2. 程式人生 > >第3章 Pandas資料處理(3.7-3.8)_Python資料科學手冊學習筆記

第3章 Pandas資料處理(3.7-3.8)_Python資料科學手冊學習筆記

阿新 • • 發佈：2019-01-12

3.7 合併資料集: Concat與Append操作

- pd.concat
- pd.merge
- pd.join

import pandas as pd
def make_df(cols,ind):
    data = {c: [str(c) + str(i) for i in ind]
           for c in cols}
    return pd.DataFrame(data,ind)     # 用字典建立DataFrame
make_df('ABC',range(3))
A B C
0 A0 B0 C0
1 A1 B1 C1
2 A2 B2 C2

3.7.1 知識回顧: NumPy陣列的合併

用np.concatenate完成
- 第一個引數表示要合併的陣列或元組, 第二個引數表示合併的座標軸方向

import pandas as pd
import numpy as np
x = [1,2,3]
y = [4,5,6]
z = [7,8,9]
np.concatenate(
 
[x,y,z])

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

x = [[1,2],
    [3,4]]
np.concatenate([x,x], axis=1)

array([[1, 2, 1, 2],
       [3, 4, 3, 4]])

3.7.2 通過pd.concat實現簡易合併

- Pandas中的pd.concat()函式與np.concatenate()類似, 配置引數更多,功能更強大.

pd.concat()可以簡單的合併一維的Series和DataFrame物件

ser1 = pd.Series(['a','b','c'],index=
 
[1,2,3])
ser2 = pd.Series(['d','e','f'],index=[4,5,6])
pd.concat([ser1,ser2])

1    a
2    b
3    c
4    d
5    e
6    f
dtype: object

ser1 = pd.Series(['a','b','c'],index=[1,2,3])
ser2 = pd.Series(['d','e','f'],index=[4,5,6])
ser1 + ser2

1    NaN
2    NaN
3    NaN
4    NaN
5    NaN
6    NaN
dtype: object

ser1 = pd.Series(['a','b','c'],index=[1,2,3])
ser2 = pd.Series(['d','e','f'],index=[1,2,3])
ser1 + ser2

1    ad
2    be
3    cf
dtype: object

df1 = make_df('AB',[1,2])
df2 = make_df('AB',[3,4])
print(df1);print(df2);print(pd.concat([df1,df2]))

    A   B
1  A1  B1
2  A2  B2
    A   B
3  A3  B3
4  A4  B4
    A   B
1  A1  B1
2  A2  B2
3  A3  B3
4  A4  B4

df1 = make_df('AB',[1,2])
df2 = make_df('BD',[3,4])
print(df1);print(df2);print(pd.concat([df1,df2]))

    A   B
1  A1  B1
2  A2  B2
    B   D
3  B3  D3
4  B4  D4
     A   B    D
1   A1  B1  NaN
2   A2  B2  NaN
3  NaN  B3   D3
4  NaN  B4   D4


D:\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=True'.

To retain the current behavior and silence the warning, pass sort=False

  This is separate from the ipykernel package so we can avoid doing imports until

索引重疊

np.concatenate與pd.concat最主要的差異是,Pandas在合併時會保留索引, 即使索引是重複的.

x = make_df('AB',[0,1])
y = make_df('AB',[2,3])
y.index = x.index
print(x);print(y);print(pd.concat([x,y]))

    A   B
0  A0  B0
1  A1  B1
    A   B
0  A2  B2
1  A3  B3
    A   B
0  A0  B0
1  A1  B1
0  A2  B2
1  A3  B3

捕捉索引重複的錯誤: 可以設定verify_integrity引數. 將引數設定為true. 合併時若有重複就會觸發異常.

try:
    pd.concat([x,y],verify_integrity=True)
except ValueError as e:
    print('ValueError:',e)

ValueError: Indexes have overlapping values: Int64Index([0, 1], dtype='int64')

忽略索引: 設定ignore_index引數, 設定為True是會建立一個新的整數索引

pd.concat([x,y],ignore_index=True)
A B
0 A0 B0
1 A1 B1
2 A2 B2
3 A3 B3

增加多級索引: 通過keys引數為資料來源設定多級索引

print(x);print(y);print(pd.concat([x,y],keys=['x','y']))

    A   B
0  A0  B0
1  A1  B1
    A   B
0  A2  B2
1  A3  B3
      A   B
x 0  A0  B0
  1  A1  B1
y 0  A2  B2
  1  A3  B3

類似join的合併

df5 = make_df('ABC',[1,2])
df6 = make_df('BCD',[3,4])
print(df5);print(df6);print(pd.concat([df5,df6]))

    A   B   C
1  A1  B1  C1
2  A2  B2  C2
    B   C   D
3  B3  C3  D3
4  B4  C4  D4
     A   B   C    D
1   A1  B1  C1  NaN
2   A2  B2  C2  NaN
3  NaN  B3  C3   D3
4  NaN  B4  C4   D4


D:\Anaconda3\lib\site-packages\ipykernel_launcher.py:3: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=True'.

