sql序列可以跳過(guò)一些值嗎？空值確實(shí)是值，不蹦的，有時(shí)侯空值恰恰是必須操作的對(duì)象excel如何隔行插入指定內(nèi)容？假設(shè)要把A2:B10區(qū)域中的黃河1、黃河3等這些隔行內(nèi)容復(fù)制到D2:E10的按區(qū)域，先做

sql序列可以跳過(guò)一些值嗎？

空值確實(shí)是值，不蹦的，有時(shí)侯空值恰恰是必須操作的對(duì)象

excel如何隔行插入指定內(nèi)容？

假設(shè)要把A2:B10區(qū)域中的黃河1、黃河3等這些隔行內(nèi)容復(fù)制到D2:E10的按區(qū)域，先做個(gè)輔助列，自然形成121212這種循環(huán)，建議使用刪選批量打印選中后2，徹底刪除內(nèi)容，取消后再篩選，再選中A2:B10區(qū)域，剪切粘貼，全選D2，右鍵菜單，選擇性粘貼，到后面單元格，這樣就可以了。20秒一切都搞定。

如何使用Python Pandas模塊讀取各類(lèi)型文件？

Python的pandas庫(kù)是使Python曾經(jīng)的應(yīng)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)變得更加更加不容易。它確立在NumPy和matplotlib之類(lèi)的軟件包的基礎(chǔ)上，使您也可以方便地參與大部分?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，我們將在用EricGrinstein破霸體的數(shù)據(jù)，使用Pandas分析什么來(lái)自流行的視頻游戲評(píng)論網(wǎng)站IGN的視頻游戲評(píng)論。哪個(gè)主機(jī)贏得漂亮了“控制臺(tái)大戰(zhàn)”(就游戲的審查而言)?該數(shù)據(jù)集將好處我們看出答案。

當(dāng)我們分析什么視頻游戲評(píng)論時(shí)，我們將清楚最關(guān)鍵的Pandas概念，或者索引。您這個(gè)可以再繼續(xù)進(jìn)行下去，并在我們的許多其他Python教程之一中或通過(guò)注冊(cè)PythonPandas課程來(lái)打聽(tīng)一下或者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(wàn)記住再看看，本教程在用Python3.5編譯程序，并可以使用JupyterNotebook最終形成。您很有可能建議使用的是Python，pandas和Jupyter的更新版本，但最后應(yīng)該基本上同一。

用Pandas導(dǎo)入數(shù)據(jù)

假如您也在使用本教程，則必須下載數(shù)據(jù)集，您是可以在此處接受你的操作。

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(hào)連成一體的值或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。這些列中有有關(guān)該游戲的信息：

1)score_phrase—IGN如何能用一個(gè)詞可以形容游戲。這鏈接到它通知的分?jǐn)?shù)。

2)title-游戲名稱(chēng)。

3)url—您可以不在其中欄里點(diǎn)求下載評(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如果沒(méi)有游戲并非編輯選擇的Y話(huà)，那么是。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-游戲首頁(yè)的月份。

10)release_day-游戲首頁(yè)的那天。

另外一個(gè)前導(dǎo)列，其中真包含行索引值。我們可以放心好了地看出此列，但稍候?qū)⒊浞痔接懩男┧饕怠?/p>

是為在Python和pandas中快速有效地如何處理數(shù)據(jù)，我們必須將csv文件讀取到PandasDataFrame中。DataFrame是來(lái)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)，.例如電子表格。表格數(shù)據(jù)具高行和列的格式，看上去像我們的csv文件一樣的，可是如果沒(méi)有我們這個(gè)可以將其以及表格查看，則對(duì)我們更易被閱讀理解和排序。

為了輸入數(shù)據(jù)數(shù)據(jù)，我們需要使用_csv函數(shù)。此函數(shù)將收得到一個(gè)csv文件并前往一個(gè)DataFrame。以上代碼將：

a.再導(dǎo)入pandas庫(kù)。我們將其文件屬性為，pd以備萬(wàn)一快的地然后輸入。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)會(huì)注意到導(dǎo)入的Pandas竟像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)果分配給一個(gè)名為的新變量，reviews以便于我們是可以reviews單獨(dú)直接引用我們的數(shù)據(jù)。

