2020-07-14 17:46:59

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。
 
 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

@@ -40,9 +40,9 @@ Linux 安装必须通过命令行完成，但是对于那些熟悉 Linux 安装
 
 # 探索 Jupyter 笔记本
 
-在本节中，我们将探索 Jupyter Notebooks，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 Notebook，还将讨论 Markdown，这是我们在 Jupyter Notebook 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。
+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 Notebook 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，例如魔术功能。
 
 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：
 
@@ -52,7 +52,7 @@ Anaconda 随附 Jupyter 笔记本。 Jupyter 笔记本允许纯文本与代码
 
 ![](img/569e8dbc-0948-41f4-a911-f06b533ed491.png)
 
-如您所见，它用尽了网络浏览器，例如 Chrome 或 Firefox，在这种情况下为 Chrome。 当我们开始 Jupyter Notebook 时，我们在文件浏览器中。 我们在一个新创建的目录`Untitled Folder`中。 在 Jupyter Notebook 中，有用于创建新 Notebook，文本文件和文件夹的选项。 如前面的屏幕截图所示，当前没有保存笔记本。 我们将需要一个 Python 笔记本，可以通过在以下屏幕快照中显示的 New 下拉菜单中选择 Python 选项来创建它。
+如您所见，它用尽了网络浏览器，例如 Chrome 或 Firefox，在这种情况下为 Chrome。 当我们开始 Jupyter 笔记本时，我们在文件浏览器中。 我们在一个新创建的目录`Untitled Folder`中。 在 Jupyter 笔记本中，有用于创建新笔记本，文本文件和文件夹的选项。 如前面的屏幕截图所示，当前没有保存笔记本。 我们将需要一个 Python 笔记本，可以通过在以下屏幕快照中显示的“新建”下拉菜单中选择 Python 选项来创建它。
 
 ![](img/c622867b-9917-4cf6-8873-652cb09681be.png)
 
@@ -78,11 +78,11 @@ Anaconda 随附 Jupyter 笔记本。 Jupyter 笔记本允许纯文本与代码
 
 后台发生了什么？ 发生的事情是有一个内核，它基本上是一个正在运行的 Python 会话，它跟踪我们所有的变量以及到目前为止发生的所有事情。 如果单击内核，则可以看到重新启动内核的选项。 这将基本上重新启动我们的 Python 会话。 我们最初警告说，通过重新启动内核，所有变量都将丢失。
 
-重新启动内核后，似乎没有任何更改，但是如果我们运行第二个单元，则将产生错误，因为变量`trigger`不存在。 我们将需要首先运行上一个单元，以便该单元正常工作。 相反，如果我们不仅要重启内核，还要重启内核并重新运行所有单元，则需要单击 Restart & amp； 运行全部。 重新启动内核后，将重新运行所有单元块。 它可能看起来好像没有发生任何事情，但是我们已经从第一个开始，运行它，运行第二个单元格，然后运行第三个单元格，如下所示：
+重新启动内核后，似乎没有任何更改，但是如果我们运行第二个单元，则将产生错误，因为变量`trigger`不存在。 我们将需要首先运行上一个单元，以便该单元正常工作。 相反，如果我们不仅要重启内核，还要重启内核并重新运行所有单元，则需要单击“重启并运行全部”。 重新启动内核后，将重新运行所有单元块。 它可能看起来好像没有发生任何事情，但是我们已经从第一个开始，运行它，运行第二个单元格，然后运行第三个单元格，如下所示：
 
 ![](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)
 
@@ -122,21 +122,21 @@ Anaconda 随附 Jupyter 笔记本。 Jupyter 笔记本允许纯文本与代码
 
 # 探索 Jupyter 的替代品
 
-现在，我们将考虑替代 Jupyter Notebooks。 我们将看：
+现在，我们将考虑替代 Jupyter 笔记本。 我们将看：
 
 *   Jupyter QT 控制台
-*   斯派德
-*   圈地
+*   Spider
+*   Rodeo
 *   Python 解释器
 *   ptpython
 
-我们将考虑的第一个替代方案是 Jupyter QT Console。 这是一个具有附加功能的 Python 解释器，专门用于数据分析。
+我们将考虑的第一个替代方案是 Jupyter QT 控制台。 这是一个具有附加功能的 Python 解释器，专门用于数据分析。
 
 以下屏幕截图显示了 Jupyter QT 控制台：
 
 ![](img/43fea253-2b02-483a-8fac-781c98e575b9.png)
 
