1.桌游评论

最近，桌游又卷土重来，更深入的是，越来越多的战略桌游，比如，受到了巨大的欢迎。一个受欢迎的网站对这些类型的桌游进行了讨论和评述。

在这个项目中，你将会研究一个包含80000个桌游和他们相关的反馈分数。这组数据是 通过BoardGameGeek网站抓取的，并编译成CSV 形式。数据集被保存为board_games.csv，可以在这里.下载。

如果你在任何地方遇到问题，可以到我们的解决问题板块来咨询。

这里是数据集的前5行信息：

每一行代表了一种桌游，并且带有桌游的描述统计信息，连同反馈信息。这里有一些有趣的列名：

name--桌游的名字

playingtime-玩游戏时间（由制造商提供）

minplaytime--玩游戏的最少时间（由制造商提供）

maxplaytime--玩游戏的最多时间（有制造商提供）

minage---推荐的最小玩游戏年龄

users_rated----评价游戏的用户数

average_rating---用户给予游戏的平均评级（0-10）

total_weights---用户评判的“重量”数量，weight是BoardGameGeek创造的一种主观测量方式。他是涉及一个游戏有多有趣。  这里是它的所有解释。

average_weigh---所有主观权重的平均分（0-5）

机器学习一个有趣的任务也许就是使用其他列来预测average_rating。数据集包含相当多的错误值，并且很多行都没有评估，分数是0。为了让预测更加容易，你需要先把数据集合的这些错误都移除。

。通过Pandas库来读取board_games.csv数据框架，然后命名为board_games

。打印出board_games中的前几行，仔细观察数据

。使用数据框架的dropna方法以及把axis设置为0，来移除任何包含错误值的行。

。移除board_games里任何users_rated等于0的行。每个没有反馈的行也都删掉。

import pandas as pd

board_games=pd.read_csv("board_games.csv") board_games=board_games.dropna(axis=0) board_games=board_games[board_games["users_rated"]>0] board_games.head()