2020-07-14 22:56:58

docs/handson-data-analysis-numpy-pandas/0.md

@@ -2,7 +2,7 @@
 
 Python 是一种多范式编程语言，已成为数据科学家进行数据分析，可视化和机器学习的首选语言。
 
-您将首先学习如何为 Python 建立正确的数据分析环境。 在这里，您将学习安装正确的 Python 发行版，以及使用 Jupyter 笔记本和建立数据库。 之后，您将深入研究 Python 的 NumPy 软件包 -- Python 的强大扩展以及高级数学功能。 您将学习如何创建 NumPy 数组，以及如何使用不同的数组方法和函数。 然后，您将探索 Python 的 pandas 扩展，在那里您将学习数据的子集，并深入研究使用 pandas 的数据映射。 您还将学习通过对数据集进行排序和排序来管理它们。
+您将首先学习如何为 Python 建立正确的数据分析环境。 在这里，您将学习安装正确的 Python 发行版，以及使用 Jupyter 笔记本和建立数据库。 之后，您将深入研究 Python 的 NumPy 软件包 -- Python 的强大扩展以及高级数学函数。 您将学习如何创建 NumPy 数组，以及如何使用不同的数组方法和函数。 然后，您将探索 Python 的 pandas 扩展，在那里您将学习数据的子集，并深入研究使用 pandas 的数据映射。 您还将学习通过对数据集进行排序和排序来管理它们。
 
 到本书结尾，您将学习对数据进行索引和分组以进行复杂的数据分析和处理。
 

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

@@ -42,7 +42,7 @@ Linux 安装必须通过命令行完成，但是对于那些熟悉 Linux 安装
 
 在本节中，我们将探索 Jupyter 笔记本，这是我们将使用 Python 进行数据分析的主要工具。 我们将看到什么是 Jupyter 笔记本，还将讨论 Markdown，这是我们在 Jupyter 笔记本中用于创建格式化文本的工具。 在 Jupyter 笔记本中，有两种类型的块。 有一些可执行的 Python 代码块，然后是带格式的，人类可读的文本块。
 
-用户执行 Python 代码块，然后将结果直接插入文档中。 除非以同样的方式运行，否则代码块可以以任何顺序重新运行，而不必影响以后的块。 由于 Jupyter 笔记本基于 IPython，因此有一些附加功能，例如魔术功能。
+用户执行 Python 代码块，然后将结果直接插入文档中。 除非以同样的方式运行，否则代码块可以以任何顺序重新运行，而不必影响以后的块。 由于 Jupyter 笔记本基于 IPython，因此有一些附加功能，例如魔术命令。
 
 Anaconda 随附 Jupyter 笔记本。 Jupyter 笔记本允许纯文本与代码混合。 可以使用称为 **Markdown** 的语言格式化纯文本。 它以纯文本格式完成。 我们也可以插入段落。 以下示例是您在 Markdown 中看到的一些常见语法：
 
@@ -82,39 +82,39 @@ 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 笔记本中交互工作，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：
+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 笔记本中交互工作，我们将需要使用魔术命令，该魔术命令以％开头，魔术命令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)
 
-请注意，此单元格的输出直接插入到文档中。 我们可以立即  看到创建的图。 回到魔术函数，这不是我们唯一可用的函数。 让我们看看其他功能：
+请注意，此单元格的输出直接插入到文档中。 我们可以立即  看到创建的图。 回到魔术命令，这不是我们唯一可用的命令。 让我们看看其他命令：
 
-*   魔术功能`magic`将打印有关魔术系统的信息，如以下屏幕截图所示：
+*   魔术命令`magic`将打印有关魔术系统的信息，如以下屏幕截图所示：
 
 ![](img/0f3e2361-f268-4a4c-906f-a07c8abfb37e.png)
 
 魔术命令的输出
 
-*   另一个有用的功能是`timeit`，我们可以使用它来分析代码。 我们首先输入`timeit`，然后输入我们希望分析的代码，如下所示：
+*   另一个有用的命令是`timeit`，我们可以使用它来分析代码。 我们首先输入`timeit`，然后输入我们希望分析的代码，如下所示：
 
 ![](img/7568717e-d006-4017-9604-acd103872739.png)
 