-它与 Jupyter Notebook 非常相似。 实际上，它实际上是 Jupyter Notebook 的控制台版本。 注意这里我们有一些有趣的语法。 我们有`In [1]`，然后假设您要键入一个命令，例如：
+它与 Jupyter 笔记本非常相似。 实际上，它实际上是 Jupyter 笔记本的控制台版本。 注意这里我们有一些有趣的语法。 我们有`In [1]`，然后假设您要键入一个命令，例如：
 
 ```py
 print ("Hello, world!")
@@ -154,7 +154,7 @@ print ("Hello, world!")
 
 ![](img/f8fbe4b3-179f-4688-a522-102e7ab26012.png)
 
-在`In [2]`之后，我们看到`Out[2]`。 这是什么意思？ 这是一种在会话中跟踪历史命令及其输出的方法。 要访问`In [42]`的命令，我们输入`_i42`。 因此，在这种情况下，如果要查看命令 2 的输入，请键入`i2`。 注意，它给我们一个字符串 1 +1。实际上，我们可以运行此字符串。
+在`In [2]`之后，我们看到`Out[2]`。 这是什么意思？ 这是一种在会话中跟踪历史命令及其输出的方法。 要访问`In [42]`的命令，我们输入`_i42`。 因此，在这种情况下，如果要查看命令 2 的输入，请键入`i2`。 注意，它给我们一个字符串`1 + 1`。实际上，我们可以运行此字符串。
 
 如果我们输入`eval`，然后输入`_i2`，请注意，它给我们提供的输出与原始命令`In [2]`相同。 现在`Out[2]`怎么样？ 我们如何获取实际输出？ 在这种情况下，我们要做的只是`_`，然后是输出的数量，例如 2。这应该给我们 2。因此，这为您提供了一种更方便的方法来访问历史命令及其输出。
 
@@ -179,7 +179,7 @@ from sklearn.datasets import load_iris
 
 ```
 
-这是用于数据分析的非常常见的数据集。 它通常用作评估训练模型的一种方法。 我们还将在此上使用 k-means 聚类：
+这是用于数据分析的非常常见的数据集。 它通常用作评估训练模型的一种方法。 我们还将在此上使用 k 均值聚类：
 
 ```py
 from sklearn.cluster import KMeans
@@ -193,23 +193,23 @@ iris  = load_iris()
 
 ```
 
-现在，我们将在此数据集上训练 k-均值聚类方案：
+现在，我们将在此数据集上训练 K 均值聚类方案：
 
 ```py
 iris_clusters = KMeans(n_clusters = 3, init =  "random").fit(iris.data)
 
 ```
 
-键入函数时，我们可以立即查看文档。 例如，我知道 end clusters 参数的含义。 它实际上是函数中的原始文档字符串。 在这里，我希望聚类的数量为`3`，因为我知道此数据集中实际上有三个真实聚类。 既然已经训练了聚类方案，我们可以使用以下代码对其进行绘制：
+键入函数时，我们可以立即查看文档。 例如，我知道`n_clusters`参数的含义。 它实际上是函数中的原始文档字符串。 在这里，我希望聚类的数量为`3`，因为我知道此数据集中实际上有三个真实聚类。 既然已经训练了聚类方案，我们可以使用以下代码对其进行绘制：
 
 ```py
 plt.scatter(iris.data[:, 0], iris.data[:, 1], c = iris_clusters.labels_)
 
 ```
 
-# 斯派德
+# Spyder
 
-Spyder 是与 Jupyter Notebook 或 Jupyter QT Console 不同的 IDE。 它集成了 NumPy，SciPy，Matplotlib 和 IPython。 它可以通过插件扩展，并且包含在 Anaconda 中。
+Spyder 是与 Jupyter 笔记本或 Jupyter QT 控制台不同的 IDE。 它集成了 NumPy，SciPy，Matplotlib 和 IPython。 它可以通过插件扩展，并且包含在 Anaconda 中。
 
 以下屏幕截图显示了 Spyder，这是一个用于数据分析和科学计算的实际 IDE：
 
@@ -217,7 +217,7 @@ Spyder 是与 Jupyter Notebook 或 Jupyter QT Console 不同的 IDE。 它集成
 
 Spyder Python 3.6
 
-在右侧，您可以转到文件资源管理器以搜索要加载的新文件。 在这里，我们要打开`iris_kmeans.py`。 这是一个文件，其中包含我们之前在 Jupyter QT Console 中使用的所有命令。 请注意，在右侧，编辑器有一个控制台。 实际上就是 IPython 控制台，您将其视为 Jupyter QT 控制台。 我们可以通过单击 Run 选项卡来运行整个文件。 它将在控制台中运行，如下所示：
+在右侧，您可以转到文件资源管理器以搜索要加载的新文件。 在这里，我们要打开`iris_kmeans.py`。 这是一个文件，其中包含我们之前在 Jupyter QT 控制台中使用的所有命令。 请注意，在右侧，编辑器有一个控制台。 实际上就是 IPython 控制台，您将其视为 Jupyter QT 控制台。 我们可以通过单击 Run 选项卡来运行整个文件。 它将在控制台中运行，如下所示：
 
