2020-07-18 23:27:03

docs/master-pandas/0.md

@@ -2,7 +2,7 @@
 
 欢迎来到《精通 Pandas》。 本书将教您如何有效使用 pandas，pandas 是当今用于执行数据分析的最受欢迎的 Python 软件包之一。 本书的前半部分从进行数据分析的原理开始。 然后，它特别介绍了 Python 和 pandas，引导您完成安装步骤，pandas 的全部内容，pandas 的用途，pandas 中的数据结构以及如何在 pandas 中选择，合并和分组数据。 然后介绍处理缺失的数据和时间序列数据，以及为数据可视化作图。
 
-本书的下半部分将向您展示如何使用 pandas 通过经典方法和贝叶斯方法进行推理统计，随后是有关 pandas 体系结构的一章，然后以机器学习的旋风为结尾，其中介绍了 scikit-learn 库。 本书的目的是通过使用真实数据集上的说明性示例，使您沉迷于 Pandas。
+本书的下半部分将向您展示如何使用 pandas 通过经典方法和贝叶斯方法进行推理统计，随后是有关 pandas 架构的一章，然后以机器学习的旋风为结尾，其中介绍了 scikit-learn 库。 本书的目的是通过使用真实数据集上的说明性示例，使您沉迷于 Pandas。
 
 # 本书涵盖的内容
 
@@ -22,7 +22,7 @@
 
 第 8 章，“贝叶斯统计简介”讨论了执行统计分析的另一种方法，称为贝叶斯分析。 本章介绍贝叶斯统计，并讨论基本的数学框架。 它检查了贝叶斯分析中使用的各种概率分布，并展示了如何使用 matplotlib 和`scipy.stats`生成和可视化它们。 它还介绍了用于执行蒙特卡洛模拟的 PyMC 库，并提供了使用在线数据进行贝叶斯推理的真实示例。
 
-第 9 章，“Pandas 库体系结构”提供了有关 Pandas 基本代码的相当详细的描述。 它详细介绍了 Pandas 库代码的组织方式，并描述了组成 Pandas 的各种模块，并提供了一些详细信息。 它还有一部分向用户展示如何使用扩展来改善 Python 和 Pandas 的性能。
+第 9 章，“Pandas 库架构”提供了有关 Pandas 基本代码的相当详细的描述。 它详细介绍了 Pandas 库代码的组织方式，并描述了组成 Pandas 的各种模块，并提供了一些详细信息。 它还有一部分向用户展示如何使用扩展来改善 Python 和 Pandas 的性能。
 
 第 10 章，“R 和 Pandas 比较”着重比较 Pandas 与 R，这是许多 Pandas 功能的基础统计软件包。 本章比较了 R 数据类型及其对应的 pandas，并说明了两种库中各种操作的比较方式。 比较了切片，选择，算术运算，聚合，分组，匹配，拆分应用合并和熔化等操作。
 

