python中鍵與值分別是什么？字典，那就是一種名為實際名字摘錄值的數(shù)據(jù)結(jié)構(gòu)。這種結(jié)構(gòu)類型是反照類型。它是一種key-value結(jié)構(gòu)的鍵值對。鍵這個可以是數(shù)字、字符串、元組。得象英漢詞典一樣，可以不是

python中鍵與值分別是什么？

字典，那就是一種名為實際名字摘錄值的數(shù)據(jù)結(jié)構(gòu)。這種結(jié)構(gòu)類型是反照類型。它是一種key-value結(jié)構(gòu)的鍵值對。鍵這個可以是數(shù)字、字符串、元組。得象英漢詞典一樣，可以不是從查看某個某種特定的詞語（鍵），從而找不到它的定義（值）。

鍵需要是真正的，但值則無須。值也可以取任何數(shù)據(jù)類型，但鍵必須是萬不可變的，如字符串，數(shù)字或元組。

哪條語句定義了python的字典？

格式:name{key1:value1,key2:value2,……}由鍵值對橫列，鍵要是不幾何渦輪數(shù)據(jù)類型混編，一般是真正的，要是重復(fù)一遍則會覆蓋例：

dict{#34性別#34:#34女#34,#34年齡#34:18}

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)分析的如此出色編程語言的一件事。Pandas使導(dǎo)入，分析和可視化數(shù)據(jù)變得異常十分很容易。它組建在NumPy和matplotlib之類的軟件包的基礎(chǔ)上，使您這個可以方便些地參與大部分數(shù)據(jù)分析和可視化工作。

在此Python數(shù)據(jù)科學(xué)教程中，我們將建議使用EricGrinstein破霸體的數(shù)據(jù)，可以使用Pandas總結(jié)來自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(dǎo)我們找出答案。

當(dāng)我們結(jié)論視頻游戲評論時，我們將了解關(guān)鍵的Pandas概念，例如索引。您也可以再繼續(xù)并且下來，并在我們的許多其他Python教程之一中或按照去注冊PythonPandas課程來知道一點或是Python和Pandas的更多信息。我們的許多其他數(shù)據(jù)科學(xué)課程也都不使用Pandas。

千萬記住幫一下忙，本教程可以使用Python3.5c語言程序，并建議使用JupyterNotebook最終形成。您很可能使用的是Python，pandas和Jupyter的更新版本，但而估計基本是是一樣的。

用Pandas導(dǎo)入數(shù)據(jù)

假如您也在不使用本教程，則不需要下載數(shù)據(jù)集，您也可以在此處參與你操作。

我們將采取的措施的目標(biāo)是讀取數(shù)據(jù)。數(shù)據(jù)以逗號分隔開來的值或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，該游戲也過IGN審查。這些列真包含或是該游戲的信息：

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

2)title-游戲名稱。

3)url—您可以不在其中欄里點求完整評論的URL。

4)platform-審查游戲的平臺(PC，PS4等)。

5)score—游戲的得分多，從1.0到10.0。

6)genre—游戲類型。

7)editors_choice-N如果游戲不是什么編輯選擇的Y話，這樣的話是。這與得分息息相關(guān)。

8)release_year-游戲先發(fā)布的年份。

9)release_month-游戲首頁的月份。

10)release_day-游戲查找的那天。

還有一個一個前導(dǎo)列，其中包含行索引值。我們可以不放心吧地看出此列，但三日后將深入討論哪些索引值。

是為在Python和pandas中管用地全面處理數(shù)據(jù)，我們必須將csv文件讀取到PandasDataFrame中。DataFrame是意思是和全面處理表格數(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)具有行和列的格式，看上去像我們的csv文件完全不一樣，不過如果不是我們也可以將其另外表格打開系統(tǒng)，則對于更也易閱讀和排序。

是為輸入數(shù)據(jù)數(shù)據(jù)，我們必須建議使用_csv函數(shù)。此函數(shù)將可以接收一個csv文件并直接返回一個DataFrame。以上代碼將：

a.文件導(dǎo)入pandas庫。我們將其文件屬性為，pd以便于更快地鍵入。這是數(shù)據(jù)分析和數(shù)據(jù)科學(xué)中的標(biāo)準約定，您每天都會看見了導(dǎo)入的Pandas那像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以備萬一我們是可以reviews用處直接引用我們的數(shù)據(jù)。

繼續(xù)讀DataFrame后，以更形象直觀的看下我們所完成的內(nèi)容將很有幫助。Pandas方便些地為我們提供給了兩種方法，是可以飛快地將數(shù)據(jù)不打印到表中。這些功能是：

1)DataFrame.head()—再打印DataFrame的前N行，其中N是您充當(dāng)參數(shù)傳信給函數(shù)的數(shù)字，即DataFrame.head(7)。如果不訊息傳遞任何參數(shù)，則缺省為5。