 ![](img/fae7f8db-2540-43cf-a10f-76474350c5ff.png)
 
@@ -247,7 +247,7 @@ n
 
 到此结束我们对 Spyder 的讨论。
 
-# 圈地
+# Rodeo
 
 Rodeo 是 Yhat 开发的 Python IDE，专门用于数据分析应用程序。 它旨在模拟在 R 用户中很流行的 RStudio IDE，并且可以从 Rodeo 的网站上下载。 基本的 Python 解释器的唯一优点是每个 Python 安装程序都包含它，如下所示：
 
@@ -338,7 +338,7 @@ conda install selenium
 
 ```
 
-如果`selenium`是我们感兴趣的软件包，则可以从 Internet 自动下载它，除非您具有 Anaconda 可以直接从您的系统直接安装的文件。
+如果`selenium`是我们感兴趣的软件包，则可以从互联网自动下载它，除非您具有 Anaconda 可以直接从您的系统直接安装的文件。
 
 要通过`pip`安装软件包，请使用以下命令：
 
@@ -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。
+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 社区版，它是免费和开源的版本。
 
 # 安装 MySQL
 
@@ -374,7 +374,7 @@ Windows 用户可以直接从其网站安装 MySQL。 您还应该注意，MySQL
 
 ![](img/ee93dcc6-011a-4394-983e-12b44f1d65e8.png)
 
-我建议您使用 MySQL Installer。 向下滚动，然后在寻找要下载的二进制文件时，请注意，第一个二进制文件表示网络社区。 这将是一个安装程序，可在您进行安装时从互联网上下载 MySQL。 请注意，它比另一个二进制文件小得多。 它基本上包括了您能够安装 MySQL 所需的一切。 如果您继续关注的话，我会建议您下载该文件。
+我建议您使用 MySQL 安装程序。 向下滚动，然后在寻找要下载的二进制文件时，请注意，第一个二进制文件表示网络社区。 这将是一个安装程序，可在您进行安装时从互联网上下载 MySQL。 请注意，它比另一个二进制文件小得多。 它基本上包括了您能够安装 MySQL 所需的一切。 如果您继续关注的话，我会建议您下载该文件。
 
 通常有可用的发行版。 这些应该是稳定的。 开发版本旁边是“常规版本”选项卡。 我建议您不要下载这些，除非您知道自己在做什么。
 

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

-# 潜入 NumPY
+# 潜入 NumPy
 
 到目前为止，您应该已经安装了使用 Python 进行数据分析所需的一切。 现在让我们开始讨论 NumPy，这是用于管理数据和执行计算的重要软件包。 没有 NumPy，就不会使用 Python 进行任何数据分析，因此了解 NumPy 至关重要。 本章的主要目标是学习使用 NumPy 中提供的工具。
 
@@ -14,11 +14,11 @@
 
 # NumPy 数组
 
-现在让我们讨论称为`ndarray`的 NumPy 数组。 这些不是您在 C 或 C ++中可能遇到的数组。 更好的模拟是 MATLAB 或 R 中的矩阵。 也就是说，它们的行为类似于数学对象，类似于数学矢量，矩阵或张量。 尽管它们可以存储诸如字符串之类的非数学信息，但它们的存在主要是为了管理和简化对数字数据的操作。`ndarray`在创建时被分配了特定的数据类型或`dtype`，并且数组中所有当前和将来的数据必须属于该`dtype`。 它们还具有多个维度，称为**轴**。
+现在让我们讨论称为`ndarray`的 NumPy 数组。 这些不是您在 C 或 C++ 中可能遇到的数组。 更好的模拟是 MATLAB 或 R 中的矩阵。 也就是说，它们的行为类似于数学对象，类似于数学向量，矩阵或张量。 尽管它们可以存储诸如字符串之类的非数学信息，但它们的存在主要是为了管理和简化对数字数据的操作。`ndarray`在创建时被分配了特定的数据类型或`dtype`，并且数组中所有当前和将来的数据必须属于该`dtype`。 它们还具有多个维度，称为**轴**。
 
 一维`ndarray`是一行数据； 这将是一个向量。 二维`ndarray`将是数据的平方，实际上是一个矩阵。 三维`ndarray`将是关键数据，就像张量一样。 允许任意数量的尺寸，但大多数`ndarray`都是一维或二维的。
 
-`dtype`与基本 Python 语言中的类型相似，但 NumPy `dtype`与其他语言（例如 C，C ++或 Fortran）中看到的数据类型也很相似，因为它们的长度是固定的。`dtype`具有层次结构；`dtype`通常具有字符串描述符，后跟 2 的幂以决定`dtype`的大小。
+`dtype`与基本 Python 语言中的类型相似，但 NumPy `dtype`与其他语言（例如 C，C++ 或 Fortran）中看到的数据类型也很相似，因为它们的长度是固定的。`dtype`具有层次结构；`dtype`通常具有字符串描述符，后跟 2 的幂以决定`dtype`的大小。
 
 以下是常见的`dtype`列表：
 
@@ -30,19 +30,19 @@
 
 ![](img/53e332d4-6601-4803-919f-c1e772c4b24f.png)
 