讀完后DataFrame后，以更直觀的查查我們所完成任務(wù)的內(nèi)容將很有幫助。Pandas比較方便地為我們需要提供了兩種方法，可以不迅速地將數(shù)據(jù)可以打印到表中。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)訊息傳遞給函數(shù)的數(shù)字，即DataFrame.head(7)。如果不是不訊息傳遞任何參數(shù)，則使用默認(rèn)值為5。

2)DataFrame.tail()—打印DataFrame的之后N行。同時(shí)，默認(rèn)值為5。

我們將建議使用該head方法查找其中的內(nèi)容reviews：

我們還是可以ftp連接屬性，以欄里點(diǎn)以下行reviews：

如我們所見(jiàn)，所有內(nèi)容均已真確加載-我們有18,625行和11列。

與類(lèi)似于的NumPy這樣的Python軟件包兩者相比，建議使用Pandas的一大優(yōu)勢(shì)是Pandas不能我們占據(jù)本身差別數(shù)據(jù)類(lèi)型的列。在我們的數(shù)據(jù)集中在一起，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，所以在此處使用NumPy會(huì)很難辦，但Pandas和Python這個(gè)可以挺好的地全面處理它。

現(xiàn)在我們?cè)缇驼娲_地加載了數(shù)據(jù)，讓我們就開(kāi)始組建索引reviews以查看所需的行和列。

用Pandas索引DataFrames

之前，我們不使用了該head方法來(lái)打印的第一5行reviews。我們可以不使用方法結(jié)束同樣的事情。該iloc方法容許我們按位置數(shù)據(jù)庫(kù)檢索行和列。這一點(diǎn)，我們要指定你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，和數(shù)據(jù)集中在一起的所有列來(lái)剪切粘貼我們的結(jié)果：

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

第一行被以為是在位置0，所以才中,選擇行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，并且不使用快捷來(lái)選擇它們。它的工作是這樣的：如果沒(méi)有我們不比較喜歡第一個(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:，則可以假設(shè)我們是指DataFrame中的結(jié)果一行或結(jié)果一列。我們必須所有列，所以只委托了一個(gè)冒號(hào)(:)，沒(méi)有任何位置。這使我們的列從0到結(jié)果一列。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，從位置正在的列5。

4)[:,0]—第一列，這些該列的所有行。

5)[9,:]—第十行，這些該行的所有列。

按位置索引與NumPy索引更加幾乎一樣。要是您想打聽(tīng)一下大量信息，是可以閱讀我們的NumPy教程?，F(xiàn)在我們明白了了該如何按位置索引，讓我們刪掉第一列，該列沒(méi)有任何有用的信息：

在Pandas中不使用標(biāo)簽在Python中建立索引

要是我們清楚怎么按位置檢索到行和列，那就值得研究什么使用DataFrames的另一種主要注意方法，即按標(biāo)簽數(shù)據(jù)庫(kù)檢索行和列。與NumPy相比，Pandas的主要優(yōu)勢(shì)在于，每一列和每一行都有吧一個(gè)標(biāo)簽。可以去處理列的位置，但很容易監(jiān)視跟蹤哪個(gè)數(shù)字不對(duì)應(yīng)于哪個(gè)列。

我們可以不使用方法處理標(biāo)簽，該方法容許我們?cè)谟脴?biāo)簽而不是位置并且索引。我們這個(gè)可以reviews建議使用100元以?xún)?nèi)loc方法沒(méi)顯示前五行：

上面的內(nèi)容事實(shí)上與并沒(méi)有太大的不同[0:5,:]。這是是因?yàn)槟呐滦袠?biāo)簽可以不采用任何值，但我們的行標(biāo)簽與位置值相。您可以在上方表格的最左側(cè)看見(jiàn)了行標(biāo)簽(它們以粗體顯示)。您還這個(gè)可以訪問(wèn)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)

當(dāng)然了，索引不是有老是與位置匹配。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.沒(méi)顯示的第一5行some_reviews。

如上所示，在中some_reviews，行索引始于，10都結(jié)束了于20。并且，數(shù)次loc不使用小于10或大于的數(shù)字20將造成錯(cuò)誤：

some_reviews.loc[9:21,:]

