python條件語(yǔ)句if和else的用法？在編程時(shí)，壓制在什么情況下正常運(yùn)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(lèi)似數(shù)字交通警察，可讓您定義在不滿足某些條件時(shí)運(yùn)行的代

python條件語(yǔ)句if和else的用法？

在編程時(shí)，壓制在什么情況下正常運(yùn)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(lèi)似數(shù)字交通警察，可讓您定義在不滿足某些條件時(shí)運(yùn)行的代碼塊。該ifelse語(yǔ)法是大數(shù)據(jù)分析python語(yǔ)法，你會(huì)能學(xué)的最有用的部分之一。

在本教程中，您將怎么學(xué)習(xí)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(shí)，或者：

a.該如何無(wú)法讀取CSV文件

b.基本是的大數(shù)據(jù)分析python類(lèi)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(fèi)的交互式視頻大數(shù)據(jù)分析python基礎(chǔ)知識(shí)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(xué)習(xí)如何在可以使用ifelse數(shù)據(jù)集時(shí)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?cè)赟lack中需要提供了虛擬充值玉米餅(在用HeyTaco)，以表示感謝或獎(jiǎng)勵(lì)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(duì)HeyTaco的數(shù)據(jù)并且一些分析，以回答無(wú)關(guān)人們的捐贈(zèng)習(xí)慣的一些基本都問(wèn)題。數(shù)據(jù)集儲(chǔ)存在CSV文件中

如何使用Python Pandas模塊讀取各類(lèi)型文件？

Python的pandas庫(kù)是使Python下一界主要用于數(shù)據(jù)分析的出眾編程語(yǔ)言的一件事。Pandas使導(dǎo)入，分析和可視化數(shù)據(jù)變地更加很容易。它建立起在NumPy和matplotlib之類(lèi)的軟件包的基礎(chǔ)上，使您這個(gè)可以比較方便地進(jìn)行大部分?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)，使用Pandas總結(jié)充斥流行的視頻游戲評(píng)論網(wǎng)站IGN的視頻游戲評(píng)論。哪個(gè)主機(jī)贏得了“控制臺(tái)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(dāng)我們分析什么視頻游戲評(píng)論時(shí)，我們將知道一點(diǎn)最重要的的Pandas概念，比如索引。您是可以一直接受開(kāi)去，并在我們的許多其他Python教程之一中或是從去注冊(cè)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。

千萬(wàn)要下，本教程使用Python3.5c語(yǔ)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(zhǔn)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(biāo)是讀取數(shù)據(jù)。數(shù)據(jù)以逗號(hào)相互交錯(cuò)的值或csv文件存儲(chǔ)，其中每行用換行互相連通，每列用逗號(hào)(,)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(gè)游戲，該游戲也過(guò)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(gè)詞比喻游戲。這鏈接到它通知的分?jǐn)?shù)。

2)title-游戲名稱(chēng)。

3)url—您可以不在其中查看求完整評(píng)論的URL。

4)platform-審查游戲的平臺(tái)(PC，PS4等)。

5)score—游戲的得分，從1.0到10.0。

6)genre—游戲類(lèi)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(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。

還有一個(gè)一個(gè)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(guò)如果沒(méi)有我們也可以將其作為表格查看，則對(duì)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(gè)csv文件并直接返回一個(gè)DataFrame。以上代碼將：

a.文件導(dǎo)入pandas庫(kù)。我們將其文件名為，pd以備萬(wàn)一越快地鍵入。這是數(shù)據(jù)分析和數(shù)據(jù)科學(xué)中的標(biāo)準(zhǔn)約定，您你經(jīng)常會(huì)見(jiàn)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(gè)DataFrame，并將結(jié)果怎么分配給一個(gè)名為的新變量，reviews以便我們這個(gè)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(lái)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(dāng)參數(shù)傳達(dá)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(rèn)值為5。

我們將在用該head方法欄里點(diǎn)其中的內(nèi)容reviews：

我們還可以不不能訪問(wèn)屬性，以一欄以下行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。

與相似的NumPy這樣的Python軟件包比起，建議使用Pandas的一大優(yōu)勢(shì)是Pandas不允許我們具備具高相同數(shù)據(jù)類(lèi)型的列。在我們的數(shù)據(jù)幾乎全部，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，并且在此處可以使用NumPy會(huì)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(duì)的地?zé)o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(lái)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(kù)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(shí)際中,選擇行0到5，這些數(shù)據(jù)聚集的所有列來(lái)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(lái)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(gè)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(gè)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(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(gè)DataFrame。

3)[5:,5:]—從位置5正在的行，從位置又開(kāi)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(dāng)幾乎一樣。要是您想所了解一些信息，這個(gè)可以寫(xiě)作我們的NumPy教程。現(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(méi)有任何用處不大的信息：

在Pandas中建議使用標(biāo)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(biāo)簽數(shù)據(jù)庫(kù)檢索行和列。與NumPy兩者相比，Pandas的比較多優(yōu)勢(shì)在于，每一列和每一行都有一個(gè)標(biāo)簽。可以一次性處理列的位置，可是沒(méi)法跟蹤哪個(gè)數(shù)字按于哪個(gè)列。

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

上面的內(nèi)容但是與完全沒(méi)有太大的不同[0:5,:]。這是因?yàn)榈袠?biāo)簽可以按結(jié)構(gòu)任何值，但我們的行標(biāo)簽與位置值相。您是可以在上方表格的最左側(cè)看到行標(biāo)簽(它們以粗體會(huì)顯示)。您還可以不實(shí)際不能訪問(wèn)DataFrame的index屬性來(lái)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(dòng)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(chē)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(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十分隨意。我們這個(gè)可以在loc方法中指定列標(biāo)簽，以按標(biāo)簽而不是按位置檢索列。