-如果我们查看`dtype`，就会看到它是`int8`，即 8 位整数。 我们还可以创建一个由 16 位浮点数填充的数组。 该数组看起来类似于整数数组。 1s 的末尾有一个圆点； 这有点表明包含的数据是浮点而不是整数。
+如果我们查看`dtype`，就会看到它是`int8`，即 8 位整数。 我们还可以创建一个由 16 位浮点数填充的数组。 该数组看起来类似于整数数组。 1 的末尾有一个圆点； 这有点表明包含的数据是浮点而不是整数。
 
 让我们创建一个填充无符号整数的数组：
 
 ![](img/3e9f87fd-7331-4399-9396-881a8c917e2d.png)
 
-同样，它们为 1，看起来与我们以前的相似，但现在让我们尝试更改一些数据。 例如，我们可以将数组`int_ones`中的数字更改为-1，就可以了。 但是，如果我尝试将其以无符号整数更改为-1，则最终会得到 255。
+同样，它们为 1，看起来与我们以前的相似，但现在让我们尝试更改一些数据。 例如，我们可以将数组`int_ones`中的数字更改为 -1，就可以了。 但是，如果我尝试将其以无符号整数更改为 -1，则最终会得到 255。
 
 让我们创建一个填充字符串的数组：
 
 ![](img/137bc79a-59ee-44a6-a90f-c8503ecfa0a3.png)
 
-我们此处未指定`dtype`参数，因为通常会猜测`dtype`。 通常会做出一个很好的猜测，但是并不能保证。 例如，在这里我想为该数组的内容分配一个新值`Waldo`。 现在，此`dtype`表示您的字符串长度不能超过四个。 虽然`Waldo`有五个字符，所以当我们更改数组并更改其内容时，我们以 Wald 而不是`Waldo`结尾。 这是因为它不能超过五个字符。 只需要前四个：
+我们此处未指定`dtype`参数，因为通常会猜测`dtype`。 通常会做出一个很好的猜测，但是并不能保证。 例如，在这里我想为该数组的内容分配一个新值`Waldo`。 现在，此`dtype`表示您的字符串长度不能超过四个。 虽然`Waldo`有五个字符，所以当我们更改数组并更改其内容时，我们以`Wald`而不是`Waldo`结尾。 这是因为它不能超过五个字符。 只需要前四个：
 
 ![](img/9d488485-848b-4c1c-bfaa-6cd76eb8fc72.png)
 
@@ -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，`nan` sum 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。
 
 现在让我们来看一个例子：
 
@@ -66,7 +66,7 @@
 
 ![](img/27a62731-2f47-4664-98b7-577852953fa5.png)
 
-我们将遍历`vec2`的每个可能值，并打印`i == np.inf`，`i == -np.inf`的结果以及 I 是否等于`nan`，`i == np.nan`的结果。 我们得到的是一张清单；`inf`和`-inf`的前两个块很好，但是这个`nan`不好。 我们希望它检测到`nan`，但它没有这样做。 因此，让我们尝试使用是`nan`函数：
+我们将遍历`vec2`的每个可能值，并打印`i == np.inf`，`i == -np.inf`的结果以及`i`是否等于`nan`，`i == np.nan`的结果。 我们得到的是一张清单；`inf`和`-inf`的前两个块很好，但是这个`nan`不好。 我们希望它检测到`nan`，但它没有这样做。 因此，让我们尝试使用是`nan`函数：
 
 ![](img/5a78d47d-efda-4805-89cc-7184f5541f39.png)
 
@@ -92,13 +92,13 @@
 
 ![](img/45324bdd-4926-41d6-aaed-0e6efdb562c7.png)
 
-但是，如果我们使用函数`nansum`，则 nans 将被忽略，我们将获得合理的值 4。
+但是，如果我们使用函数`nansum`，则`nan`将被忽略，我们将获得合理的值 4。
 
 # 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。
 
-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，由创建阵列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：
 
@@ -108,7 +108,7 @@
 
 # 创建 ndarray
 
-在下面的笔记本中，我们创建一个`ndarray`。 我们要做的第一件事是创建一个 1s 的向量。 注意正在传递的元组； 它仅包含一个数字`5`。 因此，它将是具有五个元素的一维`ndarray`：
+在下面的笔记本中，我们创建一个`ndarray`。 我们要做的第一件事是创建一个 1 的向量。 注意正在传递的元组； 它仅包含一个数字`5`。 因此，它将是具有五个元素的一维`ndarray`：
 
 ![](img/12e69768-3944-4664-b6c5-4458046f4bed.png)
 
@@ -144,7 +144,7 @@
 
 我们传递的第一个数字是行数，第二个数字是列数。 您可以传递第三个数字来确定平板的数量，第四个，第五个等等，以指定所需的维数以及每个维的长度。
 