-*   魔术函数`pwd`可用于查看工作目录是什么，如下所示：
+*   魔术命令`pwd`可用于查看工作目录是什么，如下所示：
 
 ![](img/40e2e58c-e439-408c-9599-ecddba61f8b8.png)
 
-*   魔术函数`cd`可用于更改工作目录，如下所示：
+*   魔术命令`cd`可用于更改工作目录，如下所示：
 
 ![](img/17797748-fa2f-487f-b02c-d0059a261bf1.png)
 
-*   如果我们希望以交互模式启动 Matplotlib 和 NumPy，魔术函数`pylab`很有用，如下所示：
+*   如果我们希望以交互模式启动 Matplotlib 和 NumPy，魔术命令`pylab`很有用，如下所示：
 
 ![](img/4c06dc29-3b70-487d-9d98-7e13353944c9.png)
 
-如果希望查看可用魔术功能的列表，可以键入`lsmagic`，如下所示：
+如果希望查看可用魔术命令的列表，可以键入`lsmagic`，如下所示：
 
 ![](img/e34823c6-6be8-4696-bc06-5e54f9cff9d1.png)
 
-如果需要快速参考表，可以使用魔术函数`quickref`，如下所示：
+如果需要快速参考表，可以使用魔术命令`quickref`，如下所示：
 
 ![](img/29c90042-1537-4075-88dd-edec313c9025.png)
 

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

@@ -52,7 +52,7 @@
 
 除了`dtype`对象之外，NumPy 还引入了特殊的数值：`nan`和`inf`。 这些可以在数学计算中出现。 **不是数字**（`NaN`）。 它表明应为数字的值实际上不是数学定义的。 例如，`0/0`产生`nan`。 有时`nan`也用于表示缺少的信息； 例如，Pandas 就用这个。`inf`表示任意大的数量，因此在实践中，它表示比计算机可以想象的任何数量大的数量。 还定义了`-inf`，它的意思是任意小。 如果数字运算爆炸，即迅速增长而没有边界，则可能会发生这种情况。
 
-从未等于`nan`； 没有定义的事物等于其他事物是没有意义的。 您需要使用 NumPy 函数`isnan`来识别`nan`。 尽管`==`符号不适用于`nan`，但适用于`inf`。 就是说，最好还是使用函数有限或`inf`来区分有限值和无限值。 定义了涉及`nan`和`inf`的算法，但请注意，它可能无法满足您的需求。 定义了一些特殊功能，以帮助避免出现`nan`或`inf`时出现的问题。 例如，`nansum` 在忽略`nan`的同时计算可迭代对象的总和。 您可以在 NumPy 文档中找到此类功能的完整列表。 使用它们时，我只会提及它们。
+从未等于`nan`； 没有定义的事物等于其他事物是没有意义的。 您需要使用 NumPy 函数`isnan`来识别`nan`。 尽管`==`符号不适用于`nan`，但适用于`inf`。 就是说，最好还是使用函数有限或`inf`来区分有限值和无限值。 定义了涉及`nan`和`inf`的算法，但请注意，它可能无法满足您的需求。 定义了一些特殊函数，以帮助避免出现`nan`或`inf`时出现的问题。 例如，`nansum` 在忽略`nan`的同时计算可迭代对象的总和。 您可以在 NumPy 文档中找到此类函数的完整列表。 使用它们时，我只会提及它们。
 
 现在让我们来看一个例子：
 
@@ -96,9 +96,9 @@
 
 ## 创建 NumPy 数组
 
-现在，我们已经讨论了 NumPy 数据类型，并简要介绍了 NumPy 数组，下面让我们讨论如何创建 NumPy 数组。 在本节中，我们将使用各种函数创建 NumPy 数组。 有一些函数可以创建所谓的空`ndarray`； 用于创建`ndarray`的函数，其中填充了 0、1 或随机数； 以及使用数据创建`ndarray`的功能。 我们将讨论所有这些，以及从磁盘保存和加载 NumPy 数组。 有几种创建数组的方法。 一种方法是使用数组函数，在此我们提供一个可迭代的对象或一个可迭代的对象列表，从中将生成一个数组。
+现在，我们已经讨论了 NumPy 数据类型，并简要介绍了 NumPy 数组，下面让我们讨论如何创建 NumPy 数组。 在本节中，我们将使用各种函数创建 NumPy 数组。 有一些函数可以创建所谓的空`ndarray`； 用于创建`ndarray`的函数，其中填充了 0、1 或随机数； 以及使用数据创建`ndarray`的函数。 我们将讨论所有这些，以及从磁盘保存和加载 NumPy 数组。 有几种创建数组的方法。 一种方法是使用数组函数，在此我们提供一个可迭代的对象或一个可迭代的对象列表，从中将生成一个数组。
 