我們還可以是從傳入列表來(lái)兩次更改多個(gè)列：

Pandas系列對(duì)象

我們是可以按照幾種不同的在Pandas中檢索數(shù)據(jù)庫(kù)單個(gè)列。到我所知道的，我們?cè)缫?jiàn)到了兩種語(yǔ)法：

1)[:,1]—將數(shù)據(jù)庫(kù)檢索第二列。

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

有第三種哪怕更太容易的方法來(lái)檢索整列。我們可以在方括號(hào)中指定列名稱(chēng)，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(dāng)我們數(shù)據(jù)庫(kù)檢索單個(gè)列時(shí)，只不過(guò)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。

我們也可以修改密保單個(gè)列如何確定為系列：

我們是可以手動(dòng)啟動(dòng)創(chuàng)建家族系列以更好地知道一點(diǎn)其工作原理。要?jiǎng)?chuàng)建一個(gè)Series，我們?cè)趯?shí)例化它時(shí)將一個(gè)列表或NumPy數(shù)組傳遞給Series對(duì)象：

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

在Pandas中創(chuàng)建家族一個(gè)DataFrame

我們是可以通過(guò)將多個(gè)Series傳信到DataFrame類(lèi)中來(lái)創(chuàng)建家族DataFrame。在這里，我們傳來(lái)還未修改的兩個(gè)Series對(duì)象，

s1以及第一行，s2充當(dāng)?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(gè)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(shí)重新指定列標(biāo)簽：

在內(nèi)行標(biāo)簽(索引)：

還請(qǐng)注意一點(diǎn)，不要縮起和單獨(dú)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(guò)您你經(jīng)常會(huì)遇見(jiàn)將它們完全改寫(xiě)成一行的情況。例如，100元以?xún)?nèi)代碼將出現(xiàn)與我們?cè)诒径紊戏降谋碇锌匆?jiàn)了的結(jié)果徹底相同的結(jié)果：

無(wú)論如何，去添加標(biāo)簽后，便可以不建議使用它們對(duì)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(dòng)設(shè)置中列名稱(chēng)：

PandasDataFrame方法

如前文所述，scikit-learnDataFrame中的每一列大都Series對(duì)象：

我們是可以在Series對(duì)象上動(dòng)態(tài)創(chuàng)建與在DataFrame上可以不動(dòng)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(jì)算更很簡(jiǎn)單方法。的或，我們這個(gè)可以使用方法來(lái)查找Series的均值：

我們還是可以?xún)?nèi)部函數(shù)類(lèi)似的方法，該方法設(shè)置為情況下將查看DataFrame中每個(gè)數(shù)字列的平均值：

我們這個(gè)可以改axis關(guān)鍵字參數(shù)以mean可以計(jì)算每行或每列的平均值。默認(rèn)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(jì)算出每行的平均值。請(qǐng)盡量，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上有很多類(lèi)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(jì)算出每個(gè)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(biāo)準(zhǔn)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(shuō)說(shuō)我們最近首頁(yè)的游戲額外了更高的評(píng)價(jià)(release_year)，那就在年底之前查找的游戲完成任務(wù)了更好的評(píng)分(release_month)：

事實(shí)上我們?cè)谏厦孀⒁獾降哪菢拥模覀兊臄?shù)字列都也沒(méi)與關(guān)聯(lián)score，因此我們很清楚發(fā)布時(shí)間與評(píng)論評(píng)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(duì)象上想執(zhí)行數(shù)算。例如，我們可以將score列中的每個(gè)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(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)在我們也了解了一些Pandas的基礎(chǔ)知識(shí)，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(huì)將“系列”中的每個(gè)值與委托值接受比較比較，接著生成一個(gè)“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(lái)你選擇DataFrame中該系列包涵value的行True。所以，我們沒(méi)有辦法你選擇行reviews，其中score小于7：

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

a.可以設(shè)置兩個(gè)條件的過(guò)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(guò)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(gè)條件參與過(guò)濾時(shí)，將每個(gè)條件放在括號(hào)中鐵鉤一個(gè)amp符號(hào)(amp)分隔開(kāi)來(lái)是很不重要的。

Pandas圖

現(xiàn)在我們很清楚如何能過(guò)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(gè)控制臺(tái)具高更好的游戲。

我們可以是從直方圖來(lái)能做到這一點(diǎn)，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(gè)控制臺(tái)怎么制作一個(gè)直方圖。該方法用來(lái)幕后的流行Python繪圖庫(kù)matplotlib生成美觀的繪圖。

該plot方法設(shè)置為為手工繪制折線圖。我們不需要傳去關(guān)鍵字參數(shù)kindhist來(lái)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(guò)濾reviews以?xún)H包涵無(wú)關(guān)的數(shù)據(jù)Xbox One。

c.手工繪制score列。

我們也是可以對(duì)PS4：

從我們的直方圖中可以猜想，與相比較，PlayStation 4更具更高評(píng)級(jí)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?cè)缇陀辛巳齻€(gè)非常好的開(kāi)端：我們也可以使用Python和pandas再導(dǎo)入了數(shù)據(jù)集，并要會(huì)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(diǎn)，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(shí)遇到的問(wèn)題。