-现在，我们将创建 2 x 2 个具有所选名称的矩阵，以及 2 x 2 x 2 个包含数字的数组。 因此，这是一个仅包含名称的矩阵：
+现在，我们将创建`2 x 2`个具有所选名称的矩阵，以及`2 x 2 x 2`个包含数字的数组。 因此，这是一个仅包含名称的矩阵：
 
 ![](img/bd1788b5-bd18-45d8-bb65-2965bc0332fb.png)
 
@@ -220,7 +220,7 @@
 
 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。
 
-可以通过`ndarray`处理多类型的数据，但是此时您应该使用 pandas DataFrame，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：
+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：
 
 ![](img/f28be513-9207-4b9c-bb2f-79cf5e1e108a.png)
 

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

@@ -24,7 +24,7 @@
 
 ![](img/af0927e8-301a-42be-9310-3d7474e8d22b.png)
 
-注意，我们创建的是三维数组。 现在，这个数组有点复杂，所以让我们使用二维 3 x 3 数组代替 ：
+注意，我们创建的是三维数组。 现在，这个数组有点复杂，所以让我们使用二维`3 x 3`数组代替 ：
 
 ![](img/4b7191f0-9604-4d41-ade1-a94f825cc394.png)
 
@@ -68,7 +68,7 @@
 
 ![](img/8a40d17d-96b8-4941-9e5a-b021835166e4.png)
 
-我们可以转到更复杂的三维数组，并查看类似的切片方案。 例如，这是一个 2 x 2 x 2 的角落立方体：
+我们可以转到更复杂的三维数组，并查看类似的切片方案。 例如，这是一个`2 x 2 x 2`的角落立方体：
 
 ![](img/71d20c8d-94ee-42a8-bcd0-5873b5436fa9.png)
 
@@ -94,7 +94,7 @@
 
 ![](img/ac3484b4-148f-429a-8a45-8438a9099552.png)
 
-Wayne 不包括在选择中，这是为执行该索引而生成的数组：
+`Wayne`不包括在选择中，这是为执行该索引而生成的数组：
 
 ![](img/e8020cee-2b6f-4749-a0fa-0853b8d9ccdf.png)
 
@@ -124,7 +124,7 @@ Wayne 不包括在选择中，这是为执行该索引而生成的数组：
 
 因此，我实际上已经编写了一些代码，可以实际演示哪些元素将显示在新数组中，即，原始数组中的坐标对新数组中的元素而言是什么。
 
-例如，我们得到的是一个二维矩阵 2 x 2 x2。如果我们想知道切片对象的第二行，第二列和第一个平板中的内容，则可以使用如下代码 ：
+例如，我们得到的是一个二维矩阵`2 x 2 x 2`。如果我们想知道切片对象的第二行，第二列和第一个平板中的内容，则可以使用如下代码 ：
 
 ![](img/6775c4bd-a18b-4f5d-82a1-054281393b62.png)
 
@@ -132,13 +132,13 @@ Wayne 不包括在选择中，这是为执行该索引而生成的数组：
 
 # 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。 该方法要求阵列沿未用于绑定的轴具有相似的形状。 结果就是全新的`ndarray`，这是将阵列粘合在一起的产物。 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。
 
 假设我们想向`arr2`添加更多行。 使用以下代码执行此操作：
 
 ![](img/e700972d-12c9-4034-b0d3-306ec2834ddc.png)
 
-我们创建一个全新的阵列。 在这种情况下，我们不需要使用`copy`方法。 结果如下：
+我们创建一个全新的数组。 在这种情况下，我们不需要使用`copy`方法。 结果如下：
 
 ![](img/ff450802-d16c-42d4-93fa-e7185eaa62b5.png)
 
@@ -188,7 +188,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 到目前为止，我们已经处理了两个形状相同的数组。 实际上，这不是必需的。 尽管我们不一定要添加两个任意形状的数组，但是在某些情况下，我们可以合理地对不同形状的数组执行算术运算。 从某种意义上说，较小数组中的信息被视为属于相同形状但具有重复值的数组。 让我们看看实际的广播行为。
 
-现在，回想一下数组`arr1`为 3 x 3 x 3； 也就是说，它具有三行，三列和三个平板。 在这里，我们创建一个对象`arr3`：
+现在，回想一下数组`arr1`为`3 x 3 x 3`； 也就是说，它具有三行，三列和三个平板。 在这里，我们创建一个对象`arr3`：
 
 ![](img/3933075d-3add-41e7-ab02-a7ddac1faf9e.png)
 