docs/master-pandas/2.md

@@ -274,10 +274,10 @@ pandas 库是 Python 语言的一部分，因此我们现在可以继续安装 p
 | 包 | 是否必需 | 描述 | 下载位置 |
 | --- | --- | --- | --- |
 | `NumPy : 1.6.1 or higher` | 必需 | 用于数值运算的 NumPy 库 | <http://www.numpy.org/> |
-| `python-dateutil 1.5` | 必需 | 日期操作和实用程序库 | <http://labix.org/> |
+| `python-dateutil 1.5` | 必需 | 日期操作和工具库 | <http://labix.org/> |
 | `Pytz` | 必需 | 时区支持 | <http://sourceforge.net/> |
 | `numexpr` | 可选，推荐 | 加快数值运算 | <https://code.google.com/> |
-| `bottleneck` | 可选，推荐 | 绩效相关 | <http://berkeleyanalytics.com/> |
+| `bottleneck` | 可选，推荐 | 性能相关 | <http://berkeleyanalytics.com/> |
 | `Cython` | 可选，推荐 | 用于优化的 Python C 扩展 | <http://cython.org/> |
 | `SciPy` | 可选，推荐 | 适用于 Python 的科学工具集 | <http://scipy.org/> |
 | `PyTables` | 可选 | 基于 HDF5 的存储库 | <http://pytables.github.io/> |
@@ -543,7 +543,7 @@ pip install ipython pyzmq tornado pygments
 
 ```
 
-`pyzmq`，`tornado`和`pygments`模块是获得 IPython Notebook 的完整图形功能所必需的。 有关更多信息，请参见标题为[*为 OSX 设置 IPython 笔记本和 Pandas*](http://bit.ly/1JG0wKA) 的文档。
+`pyzmq`，`tornado`和`pygments`模块是获得 IPython 笔记本的完整图形功能所必需的。 有关更多信息，请参见标题为[*为 OSX 设置 IPython 笔记本和 Pandas*](http://bit.ly/1JG0wKA) 的文档。
 
 ## 通过 Anaconda 安装（对于 Linux/MacOSX）
 

docs/master-pandas/3.md

@@ -85,7 +85,7 @@ Out[13]:array([ 0.,  0.22222222,  0.44444444,  0.66666667])
 
 ### 各种其他函数和 NumPy 数组
 
-这些功能包括`numpy.zeros`，`numpy.ones`，`numpy.eye`，`nrandom.rand`，`numpy.random.randn`和`numpy.empty`。
+这些函数包括`numpy.zeros`，`numpy.ones`，`numpy.eye`，`nrandom.rand`，`numpy.random.randn`和`numpy.empty`。
 
 在每种情况下，该参数都必须是一个元组。 对于一维数组，您只需指定元素数，而无需元组。
 
@@ -1425,7 +1425,7 @@ Out[540]:        currency
 *   `DataFrame.from_dict`：它使用字典或序列的字典并返回数据帧。
 *   `DataFrame.from_records`：需要一个元组或结构化`ndarray`的列表。
 *   `DataFrame.from_items`：需要一些（键，值）对。 键是列或索引名，值是列或行值。 如果希望键为行索引名，则必须指定`orient ='index'`作为参数并指定列名。
-*   `pandas.io.parsers.read_csv`：这是一个辅助功能，可将 CSV 文件读取到 Pandas 数据帧结构中。
+*   `pandas.io.parsers.read_csv`：这是一个辅助函数，可将 CSV 文件读取到 Pandas 数据帧结构中。
 *   `pandas.io.parsers.read_table`：这是一个辅助函数，它将定界文件读入 Pandas 数据帧结构。
 *   `pandas.io.parsers.read_fwf`：这是一个辅助函数，它将固定宽度的线表读入 Pandas 数据帧结构。
 

docs/master-pandas/4.md

@@ -284,7 +284,7 @@ Out[683]: 2013-Q4    106.7
 *   `.iloc`运算符：它允许基于整数的索引
 *   `.ix`运算符：它允许混合基于标签和整数的索引
 
-现在，我们将注意力转向这些操作员。
+现在，我们将注意力转向这些运算符。
 
 ## 面向标签的索引
 

docs/master-pandas/5.md

 # 五、Pandas 的操作，第二部分 -- 数据的分组，合并和重塑
 
-在本章中，我们解决了在数据结构中重新排列数据的问题。 我们研究了各种功能，这些功能使我们能够通过在实际数据集上利用它们来重新排列数据。 这样的功能包括`groupby`，`concat`，`aggregate`和`append`等。 我们将讨论的主题如下：
+在本章中，我们解决了在数据结构中重新排列数据的问题。 我们研究了各种函数，这些函数使我们能够通过在实际数据集上利用它们来重新排列数据。 这样的函数包括`groupby`，`concat`，`aggregate`和`append`等。 我们将讨论的主题如下：
 
 *   数据聚合/分组
 *   合并和连接数据
@@ -88,7 +88,7 @@ Out[100]: Nation
 
 ```
 
-`size()`函数返回一个序列，该序列以组名称作为索引，每个组的大小。 `size()`函数也是聚合功能。 我们将在本章后面检查聚合函数。
+`size()`函数返回一个序列，该序列以组名称作为索引，每个组的大小。 `size()`函数也是聚合函数。 我们将在本章后面检查聚合函数。
 
 为了进一步按国家和俱乐部划分胜利，我们在应用`size()`和`sort()`之前应用多列`groupby`函数：
 
@@ -557,7 +557,7 @@ Out[391]:            EPL  La Liga  Serie A  Bundesliga
 
 # 合并和连接
 
-有多种功能可用于合并和连接 Pandas 的数据结构，其中包括以下功能：
+有多种函数可用于合并和连接 Pandas 的数据结构，其中包括以下函数：
 
 *   `concat`
 *   `append`
@@ -1059,7 +1059,7 @@ Out[427]:   group  ctrl   trt1   trt2
 
 ```
 
-`pivot`和`pivot_table`函数之间的主要区别在于`pivot_table`允许用户指定一个聚合功能，可以在该功能上聚合值。 因此，例如，如果我们希望获得 10 个观测值中每个组的平均值，我们将执行以下操作，这将得出一个序列：
+`pivot`和`pivot_table`函数之间的主要区别在于`pivot_table`允许用户指定一个聚合函数，可以在该函数上聚合值。 因此，例如，如果我们希望获得 10 个观测值中每个组的平均值，我们将执行以下操作，这将得出一个序列：
 
 ```py
 In [430]: pd.pivot_table(plantGrowthRawDF,values='weight',cols=['group'],aggfunc=np.mean)
@@ -1075,7 +1075,7 @@ Out[430]: group
 
 ## 堆叠
 
-除支点功能外，`stack`和`unstack`函数在序列和数据帧上也可用，它们可用于包含多重索引的对象。
+除`pivot`函数外，`stack`和`unstack`函数在序列和数据帧上也可用，它们可用于包含多重索引的对象。
 