-我们将使用列表列表来执行此操作，但是这些列表可以是元组，元组的元组甚至其他数组的列表。 还有一些方法可以自动创建充满数据的数组。 例如，我们可以使用诸如`ones`，`zeros`或`randn`之类的功能； 后者填充了随机生成的数据。 这些数组需要传递一个元组，该元组确定数组的形状，即数组具有多少维以及每个维的长度。 每个创建的数组都被认为是空的，不包含任何感兴趣的数据。 这通常是垃圾数据，由创建数组的内存位置中的任何位组成。
+我们将使用列表列表来执行此操作，但是这些列表可以是元组，元组的元组甚至其他数组的列表。 还有一些方法可以自动创建充满数据的数组。 例如，我们可以使用诸如`ones`，`zeros`或`randn`之类的函数； 后者填充了随机生成的数据。 这些数组需要传递一个元组，该元组确定数组的形状，即数组具有多少维以及每个维的长度。 每个创建的数组都被认为是空的，不包含任何感兴趣的数据。 这通常是垃圾数据，由创建数组的内存位置中的任何位组成。
 
 我们可以根据需要指定`dtype`参数，但如果不指定，则可以猜测`dtype`或浮点数。 请注意下表中的最后一行：
 
@@ -182,7 +182,7 @@
 
 ![](img/d8ce83f0-5dbf-4559-9d09-05239a22de01.png)
 
-建议您使用`save`，`savez`或`savetxt`功能。 我已经在上表中显示了这些函数的通用语法。 在`savetxt`的情况下，如果要用逗号分隔的文件，只需将定界符参数设置为逗号字符。 另外，如果文件名以`.gz`结尾，则`savetxt`可以保存压缩的文本文件，从而节省了步骤，因为您以后无需自己压缩文本文件。 请注意，除非您编写完整的文件路径，否则指定的文件将保存在工作目录中。
+建议您使用`save`，`savez`或`savetxt`函数。 我已经在上表中显示了这些函数的通用语法。 在`savetxt`的情况下，如果要用逗号分隔的文件，只需将定界符参数设置为逗号字符。 另外，如果文件名以`.gz`结尾，则`savetxt`可以保存压缩的文本文件，从而节省了步骤，因为您以后无需自己压缩文本文件。 请注意，除非您编写完整的文件路径，否则指定的文件将保存在工作目录中。
 
 让我们看看我们如何能够保存一些数组。 我们可能应该做的第一件事是检查工作目录是什么：
 
@@ -202,7 +202,7 @@
 
 ![](img/de072811-9bef-4e59-8ad2-ef193f5fe1c0.png)
 
-我们还可以创建一个在`mat1`中包含相同信息的 CSV 文件。 例如，我们可以使用以下功能保存它：
+我们还可以创建一个在`mat1`中包含相同信息的 CSV 文件。 例如，我们可以使用以下函数保存它：
 
 ![](img/432da793-afdb-4fc1-8d9c-c36e0c990774.png)
 
@@ -214,11 +214,11 @@
 
 ![](img/92e6a7fc-a97e-4011-ac75-8e2f08d2fe3e.png)
 
-现在，很明显，如果我们可以保存`ndarray`，那么我们也应该能够加载它们。 以下是一些用于加载`ndarray`的常用功能：
+现在，很明显，如果我们可以保存`ndarray`，那么我们也应该能够加载它们。 以下是一些用于加载`ndarray`的常用函数：
 
 ![](img/b74f654c-d2dd-4144-9fa4-d91ae823639a.png)
 
