2020-07-14 16:36:24

docs/handson-data-analysis-numpy-pandas/1.md

@@ -82,7 +82,7 @@ Anaconda 随附 Jupyter 笔记本。 Jupyter 笔记本允许纯文本与代码
 
 ![](img/2565c2e6-345d-4b1e-a1c2-7d3f5c795ea6.png)
 
-我们也可以导入库。 例如，我们可以从 Matplotlib 导入模块。 在这种情况下，为了使 Matplotlib 在 Jupyter Notebook 中交互工作，我们将需要使用魔术函数，该魔术函数以％开头，魔术函数的名称以及需要传递给的任何类型的参数。 它。 稍后，我们将在和 详细信息中介绍这些内容，但首先让我们运行该单元格。`plt`现在已经加载，现在我们可以使用它了。 例如，在最后一个单元格中，我们将输入以下代码：
+我们也可以导入库。 例如，我们可以从 Matplotlib 导入模块。 在这种情况下，为了使 Matplotlib 在 Jupyter Notebook 中交互工作，我们将需要使用魔术函数，该魔术函数以％开头，魔术函数的名称以及需要传递给的任何类型的参数。 它。 稍后，我们将在详细信息中介绍这些内容，但首先让我们运行该单元格。`plt`现在已经加载，现在我们可以使用它了。 例如，在最后一个单元格中，我们将输入以下代码：
 
 ![](img/cd197191-9798-46d6-9448-bed5424046a6.png)
 
@@ -362,7 +362,7 @@ conda remove selenium
 *   为 Python 安装 MySQL 连接器
 *   创建，使用和删除数据库
 
-为了使 MySQL 和 Python 一起使用，MySQL 连接器是必需的。 存在许多 SQL 数据库实现，尽管 MySQL 可能不是最简单的数据库管理系统，但它功能齐全，具有工业实力，在现实世界中很常见，而且它是免费开放的 来源，这意味着它是一个很好的学习工具。 您可以从 [MySQL 的网站](https://dev.mysql.com/downloads/)上获取 MySQL Community Edition，它是免费和开源的版本。
+为了使 MySQL 和 Python 一起使用，MySQL 连接器是必需的。 存在许多 SQL 数据库实现，尽管 MySQL 可能不是最简单的数据库管理系统，但它功能齐全，具有工业实力，在现实世界中很常见，而且它是免费和开源的，这意味着它是一个很好的学习工具。 您可以从 [MySQL 的网站](https://dev.mysql.com/downloads/)上获取 MySQL Community Edition，它是免费和开源的版本。
 
 # 安装 MySQL
 

docs/handson-data-analysis-numpy-pandas/2.md

@@ -76,9 +76,9 @@
 
 ![](img/4aafb70e-7107-4da8-a8af-083282dd191a.png)
 
-毫不奇怪，`inf`不是有限的。`-inf`都不是。 但是`nan`既不是 也不是 有限或无穷大； 它是未定义的。 让我们看看执行`inf + 1`，`inf * -1`和`nan + 1`时会发生什么。 我们总是得到`nan`。
+毫不奇怪，`inf`不是有限的。`-inf`都不是。 但是`nan`既不是有限的也不是无穷大； 它是未定义的。 让我们看看执行`inf + 1`，`inf * -1`和`nan + 1`时会发生什么。 我们总是得到`nan`。
 
-如果我们将 2 增大到负无穷大的幂，则得到的是 0。但是，如果将其提高到无穷大，我们将得到无穷大。`inf - inf`等于而不是 等于任何特定数字：
+如果我们将 2 增大到负无穷大的幂，则得到的是 0。但是，如果将其提高到无穷大，我们将得到无穷大。`inf - inf`等于`NaN`而不是任何特定数字：
 
 ![](img/de302823-d282-46b1-81d2-a1655f52a956.png)
 

docs/handson-data-analysis-numpy-pandas/3.md

@@ -104,7 +104,7 @@ Wayne 不包括在选择中，这是为执行该索引而生成的数组：
 
 ![](img/8fad7f33-bca1-4121-8837-9e70331b95a0.png)
 
