ch7.

7.md

-# 
-
+# 函数和表格
 
 通过使用 Python 中已有的函数，我们正在建立一个使用的技术清单，用于识别数据集中的规律和主题。 现在我们将探索Python编程语言的核心功能：函数定义。
 
@@ -241,3 +240,88 @@ ages.with_column(
 
 ### 作为值的函数
 
+我们已经看到,Python 有很多种值。 例如，`6`是一个数值，`"cake"`是一个文本值，`Table()`是一个空表，`age`是一个表值（因为我们在上面定义）的名称。
+
+在 Python 中，每个函数（包括`cut_off_at_100`）也是一个值。 这有助于再次考虑菜谱。 蛋糕的菜谱是一个真实的东西，不同于蛋糕或配料，你可以给它一个名字，像“阿尼的蛋糕菜谱”。 当我们用`def`语句定义`cut_off_at_100`时，我们实际上做了两件事情：我们创建了一个函数来截断数字 100，我们给它命名为`cut_off_at_100`。
+
+我们可以引用任何函数，通过写下它的名字，而没有实际调用它必需的括号或参数。当我们在上面调用`apply`时，我们做了这个。 当我们自己写下一个函数的名字，作为单元格中的最后一行时，Python 会生成一个函数的文本表示，就像打印一个数字或一个字符串值一样。
+
+```py
+cut_off_at_100
+<function __main__.cut_off_at_100>
+```
+
+请注意，我们没有使用引号（它只是一段文本）或`cut_off_at_100()`（它是一个函数调用，而且是无效的）。我们只是写下`cut_off_at_100`来引用这个函数。
+
+就像我们可以为其他值定义新名称一样，我们可以为函数定义新名称。 例如，假设我们想把我们的函数称为`cut_off`，而不是`cut_off_at_100`。 我们可以这样写：
+
+```py
+cut_off = cut_off_at_100
+```
+现在`cut_off`就是函数名称了。它是`cut_off_at_100`的相同函数。所以打印出的值应该相同。
+
+```py
+cut_off
+<function __main__.cut_off_at_100>
+```
+
+让我们看看另一个`apply`的应用。
+
+### 示例：预测
+
+数据科学经常用来预测未来。 如果我们试图预测特定个体的结果 - 例如，她将如何回应处理方式，或者他是否会购买产品，那么将预测基于其他类似个体的结果是很自然的。
+
+查尔斯·达尔文（Charles Darwin）的堂兄弗朗西斯·高尔顿（Sir Francis Galton）是使用这个思想来基于数值数据进行预测的先驱。 他研究了物理特征是如何传递下来的。
+
+下面的数据是父母和他们的成年子女的高度测量值，由高尔顿仔细收集。 每行对应一个成年孩子。 变量是家庭的数字代码，父母的高度（以英寸为单位），“父母身高”，这是父母双方身高的加权平均值 [1]，家庭中孩子的数量 ，以及孩子的出生次序（第几个），性别和身高。
+
+```py
+# Galton's data on heights of parents and their adult children
+galton = Table.read_table('galton.csv')
+galton
+```
+
+
+| family | father | mother | midparentHeight | children | childNum | gender | childHeight |
+| --- | --- | --- | --- | --- | --- | --- | --- |
+| 1 | 78.5 | 67 | 75.43 | 4 | 1 | male | 73.2 |
+| 1 | 78.5 | 67 | 75.43 | 4 | 2 | female | 69.2 |
+| 1 | 78.5 | 67 | 75.43 | 4 | 3 | female | 69 |
+| 1 | 78.5 | 67 | 75.43 | 4 | 4 | female | 69 |
+| 2 | 75.5 | 66.5 | 73.66 | 4 | 1 | male | 73.5 |
+| 2 | 75.5 | 66.5 | 73.66 | 4 | 2 | male | 72.5 |
+| 2 | 75.5 | 66.5 | 73.66 | 4 | 3 | female | 65.5 |
+| 2 | 75.5 | 66.5 | 73.66 | 4 | 4 | female | 65.5 |
+| 3 | 75 | 64 | 72.06 | 2 | 1 | male | 71 |
+| 3 | 75 | 64 | 72.06 | 2 | 2 | female | 68 |
+
+（省略了 924 行）
+
+收集数据的主要原因是，能够预测父母所生的孩子的成年身高，和数据集类似。让我们尝试这样做，用双亲的身高作为我们预测的基础变量。 因此双亲的身高是我们的预测性变量。
+
+表格`heights`包含双亲和孩子的身高。 两个变量的散点图显示了正相关，正如我们对这些变量的预期。
+
+```py
+heights = galton.select(3, 7).relabeled(0, 'MidParent').relabeled(1, 'Child')
+heights
+```
+
+| MidParent | Child |
+| --- | --- |
+| 75.43 | 73.2 |
+| 75.43 | 69.2 |
+| 75.43 | 69 |
+| 75.43 | 69 |
+| 73.66 | 73.5 |
+| 73.66 | 72.5 |
+| 73.66 | 65.5 |
+| 73.66 | 65.5 |
+| 72.06 | 71 |
+| 72.06 | 68 |
+
+（省略了 924 行）
+
+```py
+heights.scatter(0)
+```
+