-这些功能与用于保存`ndarray`的功能紧密一致。 您将需要在 Python 中保存生成的`ndarray`。 如果要从文本文件加载，请注意，不必为创建`ndarray`而由 NumPy 创建数组。 如果您保存到 CSV，则可以使用文本编辑器或 Excel 创建 NumPy `ndarray`。 然后，您可以将它们加载到 Python 中。 我假设您正在加载的文件中的数据适合`ndarray`； 也就是说，它具有正方形格式，并且仅由一种类型的数据组成，因此不包含字符串和数字。
+这些函数与用于保存`ndarray`的函数紧密一致。 您将需要在 Python 中保存生成的`ndarray`。 如果要从文本文件加载，请注意，不必为创建`ndarray`而由 NumPy 创建数组。 如果您保存到 CSV，则可以使用文本编辑器或 Excel 创建 NumPy `ndarray`。 然后，您可以将它们加载到 Python 中。 我假设您正在加载的文件中的数据适合`ndarray`； 也就是说，它具有正方形格式，并且仅由一种类型的数据组成，因此不包含字符串和数字。
 
 可以通过`ndarray`处理多类型的数据，但是此时您应该使用 pandas 数据帧，我们将在后面的部分中进行讨论。 因此，如果我想加载刚刚创建的文件的内容，可以使用`loadtxt`函数进行加载，结果如下：
 

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

@@ -132,7 +132,7 @@
 
 ## 扩展数组
 
-连接功能允许使用屏幕上显示的语法沿公共轴将数组绑定在一起。 该方法要求数组沿未用于绑定的轴具有相似的形状。 结果就是全新的`ndarray`，这是将数组粘合在一起的产物。 为此，还存在其他类似功能，例如堆栈。 我们不会涵盖所有内容。
+连接函数允许使用屏幕上显示的语法沿公共轴将数组绑定在一起。 该方法要求数组沿未用于绑定的轴具有相似的形状。 结果就是全新的`ndarray`，这是将数组粘合在一起的产物。 为此，还存在其他类似函数，例如堆栈。 我们不会涵盖所有内容。
 
 假设我们想向`arr2`添加更多行。 使用以下代码执行此操作：
 
@@ -212,7 +212,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 ## 线性代数
 
-请注意，NumPy 是为支持线性代数而构建的。 一维 NumPy 数组可以对应于线性代数向量； 矩阵的二维数组； 和 3D，4D 或所有`ndarray`到张量。 因此，在适当的时候，NumPy 支持线性代数运算，例如数组的矩阵乘积，转置，矩阵求逆等。`linalg`模块支持大多数 NumPy 线性代数功能。 以下是常用的 NumPy 线性代数函数的列表：
+请注意，NumPy 是为支持线性代数而构建的。 一维 NumPy 数组可以对应于线性代数向量； 矩阵的二维数组； 和 3D，4D 或所有`ndarray`到张量。 因此，在适当的时候，NumPy 支持线性代数运算，例如数组的矩阵乘积，转置，矩阵求逆等。`linalg`模块支持大多数 NumPy 线性代数函数。 以下是常用的 NumPy 线性代数函数的列表：
 
 ![](img/947424be-4f60-4dc5-ab46-b64a30b26289.png)
 
@@ -238,7 +238,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 您可以通过查看此数组的逻辑方式来猜测。
 
-现在让我们看一些更复杂的线性代数功能。 让我们从 Sklearn 库的数据集模块中加载一个名为`load_iris`的函数，以便我们可以查看经典的鸢尾花数据集：
+现在让我们看一些更复杂的线性代数函数。 让我们从 Sklearn 库的数据集模块中加载一个名为`load_iris`的函数，以便我们可以查看经典的鸢尾花数据集：
 
 ![](img/97bf54b1-56e6-4936-9afa-b1bf10da93a9.png)
 
@@ -282,11 +282,11 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 ## 使用数组方法和函数
 
-现在，我们将讨论 NumPy 数组方法和函数的使用。 在本节中，我们将研究常见的`ndarray`函数和方法。 这些功能使您可以使用简洁，直观的语法执行常规任务，而不仅仅是 Python 代码的概念。
+现在，我们将讨论 NumPy 数组方法和函数的使用。 在本节中，我们将研究常见的`ndarray`函数和方法。 这些函数使您可以使用简洁，直观的语法执行常规任务，而不仅仅是 Python 代码的概念。
 
 ## 数组方法
 
-NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如查找数据集的均值或多个数据集的多个均值。 我们可以对数组的行和列进行排序，找到数学和统计量，等等。 有很多功能可以完成很多事情！ 我不会全部列出。 在下面，我们看到了常见管理任务所需的功能，例如将数组解释为列表或对数组内容进行排序：
+NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如查找数据集的均值或多个数据集的多个均值。 我们可以对数组的行和列进行排序，找到数学和统计量，等等。 有很多函数可以完成很多事情！ 我不会全部列出。 在下面，我们看到了常见管理任务所需的函数，例如将数组解释为列表或对数组内容进行排序：
 