-第一个数组中的第一个 0 表示第一个坐标为零，第二个数组中的第一个 0 表示第二个坐标为零，这由这两个数组列出的顺序指定。因此，在第一行和第一列 所得数组的元素为`[0, 0]`。 在第一行和第二列中，我们有原始数组中的元素`[0, 2]`。 然后，在第二行和第一列中，我们具有原始数组的第三行和第一列中的元素。 注意，这是`Wayne`。
+第一个数组中的第一个 0 表示第一个坐标为零，第二个数组中的第一个 0 表示第二个坐标为零，这由这两个数组列出的顺序指定。因此，所得数组的第一行和第一列的元素为`[0, 0]`。 在第一行和第二列中，我们有原始数组中的元素`[0, 2]`。 然后，在第二行和第一列中，我们具有原始数组的第三行和第一列中的元素。 注意，这是`Wayne`。
 
 然后，我们有了原始数组的第三行和第三列中的元素，该元素对应于`Joey`。
 
@@ -218,7 +218,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 其中一些是`ndarray`方法，其他则在您需要导入的`linalg`模块中。 因此，我们实际上已经在较早的示例中演示了转置。 注意，我们在这里使用转置来在行和列之间交换。
 
-这是`arr4`中的 换位：
+这是`arr4`中的转置：
 
 ![](img/f7a9f0cd-719f-4d06-bdda-0b7dc921a6e2.png)
 
@@ -250,7 +250,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 ![](img/280c0309-eb08-4c7f-a163-d90d2c923790.png)
 
-我还想创建一个仅包含  虹膜副本最后一列的新数组，并创建另一个包含其余列和一列的数组 的 1 秒。
+我还想创建一个仅包含鸢尾花副本最后一列的新数组，并创建另一个包含其余列和全为 1 的列的数组。
 
 现在，我们将创建一个与矩阵乘积相对应的新数组。 所以我说 X 平方是 X 转置并乘以 X，这就是结果数组：
 

docs/handson-data-analysis-numpy-pandas/4.md

@@ -6,7 +6,7 @@
 
 pandas 向 Python 引入了两个关键对象，序列和数据帧，后者可能是最有用的，但是 pandas DataFrames 可以认为是绑定在一起的系列。 系列是一系列数据，例如基本 Python 中的列表或一维 NumPy 数组。 而且，与 NumPy 数组一样，序列具有单个数据类型，但是用序列进行索引是不同的。 使用 NumPy 时，对行和列索引的控制不多； 但是对于一个系列，该系列中的每个元素都必须具有唯一的索引，名称，键，但是您需要考虑一下。 该索引可以由字符串组成，例如一个国家中的城市，而序列中的相应元素表示一些统计值，例如城市人口； 或日期，例如股票系列的交易日。
 
-可以将数据帧视为具有公共索引的多个系列的公共长度，它们在单个表格对象中绑定在一起。 该对象类似于 NumPy 2D `ndarray`，但不是同一件事。 并非所有列都必须具有相同的数据类型。 回到城市示例，我们可以有一个包含人口的列，另一个包含该城市所在州或省的信息，还有一个包含布尔值的列，用于标识城市是州还是省的首都，这是一个棘手的壮举 仅使用 NumPy 即可完成。 这些列中的每一个可能都有一个唯一的名称，一个字符串来标识它们包含的信息。 也许可以将其视为变量。 有了这个对象，我们可以轻松，有效地存储，访问和操纵我们的数据。
+可以将数据帧视为具有公共索引的多个系列的公共长度，它们在单个表格对象中绑定在一起。 该对象类似于 NumPy 2D `ndarray`，但不是同一件事。 并非所有列都必须具有相同的数据类型。 回到城市示例，我们可以有一个包含人口的列，另一个包含该城市所在州或省的信息，还有一个包含布尔值的列，用于标识城市是州还是省的首都，仅使用 NumPy 来完成是一个棘手的壮举。 这些列中的每一个可能都有一个唯一的名称，一个字符串来标识它们包含的信息。 也许可以将其视为变量。 有了这个对象，我们可以轻松，有效地存储，访问和操纵我们的数据。
 
