù)，除了水的混合物類型。在這里，我們創(chuàng)建戰(zhàn)隊(duì)一個(gè)包涵字符串對(duì)象的系列：

在Pandas中創(chuàng)建角色一個(gè)DataFrame

我們是可以實(shí)際將多個(gè)Series傳遞到DataFrame類中來(lái)修改DataFrame。在這里，我們傳入剛剛創(chuàng)建家族的兩個(gè)Series對(duì)象，

s1以及第一行，s2另外第二行：

我們還可以不可以使用列表列表能夠完成同時(shí)的事情。每個(gè)內(nèi)部列表在結(jié)果DataFrame中被更視一行：

我們也可以在創(chuàng)建戰(zhàn)隊(duì)DataFrame時(shí)指定你列標(biāo)簽：

以及行標(biāo)簽(索引)：

還請(qǐng)?zhí)貏e注意，不是需要縮起和單獨(dú)的行。我們已經(jīng)以這種匯編語(yǔ)言了代碼，以使其更更易解析，但是您經(jīng)常會(huì)遇上將它們完全寫成一行的情況。的或，以下代碼將有一種與我們?cè)诒径紊戏降谋碇锌吹降慕Y(jié)果幾乎不同的結(jié)果：

不管如何，先添加標(biāo)簽后，便可以不使用它們對(duì)DataFrame進(jìn)行索引：

columns如果沒(méi)有將字典傳遞給DataFrame構(gòu)造函數(shù)，則可以跳更改關(guān)鍵字參數(shù)的操作。這將自動(dòng)出現(xiàn)設(shè)置列名稱：

PandasDataFrame方法

如所周知，dataframeDataFrame中的每一列全是Series對(duì)象：

我們可以在Series對(duì)象上內(nèi)部函數(shù)與在DataFrame上是可以動(dòng)態(tài)鏈接庫(kù)的大多數(shù)同一的方法，和head：

PandasSeries和DataFrames還具高其他使算出更簡(jiǎn)單方法。比如，我們可以不使用方法來(lái)查看Series的均值：

我們還可以不調(diào)用的的的方法，該方法默認(rèn)情況下將查找DataFrame中每個(gè)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換算每行或每列的平均值。默認(rèn)情況下，axis＝0，并將可以計(jì)算每列的平均值。我們還可以將其設(shè)置里1為算出每行的平均值。請(qǐng)注意，這只會(huì)計(jì)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上有很多帶有的方法mean。這里有一些更方便的東西：

1)—中搜索DataFrame中各列之間的相關(guān)性。

2)—計(jì)算每個(gè)DataFrame列中非空值的數(shù)量。

3)—在每一列中可以找到的最值。

4)—查看每一列中的最小值。

5)—中搜索每列的中位數(shù)。

6)—里查每列的標(biāo)準(zhǔn)偏差。

.例如，我們是可以可以使用該corr方法欄里點(diǎn)如何確定有任何列與關(guān)聯(lián)score。這也可以幫幫我們最近公告的游戲完成了更高的評(píng)價(jià)(release_year)，應(yīng)該在年底之前先發(fā)布的游戲我得到了更好的評(píng)分(release_month)：

很顯然我們?cè)谏厦婵匆?jiàn)了的現(xiàn)在這樣，我們的數(shù)字列都就沒(méi)與關(guān)聯(lián)score，但我們清楚發(fā)布時(shí)間與評(píng)論評(píng)分并不線性關(guān)系。

DataFrameMath與Pandas

我們還這個(gè)可以在用pandas在Python中的Series或DataFrame對(duì)象上執(zhí)行數(shù)算?；蛘?，我們可以不將score列中的每個(gè)值乘以52以將刻度從0–快速切換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

所有正確的數(shù)算符在Python的工作，如，-，*，/，和^將在系列或DataFrames大Pandas的工作，并且將范圍問(wèn)題于每一個(gè)元素在一個(gè)數(shù)據(jù)幀或一個(gè)系列。

Pandas中的布爾索引

現(xiàn)在我們?cè)缇痛蚵?tīng)一下了一些Pandas的基礎(chǔ)知識(shí)，讓我們?cè)俳邮芊治?。我們前面?jiàn)到的，平均都在值的score列reviews左右7。如果我們想找到所有罰球得分都高于平均水平的游戲怎么辦?

我們可以不先進(jìn)行也很。都很會(huì)將“系列”中的每個(gè)值與指定你值進(jìn)行都很，后再生成沉淀一個(gè)“系列”，其中包含表示比較好狀態(tài)的布爾值。不使用Python Pandas結(jié)論視頻游戲數(shù)據(jù).例如，發(fā)現(xiàn)哪些行的score值大于7：

score_filterreviews[score]rlm7

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，我們是可以可以使用它來(lái)你選DataFrame中該系列中有value的行True。因?yàn)?，我們不能選擇類型行reviews，其中score大于07：

這個(gè)可以不使用多個(gè)條件接受過(guò)濾。打比方我們要查找根據(jù)發(fā)行時(shí)Xbox One的得分將近的游戲7。在下面的代碼中，我們：

a.設(shè)置兩個(gè)條件的過(guò)濾器：

1)檢查如何確定score為07。

2)檢查是否platform相等Xbox One

b.應(yīng)用過(guò)濾器以reviews僅聲望兌換所需的行。

c.建議使用head方法打印出來(lái)的第一5行filtered_reviews。

在在用多個(gè)條件進(jìn)行過(guò)濾時(shí)，將每個(gè)條件放在括號(hào)中并用一個(gè)amp符號(hào)(amp)相互交錯(cuò)是很重要的。

Pandas圖

現(xiàn)在我們很清楚如何過(guò)濾處理，我們這個(gè)可以創(chuàng)建圖以觀察的回憶一下廣泛分布Xbox One與的回顧曾經(jīng)分布PlayStation 4。這將幫我們判斷哪個(gè)控制臺(tái)具備更好的游戲。

我們可以不實(shí)際直方圖來(lái)做到這一點(diǎn)，該直方圖將繪制的不同得分范圍內(nèi)的頻率。我們可以使用方法為每個(gè)控制臺(tái)自己制作一個(gè)直方圖。該方法憑借幕后的流行Python繪圖庫(kù)matplotlib生成美觀的繪圖。

該plot方法設(shè)置為草圖折線圖。我們是需要傳來(lái)關(guān)鍵字參數(shù)kindhist來(lái)繪制的直方圖。在下面的代碼中，我們：

a.咨詢%matplotlibinline以在Jupyter筆記本中設(shè)置中繪圖。

b.過(guò)濾reviews以僅真包含或是的數(shù)據(jù)Xbox One。

c.手工繪制score列。

我們也也可以對(duì)PS4：

從我們的直方圖中很難看出，與而言，PlayStation4本身更高評(píng)級(jí)的游戲Xbox One。

看樣子，這僅僅冰山一角，涉及到我們可以不利用講該數(shù)據(jù)集的潛在方向，但我們?cè)缇陀辛艘粋€(gè)很不錯(cuò)的開(kāi)端：我們巳經(jīng)不使用Python和pandas導(dǎo)入到了數(shù)據(jù)集，并學(xué)會(huì)了了使用各種不同的索引方法選擇我們想要的數(shù)據(jù)點(diǎn)，并通過(guò)了一些快速的探索性數(shù)據(jù)分析，以問(wèn)我們就開(kāi)始時(shí)遇到的問(wèn)題。