 ![](img/fcedd7e4-37bf-4748-811c-80ffbfad1457.png)
 
@@ -339,7 +339,7 @@ NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如
 
 ## `ufuncs`的向量化
 
-`ufunc`是专门用于数组的 NumPy 函数； 特别地，它们支持向量化。 向量化函数按组件方式应用于数组的元素。 这些通常是高度优化的功能，可以在较快的语言（例如 C）的后台运行。
+`ufunc`是专门用于数组的 NumPy 函数； 特别地，它们支持向量化。 向量化函数按组件方式应用于数组的元素。 这些通常是高度优化的函数，可以在较快的语言（例如 C）的后台运行。
 
 在下面，我们看到一些常见的`ufuncs`，其中许多是数学上的：
 
@@ -359,23 +359,23 @@ NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如
 
 ## 自定义函数
 
-如前所述，我们可以创建自己的`ufuncs`。 创建`ufuncs`的一种方法是使用现有的`ufuncs`，向量化操作，数组方法等（即 Numpy 的所有现有基础结构）来创建一个函数，该函数逐个组件地生成我们想要的结果。 假设由于某些原因我们不想这样做。 如果我们有一个现有的 Python 函数，而只想对该函数进行向量化处理，以便将其应用于`ndarray`组件，则可以使用 NumPy 的`vectorize`函数创建该函数的新向量化版本。 `vectorize`将功能作为输入，并将功能的向量化版本作为输出。
+如前所述，我们可以创建自己的`ufuncs`。 创建`ufuncs`的一种方法是使用现有的`ufuncs`，向量化操作，数组方法等（即 Numpy 的所有现有基础结构）来创建一个函数，该函数逐个组件地生成我们想要的结果。 假设由于某些原因我们不想这样做。 如果我们有一个现有的 Python 函数，而只想对该函数进行向量化处理，以便将其应用于`ndarray`组件，则可以使用 NumPy 的`vectorize`函数创建该函数的新向量化版本。 `vectorize`将函数作为输入，并将函数的向量化版本作为输出。
 
-如果您不关心速度，可以使用`vectorize`，但是`vectorize`创建的功能不一定很快。 实际上，前一种方法（使用 NumPy 的现有功能和基础结构来创建您的向量化功能）可将`ufuncs`的生成速度提高许多倍。
+如果您不关心速度，可以使用`vectorize`，但是`vectorize`创建的函数不一定很快。 实际上，前一种方法（使用 NumPy 的现有函数和基础结构来创建您的向量化函数）可将`ufuncs`的生成速度提高许多倍。
 
 我们要做的第一件事是定义一个适用于单个标量值的函数。 它的作用是截断，因此如果一个数字小于零，则该数字将替换为零：
 
 ![](img/3ff39dbc-d824-4de3-8b8b-faf4e2a98576.png)
 
-此功能未向量化； 让我们尝试将此函数应用于矩阵`arr1`：
+此函数未向量化； 让我们尝试将此函数应用于矩阵`arr1`：
 
 ![](img/04f9f215-dec1-4240-abf7-8eb57454d11e.png)
 
-然后，我们希望该矩阵中每个错误的数量都改为零。 但是，当我们尝试应用此功能时，它根本不起作用：
+然后，我们希望该矩阵中每个错误的数量都改为零。 但是，当我们尝试应用此函数时，它根本不起作用：
 
 ![](img/6cc5d3ea-e108-4b80-84b6-60cc1a24d15f.png)
 
-我们需要做的是创建一个`ufunc`，其功能与原始功能相同。 因此，我们使用 vectorize 并可以创建可以按预期工作的向量化版本，但效率不高：
+我们需要做的是创建一个`ufunc`，其函数与原始函数相同。 因此，我们使用 vectorize 并可以创建可以按预期工作的向量化版本，但效率不高：
 
 ![](img/bcddac11-fa34-4ee4-b31b-c01e539951bc.png)
 
@@ -391,7 +391,7 @@ NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如
 
 ![](img/359ff8e0-9562-4334-a16a-10c1e7f6a1d1.png)
 