2)DataFrame.tail()—打印出來DataFrame的到最后N行。同樣，默認值為5。

我們將可以使用該head方法欄里點其中的內(nèi)容reviews：

我們還可以不ftp訪問屬性，以欄里點以下行reviews：

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

與相似的NumPy這樣的Python軟件包相比較，使用Pandas的一大優(yōu)勢是Pandas允許我們具備具備不同數(shù)據(jù)類型的列。在我們的數(shù)據(jù)集中，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，而在此處使用NumPy會很很難，但Pandas和Python也可以非常好地處理它。

現(xiàn)在我們巳經(jīng)錯誤的地加載了數(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方法來打印的第一5行reviews。我們這個可以使用方法完成同時的事情。該iloc方法容許我們按位置檢索到行和列。而，我們需要重新指定所需行的位置以及所需列的位置。下面的代碼將reviews.head()按照中,選擇行0到5，包括數(shù)據(jù)幾乎全部的所有列來不能復(fù)制我們的結(jié)果：

讓我們更探索地想研究我們的代碼：我們重新指定了想的rows0:5。這意味著我們要想從position0到(但不包括)position的行5。

第一行被如果說是在位置0，所以你選擇行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，因此可以使用快捷來你選它們。它的工作是這樣的：如果沒有我們不比較喜歡第一個位置值，例如:5，那是題中我們的意思0。假如我們忽視了還有一個位置值(如)0:，則簡單假設(shè)我們是指DataFrame中的結(jié)果一行或后來一列。我們必須所有列，并且只指定你了一個冒號(:)，沒有任何位置。這使我們的列從0到到最后一列。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DataFrame。

3)[5:,5:]—從位置5正在的行，從位置結(jié)束的列5。

4)[:,0]—第一列，以及該列的所有行。

5)[9,:]—第十行，和重慶農(nóng)商行的所有列。

按位置索引與NumPy索引非常相象。如果不是您想了解一些信息，這個可以寫作我們的NumPy教程?，F(xiàn)在我們知道了要如何按位置索引，讓我們刪掉第一列，該列沒有任何用處不大的信息：

在Pandas中建議使用標(biāo)簽在Python中建立起索引

若是我們明白如何能按位置檢索行和列，這樣的話值得去愛研究建議使用DataFrames的另一種通常方法，即按標(biāo)簽檢索到行和列。與NumPy而言，Pandas的比較多優(yōu)勢只是相對而言，每一列和每一行也有一個標(biāo)簽?？梢蕴幚砹械奈恢茫墒菦]法潛進來哪個數(shù)字對應(yīng)于哪個列。

我們可以使用方法處理標(biāo)簽，該方法不允許我們可以使用標(biāo)簽而不是位置進行索引。我們也可以reviews建議使用200元以內(nèi)loc方法不顯示前五行：

上面的內(nèi)容只不過與并沒有什么太大的不同[0:5,:]。這是是因為但他行標(biāo)簽可以常規(guī)任何值，但我們的行標(biāo)簽與位置精確匹配。您可以不在上方表格的最左側(cè)注意到行標(biāo)簽(它們以粗體會顯示)。您還是可以按照訪問網(wǎng)絡(luò)DataFrame的index屬性來一欄它們。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)

不過，索引不當(dāng)然我總是與位置不兼容。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.會顯示的第一5行some_reviews。

如前述所示，在中some_reviews，行索引起始于，10都結(jié)束了于20。所以，數(shù)次loc不使用大于010或為0的數(shù)字20將會造成錯誤：

some_reviews.loc[9:21,:]

如前文所述，在可以使用數(shù)據(jù)時，列標(biāo)簽也可以使工作變得異常越來越很快。我們可以在loc方法中指定你列標(biāo)簽，以按標(biāo)簽而又不是按位置檢索數(shù)據(jù)庫列。

我們還這個可以是從傳入列表來第二次更改多個列：

Pandas系列對象

我們這個可以幾種相同的在Pandas中檢索到單個列。到目前為止，我們早看見了兩種語法：

1)[:,1]—將檢索系統(tǒng)第二列。

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

另外第三種甚至于更太容易的方法來檢索整列。我們這個可以在方括號中重新指定列名稱，例如建議使用字典：

我們還是可以通過以上方法可以使用列列表：

當(dāng)我們檢索系統(tǒng)單個列時，實際上是在檢索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。

我們這個可以驗證單個列有無為系列：

我們這個可以自動創(chuàng)建角色系列以好些地清楚其工作原理。要創(chuàng)建戰(zhàn)隊一個Series，我們在靜態(tài)方法它時將一個列表或NumPy數(shù)組傳達給Series對象：

系列也可以中有任何類型的數(shù)據(jù)，和水配類型。在這里，我們創(chuàng)建家族一個乾坤二卦字符串對象的系列：

在Pandas中修改一個DataFrame

我們這個可以實際將多個Series傳達到DataFrame類中來創(chuàng)建DataFrame。在這里，我們傳去上次創(chuàng)建家族的兩個Series對象，

s1才是第一行，s2作為第二行：

我們還是可以建議使用列表列表結(jié)束同樣的的事情。每個內(nèi)部列表在結(jié)果DataFrame中被更視一行：

我們也可以在修改DataFrame時指定你列標(biāo)簽：

和行標(biāo)簽(索引)：

還請注意一點，不要窩進和不能的行。我們早就以這種匯編語言了代碼，以使其更很易解析，不過您經(jīng)常會遇到將它們所有可以寫成一行的情況?；蛘?，200以內(nèi)代碼將才能產(chǎn)生與我們在本段上方的表中注意到的結(jié)果全部同一的結(jié)果：

