利用 Pandas 分析 IGN 游戏发行数据（上）

原文：https://www.dataquest.io/blog/pandas-python-tutorial/ 

作者：Vik Paruchuri 

译者：linkcheng

注意，为了方便阅读，删除或缩减了不少命令的输出和表格。完整内容请点击阅读原文查看。

Python 是进行数据分析的绝佳语言，主要原因是以数据为中心的 Python 包的奇妙生态系统。Pandas 就是其中之一，它使得导入和分析数据更容易。

Pandas 以 NumPy 和 matplotlib 包为底层驱动，为您提供更方便的接口用来完成大多数数据分析和可视化工作。

在这篇教程中，我们将使用 Pandas 来分析 IGN（一个热门的视频游戏评论网站）的视频游戏评论数据。

数据收集在 Eric Grinstein ，可以在https://www.kaggle.com/egrinstein/20-years-of-games找到。

在我们分析视频游戏评论的过程，将学习 Pandas 关键的概念，例如索引等。像 “巫师 3” 这样的游戏在 PS4 上会比在 Xbox One 上获得更好的评价吗？ 这个数据集可以帮助我们找出答案。

首先声明，以下我们将使用 Python 3.5 和 Jupyter Notebook 来进行分析。

译者注：brew install python3; pip3 install jupyter; pip3 install pandas (MacOS)。 jupyter教程：http://codingpy.com/article/getting-started-with-jupyter-notebook-part-1/

使用 pandas 导入数据

我们将采取的第一步是读取数据。数据存储为用逗号分隔类型的文件，如 csv 文件，它们一行代表一条记录，列与列之间用逗号（ ，）分开 。 下面是 ign.csv 文件的前几行：

1. ,score_phrase,title,url,platform,score,genre,editors_choice,release_year,release_month,release_day

2. 0,Amazing,LittleBigPlanet PS Vita,/games/littlebigplanet-vita/vita-98907,PlayStation Vita,9.0,Platformer,Y,2012,9,12

3. 1,Amazing,LittleBigPlanet PS Vita -- Marvel Super Hero Edition,/games/littlebigplanet-ps-vita-marvel-super-hero-edition/vita-20027059,PlayStation Vita,9.0,Platformer,Y,2012,9,12

4. 2,Great,Splice: Tree of Life,/games/splice/ipad-141070,iPad,8.5,Puzzle,N,2012,9,12

5. 3,Great,NHL 13,/games/nhl-13/xbox-360-128182,Xbox 360,8.5,Sports,N,2012,9,11

如上所示，数据中的每一行代表一个由 IGN 发行的游戏。 列包含有关该游戏的信息：

• score_phrase - IGN 用一个词描述该游戏。 这与得到的分数相关联。

• title - 游戏的名称。

• url - 可以在其中查看完整评价的网址。

• platform - 游戏评论的平台（PC，PS4等）。

• score - 游戏的分数，从1.0到10.0。

• genre - 游戏的类型。

• editors_choice - N 代表游戏不是编辑的选择， Y 代表是。 这与得分相关。

• release_year - 游戏发布的年份。

• release_month - 游戏发布的月份。

• release_day - 游戏发布的天。

还有一个包含行索引值的引导列。现在我们可以忽略此列，但随后我们将深入索引值的意义。

为了能够使用 Python中 的数据，我们需要将 csv 文件读入 Pandas DataFrame。 DataFrame （数据帧）是一种表示和处理表格数据的方法。表格数据具有行和列，就像我们的 csv 文件一样。

为了读入数据，我们需要使用 pandas.read_csv 函数。 此函数将接收一个 csv 文件并返回一个 DataFrame。

下面的代码将：

• 导入 pandas 库。 我们将它重命名为 pd，这样后续写起来更方便。

• 把 ign.csv 文件内容读到 DataFrame 中，并将它起名字叫 review。

1. import pandas as pd

2. reviews = pd.read_csv("ign.csv")

把数据读入到 DataFrame 后，Pandas 提供两个方法让我们快速打印出数据。

这两个函数是：

• pandas.DataFrame.head - 打印 DataFrame 的第 N 行。默认值 5。

• pandas.DataFrame.tail - 打印 DataFrame 的最后 N 行。默认值 5。

我们用 head 方法看下 review 中到底是些什么：

1. reviews.head()

我们还可以通过 pandas.DataFrame.shape 属性查看 reviews 有多少行列：

1. reviews.shape

1. (18625,11)

如上所示，一切都已正确读取，我们有 18625 行 11 列。

在 Pandas vs NumPy 中，Pandas 的一个很大的优点是允许你有不同数据类型的列。 reviews 具有 float 类型的列，如 score，string 类型，如 score_phrase和 integer 类型，如 release_year。