-请注意，第一个功能比手动创建的第二个功能要慢得多。 实际上，它慢了将近 10 倍。
+请注意，第一个函数比手动创建的第二个函数要慢得多。 实际上，它慢了将近 10 倍。
 
 ## 总结
 

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

@@ -160,7 +160,7 @@ pandas 向 Python 引入了两个关键对象，序列和数据帧，后者可
 
 ## 新增数据
 
-创建系列或数据帧之后，我们可以使用`concat`函数或`append`方法向其中添加更多数据。 我们将一个对象传递给包含将添加到现有对象中的数据的方法。 如果我们正在使用数据帧，则可以附加新行或新列。 我们可以使用`concat`函数添加新列，并使用`dict`，系列或数据帧进行串联。
+创建系列或数据帧之后，我们可以使用`concat`函数或`append`方法向其中添加更多数据。 我们将一个对象传递给包含将添加到现有对象中的数据的方法。 如果我们正在使用数据帧，则可以附加新行或新列。 我们可以使用`concat`函数添加新列，并使用`dict`，系列或数据帧进行连接。
 
 让我们看看如何将新信息添加到系列或数据帧中。 例如，让我们在`pops`系列中添加两个新城市，分别是`Seattle`和`Denver`。 结果如下：
 
@@ -228,7 +228,7 @@ Pandas 提供的方法可以使我们清楚地说明我们要如何编制索引
 
 ## 切片数据帧
 
-在讨论切片系列之后，让我们谈谈切片数据帧。 好消息是，在谈论系列切片时，许多艰苦的工作已经完成。 我们介绍了`loc`和`iloc`作为串联方法，但它们也是数据帧方法。 毕竟，您应该考虑将数据帧视为多个列粘合在一起的系列。
+在讨论切片系列之后，让我们谈谈切片数据帧。 好消息是，在谈论系列切片时，许多艰苦的工作已经完成。 我们介绍了`loc`和`iloc`作为连接方法，但它们也是数据帧方法。 毕竟，您应该考虑将数据帧视为多个列粘合在一起的系列。
 
 现在，我们需要考虑从系列中学到的知识如何转换为二维设置。 如果我们使用括号表示法，它将仅适用于数据帧的列。 我们将需要使用`loc`和`iloc`来对数据帧的行进行子集化。 实际上，这些方法可以接受两个位置参数。 根据我们前面描述的规则，第一个位置参数确定要选择的行，第二个位置参数确定要选择的列。 可以发出第二个参数来选择所有列，并将选择规则仅应用于行。 这意味着我们应该将第一个参数作为冒号，以便在我们选择的列中更加挑剔。
 

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

@@ -64,7 +64,7 @@
 
 ![](img/3fa02489-e851-43ae-8a6c-3f9d4440aca9.png)
 
-现在，让我们谈谈功能应用和映射。 这类似于我们之前定义的截断函数。 我正在使用`lambda`表达式创建一个临时函数，然后将该临时函数应用于`srs1`的每个元素，如下所示：
+现在，让我们谈谈函数应用和映射。 这类似于我们之前定义的截断函数。 我正在使用`lambda`表达式创建一个临时函数，然后将该临时函数应用于`srs1`的每个元素，如下所示：
 
 ![](img/4ab5fcba-1a5b-4fc6-92fb-f0c3d827aa87.png)
 
@@ -76,7 +76,7 @@
 
 ![](img/8b1383d6-61e6-469b-b2ba-9120749a47b9.png)
 
-这也适用于功能，例如应用方式。
+这也适用于函数，例如应用方式。
 
 ## 数据帧的算术
 
@@ -88,7 +88,7 @@
 
 ## 数据帧的函数应用
 
-毫不奇怪，数据帧提供了函数应用的方法。 您应注意两种方法：`apply`和`applymap`。`apply`带有一个函数，默认情况下，将该函数应用于与数据帧的每一列相对应的序列。 产生的内容取决于函数的功能。 我们可以更改`apply`的`axis`参数，以便将其应用于行（即跨列），而不是应用于列（即跨行）。`applymap`具有与应用不同的目的。 鉴于`apply`将求值每一列上提供的功能，因此应准备进行一系列研究，而`applymap`将分别求值数据帧的每个元素上的`pass`功能。
+毫不奇怪，数据帧提供了函数应用的方法。 您应注意两种方法：`apply`和`applymap`。`apply`带有一个函数，默认情况下，将该函数应用于与数据帧的每一列相对应的序列。 产生的内容取决于函数的功能。 我们可以更改`apply`的`axis`参数，以便将其应用于行（即跨列），而不是应用于列（即跨行）。`applymap`具有与应用不同的目的。 鉴于`apply`将在每一列上求值提供的函数，因此应准备进行一系列研究，而`applymap`将分别求值数据帧的每个元素上的`pass`函数。
 