@@ -196,7 +196,7 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 ![](img/cc993b4c-c0a0-4b16-bbb7-a5fe7227e792.png)
 
-我将第 0 列和第 2 列设为 0，将中间列设为 1.因此，结果是我有效地选择了中间列并将其他两列设置为  0。有效地复制了该对象，因此好像我将`arr1`乘以一个对象一样，其中第一列为 0，第三列为 0，第二列为 1。
+我将第 0 列和第 2 列设为 0，将中间列设为 1。因此，结果是我有效地选择了中间列并将其他两列设置为  0。有效地复制了该对象，因此好像我将`arr1`乘以一个对象一样，其中第一列为 0，第三列为 0，第二列为 1。
 
 现在，让我们看看如果切换此对象的尺寸会发生什么？ 因此，现在它具有一列，一个平板和三行：
 
@@ -222,13 +222,13 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 ![](img/f7a9f0cd-719f-4d06-bdda-0b7dc921a6e2.png)
 
-我说`arr4`是`arr3`，我们绕着轴切换。 因此，轴 0 仍将是轴 0，但轴 1 将是旧阵列的轴 2，而轴 2 将是旧阵列的轴 1。
+我说`arr4`是`arr3`，我们绕着轴切换。 因此，轴 0 仍将是轴 0，但轴 1 将是旧数组的轴 2，而轴 2 将是旧数组的轴 1。
 
 现在，让我们看看其他示例。 让我们看一下重塑的演示。 因此，我们要做的第一件事是创建一个由八个元素组成的数组：
 
 ![](img/fbe3c803-540a-4bd0-8173-4a9a4cccb241.png)
 
-我们可以重新排列此数组的内容，使其适合其他形状的数组。 现在，需要的是新数组具有与原始数组相同数量的元素。 因此，创建一个 2 x 4 数组，如下所示：
+我们可以重新排列此数组的内容，使其适合其他形状的数组。 现在，需要的是新数组具有与原始数组相同数量的元素。 因此，创建一个`2 x 4`数组，如下所示：
 
 ![](img/9ff57a7c-299e-44f2-9aae-7bfbcba58140.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 Scikit-Learn 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 Iris 数据集：
+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：
 
 ![](img/97bf54b1-56e6-4936-9afa-b1bf10da93a9.png)
 
@@ -252,21 +252,21 @@ NumPy 数组的算术总是按组件进行的。 这意味着，如果我们有
 
 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：
+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：
 
 ![](img/bf272c7e-734d-4e2c-8f2c-1d1e5d90038e.png)
 
-它是 4 x4。现在让我们得到一个逆矩阵 X 的平方。
+它是`4 x 4`。现在让我们得到一个逆矩阵`X`的平方。
 
 这将是矩阵逆：
 
 ![](img/0f98403f-4fa3-4fba-aec1-c893f18addc5.png)
 
-然后，我取这个逆，然​​后将其乘以 X 的转置乘积与矩阵 Y 的乘积，矩阵 Y 是我之前创建的那个单列矩阵。 结果如下：
+然后，我取这个逆，然​​后将其乘以`X`的转置乘积与矩阵`Y`的乘积，矩阵`Y`是我之前创建的那个单列矩阵。 结果如下：
 
 ![](img/793b3b23-eb4d-41b2-92a3-241e2ee05250.png)
 
-这不是任意的计算顺序； 它实际上对应于我们求解线性模型系数的方式。 原始矩阵`y = iris_cp[:, 3]`对应于我们要使用 X 的内容预测的变量的值； 但是现在，我只想演示一些线性代数。 当遇到的函数时，您现在就知道自己编写此函数所需的所有代码。
+这不是任意的计算顺序； 它实际上对应于我们求解线性模型系数的方式。 原始矩阵`y = iris_cp[:, 3]`对应于我们要使用`X`的内容预测的变量的值； 但是现在，我只想演示一些线性代数。 当遇到的函数时，您现在就知道自己编写此函数所需的所有代码。
 
 我们在数据分析中经常要做的另一件事是找到矩阵的 SVD 分解，并且在此线性代数函数中提供了 SVD 分解：
 
@@ -306,11 +306,11 @@ NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如
 
 ![](img/ba2fae42-8863-4c5c-a04b-580ad14dc931.png)
 
-我们可以将阵列展平，使其从 4 x 4 阵列变为一维阵列，如下所示：
+我们可以将数组展平，使其从`4 x 4`数组变为一维数组，如下所示：
 
 ![](img/90aef03f-ec71-4f3d-80e8-2f9953006162.png)
 
-我们还可以使用 fill 方法填充一个空数组。 在这里，我创建了一个用于字符串的空数组，并用字符串`Carlos`填充了它：