现在我们已经正确读取了数据，让我们从 reviews 中检索我们想要的行和列。

使用 Pandas 进行 DataFrame（数据帧）检索

之前，我们使用 head 方法打印前 5 行的 reviews。 我们可以使用 pandas.DataFrame.iloc 方法完成同样的事情。

iloc 方法允许我们按位置检索行和列。 为了做到这一点，我们需要指定我们想要的行的位置，以及我们想要的列的位置。

以下代码与 reviews.head(5) 效果相同：

1. reviews.iloc[0:5,:]

正如你看到的那样，我们指定了我们想要的行 0:5。 这意味着我们取 0 到 5 行的数据，但不包括第 5 行。第一行被认为是在位置 0。这时我们获取了第 0,1,2,3 和 4 行的数据。

如果我们缺失第一个位置的值，如 ：5，这个地方的默认值就是 0 。如果我们缺失最后一个位置额值，如 0 :，它默认到 DataFrame 中的最后一行或列。

我们想要所有的列，所以我们只指定一个冒号（:)，没有任何位置。 这给了我们从0到最后一列的列。

以下是一些关于索引使用的例子，以及对结果的解释：

• reviews.iloc[:5,:] – 前 5 行, 及其全部列数据。

• reviews.iloc[:,:] – 所有行所有列的数据。

• reviews.iloc[5:,5:] – 从第 5 行开始到最后一行, 及第 5 列开始到最后一列的数据。

• reviews.iloc[:,0] – 所有行的第一列数据。

• reviews.iloc[9,:] – 第十行的所有列数据。

这种使用索引的方法与 NumPy 的索引用起来很类似。如果你想详细了解，点击这里可以获取更多关于 Numpy 的教程。

现在我们知道了怎么通过位置来检索数据，那么让我们除去无用的第一列信息。

1. reviews = reviews.iloc[:,1:]

2. reviews.head()

使用 Pandas 中的标签检索

现在我们知道如何按位置检索行和列，而通过标签检索行和列是另一种值得研究的使用数据帧的方式。

Pandas 比 NumPy 的主要优点是每一列和行都有一个标签。 尽管使用列位置也可以做一些操作，但却很难跟踪哪个数字对应于哪个列。

我们可以使用 pandas.DataFrame.loc 方法处理标签，它允许我们使用标签而不是位置进行索引。

我们可以使用 loc 方法显示前五行 reviews，如下所示：

1. reviews.loc[0:5,:]

以上结果与 reviews.iloc[0:5,:] 的结果并没有太大不同。这是因为行标签可以使用任意类型的值，使得行标签是准确匹配位置。你可以在上面的表格的左侧看到行标签(加粗部分)。当然也可以通过访问数据帧的 index 属性，以下将会展示 reviews 的行索引属性：

1. reviews.index

1. Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, ...], dtype='int64')

不过索引并不总是与位置匹配。 在下面的代码块中，我们将：

• 获取第 10行到第 20 行的 reviews，并且赋值给 some_reviews。

• 展示 some_reviews 的前 5 行内容。

1. some_reviews = reviews.iloc[10:20,]

2. some_reviews.head()

如上所示， some_reviews 的索引是从 10 到 20。这样以来，尝试给 loc出入小于 10 或者大于 20 的值时，就会有以下错误：

1. some_reviews.loc[9:21,:]

1. ---------------------------------------------------------------------------

2. KeyError                                  Traceback (most recent call last)

3. <ipython-input-76-5378b774c9a7> in <module>()

4. ----> 1 some_reviews.loc[9:21,:]

5. # 省略了许多内容

6. /Users/vik/python_envs/dsserver/lib/python3.4/site-packages/pandas/core/indexing.py in _has_valid_type(self, key, axis)

7.   1258                         raise KeyError(

8.   1259                             "start bound [%s] is not the [%s]" %

9. -> 1260                             (key.start, self.obj._get_axis_name(axis))

10.   1261                         )

11.   1262                 if key.stop is not None:

12. KeyError: 'start bound [9] is not the [index]'

译者注：在本地运行 some_reviews.loc[9:21,:] 时并不报错，而是以下信息，这可能与版本有关。

正如我们前面提到的，处理数据时，使用列标签操作起来更方便。 我们可以在 loc 方法中指定列标签，按标签名检索列而不是按位置检索列。

1. reviews.loc[:5, "score"]

1. 0    9.0

2. 1    9.0

3. 2    8.5

4. 3    8.5

5. 4    8.5

6. 5    7.0

7. Name: score, dtype: float64

我们也可以通过列表的方式一次列举多列数据。

1. reviews.loc[:5, ["score", "release_year"]]

score	release_year
0	9.0	2012
1	9.0	2012
2	8.5	2012
3	8.5	2012
4	8.5	2012
5	7.0	2012

---

题图：pexels，CC0 授权。

点击阅读原文，查看更多 Python 教程和资源。