 我们可以使用`apply`函数来获取所需的数量，但是使用数据帧提供的现有方法通常更有用，并且也许更快。
 
@@ -170,7 +170,7 @@
 
 ![](img/6f31c997-41ea-4863-bbea-39fc8e9fb8a3.png)
 
-`notnull`功能基本上与`isnull`功能完全相反； 缺少数据时返回`false`，不丢失数据时返回`true`，如下所示：
+`notnull`函数基本上与`isnull`函数完全相反； 缺少数据时返回`false`，不丢失数据时返回`true`，如下所示：
 
 ![](img/2696fb61-724d-4539-a2ff-062ff73ea35f.png)
 

docs/master-exp-analysis-pandas/0.md

@@ -6,7 +6,7 @@
 
 # 这本书是给谁的
 
-本书适用于希望了解流行的 pandas 库的新兴数据科学家，或希望踏入数据分析领域的 Python 开发人员-如果您属于这两个类别，那么本书是您理想的参考资料 开始吧。
+本书适用于希望了解流行的 pandas 库的新兴数据科学家，或希望踏入数据分析领域的 Python 开发人员 -- 如果您属于这两个类别，那么本书是您理想的参考资料。开始吧。
 
 # 本书涵盖的内容
 

docs/master-exp-analysis-pandas/1.md

@@ -307,7 +307,7 @@ df = pd.read_excel('IMDB.xlsx', sheetname= 0, na_values=[' '])
 
 # 读取 JSON 文件
 
-JSON 是用于结构化数据的最小可读格式。 它主要用于在服务器和 Web 应用程序之间传输数据，以替代 XML，如以下屏幕快照所示：
+JSON 是用于结构化数据的最小可读格式。 它主要用于在服务器和 Web 应用之间传输数据，以替代 XML，如以下屏幕快照所示：
 
 ![](img/c67f9d24-a64c-43d4-9f07-d5eccf714d35.png)
 

docs/master-exp-analysis-pandas/3.md

@@ -676,14 +676,14 @@ data[['Age', 'Pclass']].applymap(np.square)
 
 我们还将 Numpy 的`secure`方法应用于这两个列。
 
-前面的步骤用于预定义功能。 现在，让我们继续创建自己的函数，然后将其应用于值，如下所示：
+前面的步骤用于预定义函数。 现在，让我们继续创建自己的函数，然后将其应用于值，如下所示：
 
 ```py
 def my_func(i):
         return i + 20
 ```
 
-创建的函数是一个简单的函数，它带有一个值，将`20`添加到其中，然后返回结果。 我们使用`applymap()`将此功能应用于`Age`和`Pclass`列中的每个值，如下所示：
+创建的函数是一个简单的函数，它带有一个值，将`20`添加到其中，然后返回结果。 我们使用`applymap()`将此函数应用于`Age`和`Pclass`列中的每个值，如下所示：
 
 ```py
 data[['Age', 'Pclass']].applymap(my_func)
@@ -691,7 +691,7 @@ data[['Age', 'Pclass']].applymap(my_func)
 
 ![](img/dcf93f0e-69c4-49fc-bcc1-65940f91727a.png)
 
-让我们继续学习有关将多个数据帧合并和串联在一起的知识。
+让我们继续学习有关将多个数据帧合并和连接在一起的知识。
 
 # 将多个数据帧合并并连接成一个
 
@@ -750,7 +750,7 @@ pd.concat([dataset1, dataset2], axis=1)
 
 ![](img/cb6c49ea-455d-4c80-b0de-084fb965c0c7.png)
 
-数据集串联的第三个变体是串联具有不同行和列的数据集。 我们首先创建两个具有不同参数的数据集，如下所示：
+数据集连接的第三个变体是连接具有不同行和列的数据集。 我们首先创建两个具有不同参数的数据集，如下所示：
 
 ```py
 dataset1 = pd.DataFrame({'Age': ['32', '26', '29'],