+我们还可以使用`fill`方法填充一个空数组。 在这里，我创建了一个用于字符串的空数组，并用字符串`Carlos`填充了它：
 
 ![](img/8ed9442b-16e1-4ccc-a42a-888d6d544fa7.png)
 
@@ -337,9 +337,9 @@ NumPy `ndarray`函数包含一些有助于完成常见任务的方法，例如
 
 ![](img/fefb42e0-e214-456a-b32a-74909478cd87.png)
 
-# 用 ufuncs 进行矢量化
+# 用`ufuncs`进行向量化
 
-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功能，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：
 
@@ -359,9 +359,9 @@ ufunc 是专门用于数组的 NumPy 函数； 特别地，它们支持向量化
 
 # 自定义功能
 
-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`，矢量化操作，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矢量化处理，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矢量化版本。 Vectorize 将功能作为输入，并将功能的矢量化版本作为输出。
+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`将功能作为输入，并将功能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矢量化功能）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。
 
 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：
 
@@ -375,7 +375,7 @@ ufunc 是专门用于数组的 NumPy 函数； 特别地，它们支持向量化
 
 ![](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 vectorized 版本，但效率不高：
+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：
 
 ![](img/bcddac11-fa34-4ee4-b31b-c01e539951bc.png)
 
@@ -383,7 +383,7 @@ ufunc 是专门用于数组的 NumPy 函数； 特别地，它们支持向量化
 
 ![](img/380190d1-54f2-4971-8bef-0e5f9196d14b.png)
 
-让我们比较这两个函数的速度。 以下是使用 vectorize 创建的矢量化版本：
+让我们比较这两个函数的速度。 以下是使用`vectorize`创建的向量化版本：
 
 ![](img/a4a3a475-cc94-4a82-88c4-06b7329e39c1.png)
 
@@ -395,4 +395,4 @@ ufunc 是专门用于数组的 NumPy 函数； 特别地，它们支持向量化
 
 # 摘要
 
-在本章中，我们从显式选择数组中的元素开始。 我们研究了高级索引编制和扩展数组。 我们还用数组介绍了一些算术和线性代数。 我们讨论了使用数组方法和函数以及`ufuncs`的矢量化。 在下一章中，我们将开始学习另一个有影响力的软件包，称为 **Pandas** 。
\ No newline at end of file
+在本章中，我们从显式选择数组中的元素开始。 我们研究了高级索引编制和扩展数组。 我们还用数组介绍了一些算术和线性代数。 我们讨论了使用数组方法和函数以及`ufuncs`的向量化。 在下一章中，我们将开始学习另一个有影响力的软件包，称为 **Pandas** 。
\ No newline at end of file

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

@@ -12,7 +12,7 @@ pandas 向 Python 引入了两个关键对象，序列和数据帧，后者可
 
 ![](img/1e8c0c05-3a69-4331-8685-aa11ae55feee.png)
 
-我们将同时加载 NumPy 和 pandas，我们将研究读取 NumPy 和 pandas 的 CSV 文件。 实际上，我们可以在 NumPy 中加载 CSV 文件，并且它们可以具有不同类型的数据，但是为了管理此类文件，您需要创建自定义`dtype`以类似于此类数据。 因此，这里有一个 CSV 文件`iris.csv`，其中包含 Iris 数据集。
+我们将同时加载 NumPy 和 pandas，我们将研究读取 NumPy 和 pandas 的 CSV 文件。 实际上，我们可以在 NumPy 中加载 CSV 文件，并且它们可以具有不同类型的数据，但是为了管理此类文件，您需要创建自定义`dtype`以类似于此类数据。 因此，这里有一个 CSV 文件`iris.csv`，其中包含鸢尾花数据集。
 
 现在，如果我们希望加载该数据，则需要考虑以下事实：每一行的数据不一定都是同一类型的。 特别是最后一列是针对物种的，它不是数字，而是字符串。 因此，我们需要创建一个自定义`dtype`，在此处执行此操作，以调用此新的`dtype`模式：
 