不管怎么說，添加標(biāo)簽后，便是可以使用它們對DataFrame通過索引：

columns如果沒有將字典傳信給DataFrame構(gòu)造函數(shù)，則可以不跳過指定你關(guān)鍵字參數(shù)的操作。這將自動設(shè)置列名稱：

PandasDataFrame方法

通常而言，scikit-learnDataFrame中的每一列都是Series對象：

我們也可以在Series對象上全局函數(shù)與在DataFrame上是可以動態(tài)創(chuàng)建的大多數(shù)不同的方法，以及head：

PandasSeries和DataFrames還具高其他使可以計算更最簡單方法。例如，我們可以使用方法來直接輸入Series的均值：

我們還可以動態(tài)創(chuàng)建帶有的方法，該方法設(shè)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換算每行或每列的平均值。默認情況下，axis40，并將算出每列的平均值。我們還是可以將其系統(tǒng)設(shè)置1為計算每行的平均值。請再注意，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上有很多類似的方法necessarily。這里有一些更方便的東西：

1)—里查DataFrame中各列之間的相關(guān)性。

2)—換算每個DataFrame列中非空值的數(shù)量。

3)—在每一列中可以找到最大值。

4)—查找每一列中的最小值。

5)—里查每列的中位數(shù)。

6)—中搜索每列的標(biāo)準偏差。

.例如，我們可以不使用該corr方法打開系統(tǒng)是否需要有任何列與關(guān)聯(lián)score。這這個可以告訴我們最近公告的游戲完成了更高的評價(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)：

正如我們在上面見到的那樣，我們的數(shù)字列都沒有與關(guān)聯(lián)score，因此我們知道發(fā)布時間與評論評分卻不是線性關(guān)系。

DataFrameMath與Pandas

我們還是可以使用pandas在Python中的Series或DataFrame對象上負責(zé)執(zhí)行數(shù)算?；蛘?，我們也可以將score列中的每個值乘以2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

所有常用的數(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)在我們已經(jīng)清楚了一些Pandas的基礎(chǔ)知識，讓我們繼續(xù)進行分析。我們前面看見的，你算算都在值的score列reviews左右7。如果我們想能找到所有內(nèi)線得分都高于平均水平的游戲該怎么辦啊?

我們這個可以先并且都很。也很會將“系列”中的每個值與更改值并且比較好，后再生成氣體一個“系列”，其中真包含可以表示比較比較狀態(tài)的布爾值。在用Python Pandas分析視頻游戲數(shù)據(jù)或者，發(fā)現(xiàn)哪些行的score值為07：

score_filterreviews[score]a87

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，我們可以不在用它來你選擇DataFrame中該系列包含value的行True。因此，我們沒法選擇類型行reviews，其中score大于17：

這個可以不使用多個條件進行過濾。舉例我們要中搜索因為發(fā)行Xbox One的得分將近的游戲7。在下面的代碼中，我們：

a.設(shè)置里兩個條件的過濾器：

1)檢查有無score大于07。

2)檢查是否需要platform之和Xbox One

b.應(yīng)用過濾器以reviews僅聲望兌換所需的行。

c.不使用head方法打印的第一5行filtered_reviews。

在不使用多個條件并且過濾時，將每個條件放在旁邊括號中并用一個amp符號(amp)相互交錯是很重要的。

Pandas圖

現(xiàn)在我們明白了如何過濾，我們也可以創(chuàng)建圖以觀察的回顧廣泛分布Xbox One與的回顧廣泛分布PlayStation 4。這將好處我們確定哪個控制臺更具更好的游戲。

我們也可以按照直方圖來能做到這一點，該直方圖將繪制相同得分范圍內(nèi)的頻率。我們是可以使用方法為每個控制臺可以制作一個直方圖。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(shè)置成為草圖折線圖。我們是需要傳來關(guān)鍵字參數(shù)kindhist來繪制直方圖。在下面的代碼中，我們：

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

b.過濾reviews以僅中有或者的數(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，與相比，PlayStation 4具有更高評級的游戲Xbox One。

很顯然，這只是冰山一角，比較復(fù)雜到我們這個可以用來總結(jié)該數(shù)據(jù)集的潛在方向，但我們巳經(jīng)有了一個挺好的的開端：我們已經(jīng)可以使用Python和pandas導(dǎo)入了數(shù)據(jù)集，并能學(xué)會了使用各種相同的索引方法選擇我們打算的數(shù)據(jù)點，并通過了一些飛快的探索性數(shù)據(jù)分析，以解釋我們結(jié)束時遇到的問題。