具體而言，在在用數(shù)據(jù)時(shí)，列標(biāo)簽也可以使工作變得十分隨意。我們也可以在loc方法中更改列標(biāo)簽，以按標(biāo)簽而不是按位置檢索系統(tǒng)列。

我們還這個(gè)可以是從傳入列表來(lái)兩次指定多個(gè)列：

Pandas系列對(duì)象

我們可以幾種相同的在Pandas中檢索到單個(gè)列。到據(jù)我所知，我們巳經(jīng)見(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]—還將檢索到第二列。

還有第三種甚至于更容易的方法來(lái)檢索系統(tǒng)整列。我們可以不在方括號(hào)中更改列名稱(chēng)，例如不使用字典：

我們還也可以實(shí)際以上方法不使用列列表：

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。

我們也可以驗(yàn)正單個(gè)列是否需要為系列：

我們這個(gè)可以自動(dòng)創(chuàng)建家族系列以好些地知道一點(diǎn)其工作原理。要?jiǎng)?chuàng)建戰(zhàn)隊(duì)一個(gè)Series，我們?cè)陬?lèi)的對(duì)象它時(shí)將一個(gè)列表或NumPy數(shù)組傳達(dá)給Series對(duì)象：

系列可以包涵任何類(lèi)型的數(shù)據(jù)，包括混和類(lèi)型。在這里，我們修改一個(gè)真包含字符串對(duì)象的系列：

在Pandas中修改一個(gè)DataFrame

我們也可以是從將多個(gè)Series傳信到DataFrame類(lèi)中來(lái)創(chuàng)建角色DataFrame。在這里，我們傳出剛剛創(chuàng)建家族的兩個(gè)Series對(duì)象，

s1才是第一行，s2充當(dāng)?shù)诙校?/p>

我們還可以建議使用列表列表成功則是的事情。每個(gè)內(nèi)部列表在結(jié)果DataFrame中被更視一行：

我們可以在修改DataFrame時(shí)更改列標(biāo)簽：

在內(nèi)行標(biāo)簽(索引)：

還請(qǐng)?zhí)貏e注意，不是需要拱進(jìn)和分開(kāi)來(lái)的行。我們已經(jīng)以這種語(yǔ)言設(shè)計(jì)了代碼，以使其更易于解析，可是您經(jīng)常會(huì)遇到了將它們?nèi)靠梢詫?xiě)成一行的情況。.例如，200以?xún)?nèi)代碼將出現(xiàn)與我們?cè)诒径紊戏降谋碇锌匆?jiàn)的結(jié)果幾乎不同的結(jié)果：

不管怎么說(shuō)，先添加標(biāo)簽后，便可以使用它們對(duì)DataFrame接受索引：

columns如果沒(méi)有將字典訊息傳遞給DataFrame構(gòu)造函數(shù)，則也可以進(jìn)不了委托關(guān)鍵字參數(shù)的操作。這將手動(dòng)設(shè)置列名稱(chēng)：

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)象上動(dòng)態(tài)創(chuàng)建與在DataFrame上可以不全局函數(shù)的大多數(shù)是一樣的的方法，除了head：

PandasSeries和DataFrames還具高其他使計(jì)算更最簡(jiǎn)單方法。比如，我們可以使用方法來(lái)里查Series的均值：

我們還可以不動(dòng)態(tài)創(chuàng)建的的的方法，該方法設(shè)置為情況下將中搜索DataFrame中每個(gè)數(shù)字列的平均值：

我們可以不改axis關(guān)鍵字參數(shù)以mean算出每行或每列的平均值。默認(rèn)情況下，axis＝0，并將算出每列的平均值。我們還是可以將其可以設(shè)置1為算出每行的平均值。請(qǐng)注意，這只會(huì)計(jì)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上有很多帶有的方法suppose。這里有一些比較方便的東西：