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

@@ -36,7 +36,7 @@
 
 ![](img/f597919b-359d-4d02-a098-442b90b23121.png)
 
-现在，让我们应用自定义`ufunc`。 在这里，我们使用装饰器符号。 在下一个屏幕截图中，让我们看看使用此截断函数的矢量化版本，数组然后将其应用于`srs1`时会发生什么，如下所示：
+现在，让我们应用自定义`ufunc`。 在这里，我们使用装饰器符号。 在下一个屏幕截图中，让我们看看使用此截断函数的向量化版本，数组然后将其应用于`srs1`时会发生什么，如下所示：
 
 ![](img/f5d73fed-b5c3-49b0-8a7e-4c0f187c8be6.png)
 
@@ -68,7 +68,7 @@
 
 ![](img/4ab5fcba-1a5b-4fc6-92fb-f0c3d827aa87.png)
 
-我们可以定义一个矢量化函数来执行此操作，但是请注意，通过使用 apply，我们设法保留了序列结构。 让我们创建一个新系列`srs3`，如下所示：
+我们可以定义一个向量化函数来执行此操作，但是请注意，通过使用 apply，我们设法保留了序列结构。 让我们创建一个新系列`srs3`，如下所示：
 
 ![](img/6448ba68-fdf2-4c13-9aa9-74dd95d66292.png)
 
@@ -82,7 +82,7 @@
 
 DataFrame 之间的算术与序列或 NumPy 数组算术具有某些相似之处。 如您所料，两个数据帧或一个数据帧与一个缩放器之间的算术工作； 但是数据帧和系列之间的算术运算需要谨慎。 必须牢记的是，涉及数据帧的算法首先应用于数据帧的列，然后再应用于数据帧的行。 因此，数据帧中的列将与单个标量，具有与该列同名的索引的系列元素或其他涉及的数据帧中的列匹配。 如果有序列或数据帧的元素找不到匹配项，则会生成新列，对应于不匹配的元素或列，并填充 Nan。
 
-# 使用数据帧进行矢量化
+# 使用数据帧进行向量化
 
 向量化可以应用于数据帧。 给定一个数据帧时，许多 NumPy `ufuncs`（例如平方根或`sqrt`）将按预期工作； 实际上，当给定数据帧时，它们仍可能返回数据帧。 也就是说，这不能保证，尤其是在使用通过 vectorize 创建的自定义`ufunc`时。 在这种情况下，他们可能会返回`ndarray`。 虽然这些方法适用于具有通用数据类型的数据帧，但是不能保证它们将适用于所有数据帧。
 
@@ -112,7 +112,7 @@ DataFrame 之间的算术与序列或 NumPy 数组算术具有某些相似之处
 
 ![](img/441b9928-2a05-4868-bef2-ceda07302961.png)
 
-现在让我们看一下向量化。 平方根函数是 NumPy 的矢量化函数，可在数据帧上按预期工作：
+现在让我们看一下向量化。 平方根函数是 NumPy 的向量化函数，可在数据帧上按预期工作：
 
 ![](img/abd19d26-34d7-4089-813c-fc8eaf08dae6.png)
 
@@ -248,4 +248,4 @@ DataFrame 之间的算术与序列或 NumPy 数组算术具有某些相似之处
 
 # 摘要
 
-在本章中，我们介绍了 Pandas DataFrames，矢量化和数据帧函数应用程序的算术运算。 我们还学习了如何通过删除或填写缺失的信息来处理 pandas DataFrame 中的缺失数据。 在下一章中，我们将研究数据分析项目中的常见任务的排序，排序，和。
\ No newline at end of file
+在本章中，我们介绍了 Pandas DataFrames，向量化和数据帧函数应用程序的算术运算。 我们还学习了如何通过删除或填写缺失的信息来处理 pandas DataFrame 中的缺失数据。 在下一章中，我们将研究数据分析项目中的常见任务的排序，排序，和。
\ No newline at end of file

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

@@ -118,7 +118,7 @@
 
 它最初是由 MATLAB 随附的绘图系统启发的，尽管现在它是它自己的野兽，但不一定是最容易使用的。 Matplotlib 具有许多功能，在本课程中，我们将只涉及其绘制的表面。 在本节中，我们将讨论在特定实例之外使用 Python 进行可视化的程度，即使可视化是从初始探索到呈现结果的数据分析的关键部分。 我建议寻找其他资源以了解有关可视化的更多信息。 例如，Packt 有专门针对该主题的视频课程。
 
-无论如何，如果我们希望能够使用 pandas 方法进行绘图，则必须安装 Matplotlib 并可以使用。 如果您正在使用 Jupyter Notebook 或 Jupyter QtConsole 或其他基于 IPython 的环境，则建议运行`pylab`魔术。
+无论如何，如果我们希望能够使用 pandas 方法进行绘图，则必须安装 Matplotlib 并可以使用。 如果您正在使用 Jupyter 笔记本或 Jupyter QtConsole 或其他基于 IPython 的环境，则建议运行`pylab`魔术。
 
 # 绘图方法