 在下面的笔记本中，我们将预览可以使用序列和数据帧进行的操作：
 

docs/handson-data-analysis-numpy-pandas/5.md

@@ -10,7 +10,7 @@
 
 ![](img/1aeacb3c-603c-4ed2-9c3c-fa28e1475e16.png)
 
-`srs1`的索引从 0 到 4，而`srs2`的索引从 0 到 3，先跳过 4，然后再到 5。从技术上讲，这两个序列的长度是相同的，但是长度并不相同 必然意味着这些元素将按照您的预期进行匹配。 例如，让我们考虑以下代码。 当我们添加`srs1`和`srs2`时会发生什么？
+`srs1`的索引从 0 到 4，而`srs2`的索引从 0 到 3，先跳过 4，然后再到 5。从技术上讲，这两个序列的长度是相同的，但是并不意味着这些元素将按照您的预期进行匹配。 例如，让我们考虑以下代码。 当我们添加`srs1`和`srs2`时会发生什么？
 
 ![](img/df0aba8d-49b9-405b-9348-dd6e2c3bbc92.png)
 
@@ -176,7 +176,7 @@ DataFrame 之间的算术与序列或 NumPy 数组算术具有某些相似之处
 
 # 删除缺失的信息
 
-系列和数据帧的`dropna`可用于创建对象的副本，其中删除了丢失的信息行。 默认情况下，它将删除缺少任何数据的行，并且与系列一起使用时，它将使用 NaN 消除元素。 如果要适当完成此操作，请将`inplace`参数 设置为`true`。
+系列和数据帧的`dropna`可用于创建对象的副本，其中删除了丢失的信息行。 默认情况下，它将删除缺少任何数据的行，并且与系列一起使用时，它将使用 NaN 消除元素。 如果要适当完成此操作，请将`inplace`参数设置为`true`。
 
 如果我们只想删除仅包含缺少信息的行，因此不删除任何使用信息，则可以将 how 参数设置为全部。 默认情况下，此方法适用于行，但如果要更改其适用于列，则可以将 access 参数设置为 1。
 

docs/handson-data-analysis-numpy-pandas/6.md

@@ -122,7 +122,7 @@
 
 # 绘图方法
 
-关键的 pandas 对象，系列和数据帧提供了一种绘图方法，简称为 plot。 它可以轻松地创建 图表，例如折线图，散点图，条形图或所谓的核密度估计图（用于了解数据的形状） ， 等等。 可以创建许多图。 我们可以通过将`plot`中的 kind 参数设置为字符串来控制所需的绘图，以指示所需的绘图。 通常，这会产生一些带有通常选择的默认参数的图。 通过在 plot 方法中指定其他参数，我们可以更好地控制最终输出，然后将这些参数传递给 Matplotlib。 因此，我们可以控制诸如标签，绘图样式，*x* 限制，*y* 限制，不透明度和其他详细信息之类的问题。
+关键的 pandas 对象，系列和数据帧提供了一种绘图方法，简称为 plot。 它可以轻松地创建图表，例如折线图，散点图，条形图或所谓的核密度估计图（用于了解数据的形状） ， 等等。 可以创建许多图。 我们可以通过将`plot`中的 kind 参数设置为字符串来控制所需的绘图，以指示所需的绘图。 通常，这会产生一些带有通常选择的默认参数的图。 通过在 plot 方法中指定其他参数，我们可以更好地控制最终输出，然后将这些参数传递给 Matplotlib。 因此，我们可以控制诸如标签，绘图样式，*x* 限制，*y* 限制，不透明度和其他详细信息之类的问题。
 
 存在用于创建不同图的其他方法。 例如，系列有一个称为 hist 的方法来创建直方图。