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)—在每一列中能找到的最值。

4)—中搜索每一列中的最小值。

5)—里查每列的中位數(shù)。

6)—中搜索每列的標(biāo)準(zhǔn)偏差。

比如，我們是可以可以使用該corr方法查看如何確定有任何列與關(guān)聯(lián)score。這也可以提醒我們最近公告的游戲我得到了更高的評(píng)價(jià)(release_year)，應(yīng)該在年底之前發(fā)布的游戲獲得了更好的評(píng)分(release_month)：

正如我們?cè)谏厦嬉?jiàn)到的那樣的，我們的數(shù)字列都沒(méi)有與關(guān)聯(lián)score，因此我們很清楚發(fā)布時(shí)間與評(píng)論評(píng)分卻不是線性無(wú)關(guān)。

DataFrameMath與Pandas

我們還也可以不使用pandas在Python中的Series或DataFrame對(duì)象上執(zhí)行數(shù)算。例如，我們是可以將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，另外將區(qū)分于每一個(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)在我們已經(jīng)了解了一些Pandas的基礎(chǔ)知識(shí)，讓我們繼續(xù)參與分析。我們前面注意到的，總平均都在值的score列reviews左右7。假如我們想不能找到所有罰球得分都高于平均水平的游戲該怎么辦?

我們也可以先進(jìn)行比較比較。比較比較會(huì)將“系列”中的每個(gè)值與重新指定值進(jìn)行也很，接著生成氣體一個(gè)“系列”，其中真包含表示比較好狀態(tài)的布爾值。在用Python Pandas結(jié)論視頻游戲數(shù)據(jù).例如，發(fā)現(xiàn)哪些行的score值小于7：

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，我們可以不建議使用它來(lái)你選DataFrame中該系列包涵value的行True。所以，我們沒(méi)有辦法選擇類(lèi)型行reviews，其中score小于7：

是可以在用多個(gè)條件通過(guò)過(guò)濾。舉例我們要查找根據(jù)發(fā)行新Xbox One的得分最多的游戲7。在下面的代碼中，我們：

a.設(shè)置中兩個(gè)條件的過(guò)濾器：

1)檢查如何確定score為07。

2)檢查如何確定platform大小關(guān)系Xbox One

b.應(yīng)用過(guò)濾器以reviews僅獲取所需的行。

c.可以使用head方法再打印的第一5行filtered_reviews。

在不使用多個(gè)條件通過(guò)過(guò)濾時(shí)，將每個(gè)條件放進(jìn)括號(hào)中鐵鉤一個(gè)amp符號(hào)(amp)互相連通是很不重要的。

Pandas圖

現(xiàn)在我們知道要如何過(guò)濾，我們可以創(chuàng)建角以觀察的回顧曾經(jīng)其分布Xbox One與的回憶一下分布的位置PlayStation 4。這將指導(dǎo)我們考慮哪個(gè)控制臺(tái)本身更好的游戲。

我們是可以直方圖來(lái)你做到這一點(diǎn)，該直方圖將繪制圖不同得分范圍內(nèi)的頻率。我們這個(gè)可以使用方法為每個(gè)控制臺(tái)怎么制作一個(gè)直方圖。該方法借用幕后的流行Python繪圖庫(kù)matplotlib生成美觀的繪圖。

該plot方法設(shè)置成為草圖折線圖。我們是需要傳出關(guān)鍵字參數(shù)kindhist來(lái)手工繪制直方圖。在下面的代碼中，我們：

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

b.過(guò)濾reviews以?xún)H乾坤二卦無(wú)關(guān)的數(shù)據(jù)Xbox One。

c.繪制的score列。

我們也是可以對(duì)PS4：

從我們的直方圖中更說(shuō)明，與比起，PlayStation 4具高更高評(píng)級(jí)的游戲Xbox One。

看樣子，這只是因?yàn)楸揭唤?，涉及到我們是可以用處講該數(shù)據(jù)集的潛在目標(biāo)方向，但我們巳經(jīng)有了兩個(gè)很好的開(kāi)端：我們也建議使用Python和pandas導(dǎo)入到了數(shù)據(jù)集，并學(xué)會(huì)了了不使用各種差別的索引方法選擇我們想的數(shù)據(jù)點(diǎn)，并參與了一些飛速的探索性數(shù)據(jù)分析，以回答我我們開(kāi)始時(shí)遇到的問(wèn)題。