 ### `stack()`函数
 

docs/master-pandas/6.md

@@ -497,7 +497,7 @@ Out[119]: TradeDate
 
 ```
 
-在前面的代码片段中，我们指定了`freq`参数进行平移； 这告诉功能仅更改工作日。 `shift`函数具有`freq`参数，其值可以是`DateOffset`类，类似于`timedelta`的对象或偏移别名。 因此，使用`ibmTS.shift(3, freq='B')`也将产生相同的结果。
+在前面的代码片段中，我们指定了`freq`参数进行平移； 这告诉函数仅更改工作日。 `shift`函数具有`freq`参数，其值可以是`DateOffset`类，类似于`timedelta`的对象或偏移别名。 因此，使用`ibmTS.shift(3, freq='B')`也将产生相同的结果。
 
 ### 更改频率
 
@@ -958,7 +958,7 @@ The following is the output of the preceding command:
 
 ![Plotting using matplotlib](img/images_00009.jpeg)
 
-在 Pandas 中使用`matplotlib`的绘图功能还有很多。 有关更多信息，请参阅[这个链接](http://pandas.pydata.org/pandas-docs/dev/visualization.html)中的文档。
+在 Pandas 中使用`matplotlib`的绘图函数还有很多。 有关更多信息，请参阅[这个链接](http://pandas.pydata.org/pandas-docs/dev/visualization.html)中的文档。
 
 # 总结
 

docs/master-pandas/8.md

@@ -724,7 +724,7 @@ In [108]: %matplotlib inline
 
 ![Bayesian analysis example – Switchpoint detection](img/images_00162.jpeg)
 
-注意，上面 ![Bayesian analysis example – Switchpoint detection](img/images_00163.jpeg) 中指定的变量都是贝叶斯随机变量。 对于代表人们对其价值信念的贝叶斯随机变量，我们需要使用概率分布对它们进行建模。 我们想推断 ![Bayesian analysis example – Switchpoint detection](img/images_00160.jpeg) 和 ![Bayesian analysis example – Switchpoint detection](img/images_00161.jpeg) 的值，这些值是未知的。 在`PyMC`中，我们可以使用随机和确定性类表示随机变量。 我们注意到，指数分布是泊松事件之间的时间量。 因此，在 ![Bayesian analysis example – Switchpoint detection](img/images_00160.jpeg) 和 ![Bayesian analysis example – Switchpoint detection](img/images_00161.jpeg) 的情况下，我们选择指数分布来对其建模，因为它们可以是任何正数：
+注意，上面 ![Bayesian analysis example – Switchpoint detection](img/images_00163.jpeg) 中指定的变量都是贝叶斯随机变量。 对于代表人们对其值的信念的贝叶斯随机变量，我们需要使用概率分布对它们进行建模。 我们想推断 ![Bayesian analysis example – Switchpoint detection](img/images_00160.jpeg) 和 ![Bayesian analysis example – Switchpoint detection](img/images_00161.jpeg) 的值，这些值是未知的。 在`PyMC`中，我们可以使用随机和确定性类表示随机变量。 我们注意到，指数分布是泊松事件之间的时间量。 因此，在 ![Bayesian analysis example – Switchpoint detection](img/images_00160.jpeg) 和 ![Bayesian analysis example – Switchpoint detection](img/images_00161.jpeg) 的情况下，我们选择指数分布来对其建模，因为它们可以是任何正数：
 
 ![Bayesian analysis example – Switchpoint detection](img/images_00164.jpeg)
 
@@ -975,4 +975,4 @@ pymc 综合早期均值
 
 我们研究了贝叶斯统计方法所需要的内容，并讨论了为什么贝叶斯观点是一种引人注目的观点的各种因素-事实胜于信念。 我们解释了关键的统计分布，并展示了如何使用各种统计软件包在`matplotlib`中生成和绘制它们。
 
-我们解决了一个相当困难的话题，但又没有过多简化，并演示了如何使用 PyMC 软件包和蒙特卡洛模拟方法来展示贝叶斯统计数据的能力，以建立模型，进行趋势分析以及对真实数据集进行推断（Facebook 用户帖子）。 在下一章中，我们将讨论 Pandas 库的体系结构。
\ No newline at end of file
+我们解决了一个相当困难的话题，但又没有过多简化，并演示了如何使用 PyMC 软件包和蒙特卡洛模拟方法来展示贝叶斯统计数据的能力，以建立模型，进行趋势分析以及对真实数据集进行推断（Facebook 用户帖子）。 在下一章中，我们将讨论 Pandas 库的架构。
\ No newline at end of file

docs/master-pandas/SUMMARY.md

@@ -8,6 +8,6 @@
 +   [六、处理缺失数据，时间序列和 Matplotlib 绘图](6.md)
 +   [七、统计之旅 -- 经典方法](7.md)
 +   [八、贝叶斯统计简介](8.md)
-+   [九、Pandas 库体系结构](9.md)
++   [九、Pandas 库架构](9.md)
 +   [十、R 与 Pandas 的比较](10.md)
 +   [十一、机器学习简介](11.md)