跟著書做~一行指令學 python，用機器學習掌握人工智慧

 跟著書做，有問題的就會寫下來@@之前還有一本"一行指令學Python : 用Pandas掌握商務大數據分析"

用colab試試看~~

第一章：python基本功能介紹

1. 寫個函數來運用，慢慢地導入到pandas。
2. df.columns 表格的最上面(欄位的說明，數學、英文、歷史等)

第二章：pandas介紹

1. %matplotlib inline 是甚麼意思呢???沒想到還有魔術指令。
2. df.index 表格的最左邊，(哪個人，A、B、C人)
3. df.values(欄位內容)、df.shape = 顯示維度、dtype = 資料型態
4. DataFrame裡面是運用了numpy的array。df.values就可以看出
5. s = pd.Series([1,2,3])，是三列的資料 ( 3 ,  ) 一維資料
   s = pd.array([1,2,3])，是一列的資料( 1 , 3 ) 一維資料
6. d = s.to_frame()，轉成DataFrame
7. t = d.T，要先轉成DataFrame，才能將其轉成一列 ( 1, 3 ) 二維資料
8. s = pd.array([1,2,3])，是一列的資料( 1 , 3 ) 一維資料
   s.reshape(3,1)，就可以轉成 ( 3, 1 )，要自己輸入 3, 1。二維資料
9. s.reshape(-1, 1 )  二維資料，也有reshape( 1, -1) 一維資料
10. 二維轉一維，有兩個方法
    s.reshape(-1)、 s.ravel()
11. df.isnull() ，可以檢查是否有遺漏值(要使用 np.nan ，自己使用字串'NaN'無效，且待會計算平均的時候會出現錯誤)
12. df.loc[ ['simon'] ] 是 location哪個人，
    df.iloc[ [ 0 ] ] 是 index location 哪一列，可以用在取某個區間的列
13. df.loc [ ['第一個人' ，'第二個人] ]  [ [ '第一項目'， '第二項目' ] ] 
    這裡是指定某個人，某個項目
14. df.loc[ ['第一個人' ，'第二個人],   '第一項目'  ： '第N項目' ]
    這裡是指定某個人， 某個區間的項目
    所以要指定就用中括號刮起來，要區間的話，就用冒號處理
15. 在處理df的時候，建議還是先複製，df2 = df.copy()
16. df.drop(['個人平均'], axis=1) 可以刪除(所以建議copy原始資料)
17. 篩選資料，先建立布林陣列，例如 bool_v = df['math'] > 60
    接著帶入DF，df [ bool_v ] 就可以顯示出來了
18. apply(某個函數)， s.apply( lambda x : ( x+1)  if (x%2)==1  else ( x-1 )   )
    s.apply(lambda (x是s裡面的值) : (若是真的執行這裡) if(判斷式) else (假的執行這裡))
19. 習題：有字串( '90' )跑入資料中，DF看不出來，用mean()就會顯示錯誤，但要怎麼去找這字串呢???用下面的方法
    
    en.apply(lambda x :(print(x)) if(type(x) != int) else () )
20. 找到以後用at來修改(感謝Mike分享很多的技巧)，專門修改某一個欄位的值
21. 取得欄位的名稱(感謝python攻略)，有時候函數有括號，像columns就不用括號
22. 要將NAN的值，用各科的平均填回去，吃盡了苦頭。
    1.將平均放入一個陣列 meanlist
    2.取出df2的shape大小，之後要跑for
    3.取出df2.columns ，欄位名稱(出來的就是陣列)
    4.再將每科是NAN的放入listna陣列
    5.最後比對 listna，TRUE就放入平均。df2.at[ '哪個人' , '哪個科目' ] = 多少
    6.很特別，用type會顯示兩種，一個是int，一個是float

第三章：資料預處理 (用sklearn預處理資料)

1. 有兩類資料類型，數值型(num_pl)、類別型(cat_pl)，最後整合起來資料型(data_pl)
   sklearn的SimpleImpute會轉成numpy。
2. ddof=0，回傳母體標準差；ddof=1，回傳樣本標準差。感謝ShengYu分享(裡面還有很多python教學)。

第四章：

用colab試試看~~