To retain the current behavior and silence the warning, pass sort=False

  This is separate from the ipykernel package so we can avoid doing imports until

設定join引數為inner或者outer

print(df5);print(df6);print(pd.concat([df5,df6],join='inner'))

    A   B   C
1  A1  B1  C1
2  A2  B2  C2
    B   C   D
3  B3  C3  D3
4  B4  C4  D4
    B   C
1  B1  C1
2  B2  C2
3  B3  C3
4  B4  C4

直接確定結果使用的列

print(df5);print(df6);print(pd.concat([df5,df6],join_axes=[df5.columns]))

    A   B   C
1  A1  B1  C1
2  A2  B2  C2
    B   C   D
3  B3  C3  D3
4  B4  C4  D4
     A   B   C
1   A1  B1  C1
2   A2  B2  C2
3  NaN  B3  C3
4  NaN  B4  C4

print(df1);print(df2);print(df1.append(df2))

    A   B
1  A1  B1
2  A2  B2
    A   B
3  A3  B3
4  A4  B4
    A   B
1  A1  B1
2  A2  B2
3  A3  B3
4  A4  B4

3.8 合併資料集: 合併與連線

- Pandas的主要介面是pd.merge()函式

3.8.1 關係代數

pd.merge()實現的功能基於關係代數的一部分. 關係代數式處理關係型資料的通用理論,絕大部分資料庫的可用操作都以此為理論基礎. 關係代數方法論的強大之處在於, 它提出的若干簡單的操作規則經過組合就可以為任意資料構建十分複雜的操作.
Pandas在pd.merge()函式與Series和DataFrame的join()方法裡實現了這些基本操作規則.

3.8.2 資料連線的型別

pd.merge()函式實現三種資料連線的型別: 一對一,多對一和多對多.

** 一對一連線 **

import pandas as pd
df1 = pd.DataFrame({'僱員':['張三','李四','王五','趙六'],'部門':['生產','技術','技術','人力']})   # 需要加大括號
df2 = pd.DataFrame({'僱員':['趙六','李四','張三','王五'],'入職年份':[2010,2011,2012,2011]})
print(df1);print(df2)

   僱員  部門
0  張三  生產
1  李四  技術
2  王五  技術
3  趙六  人力
   僱員  入職年份
0  趙六  2010
1  李四  2011
2  張三  2012
3  王五  2011

df3 = pd.merge(df1,df2)
print(df3)

   僱員  部門  入職年份
0  張三  生產  2012
1  李四  技術  2011
2  王五  技術  2011
3  趙六  人力  2010

pd.merge()方法會發現兩個DataFrame都有’僱員’列, 並自動以這列為鍵進行連線. 兩個輸入的合併結果是一個新的DataFrame. 共同列的位置可以不一致.
pd.merge()會預設丟棄原來的行索引, 不過也可以自定義.

多對一連線 能否也叫一對多連線

需要連線的兩個列中, 有一列的值有重複. 通過多對一連接獲得的結果DataFrame將會保留重複值.

df4 = pd.DataFrame({'部門':['生產','技術','人力'],'負責人':['生產經理','技術經理','人力經理']})
print(df3);print(df4);print(pd.merge(df3,df4))

   僱員  部門  入職年份
0  張三  生產  2012
1  李四  技術  2011
2  王五  技術  2011
3  趙六  人力  2010
   部門   負責人
0  生產  生產經理
1  技術  技術經理
2  人力  人力經理
   僱員  部門  入職年份   負責人
0  張三  生產  2012  生產經理
1  李四  技術  2011  技術經理
2  王五  技術  2011  技術經理
3  趙六  人力  2010  人力經理

多對多連線

df5 = pd.DataFrame({'部門':['生產','生產','技術','技術','人力','人力'],'子部門':['生產1','生產2','技術1','技術2','人力1','人力2']})
print(df1);print(df5);print(pd.merge(df1,df5))

   僱員  部門
0  張三  生產
1  李四  技術
2  王五  技術
3  趙六  人力
   部門  子部門
0  生產  生產1
1  生產  生產2
2  技術  技術1
3  技術  技術2
4  人力  人力1
5  人力  人力2
   僱員  部門  子部門
0  張三  生產  生產1
1  張三  生產  生產2
2  李四  技術  技術1
3  李四  技術  技術2
4  王五  技術  技術1
5  王五  技術  技術2
6  趙六  人力  人力1
7  趙六  人力  人力2

3.8.3 設定資料合併的鍵

pd.merge()的預設行為, 它會將兩個輸入的一個或多個共同列作為鍵進行合併. 但由於兩個輸入要合併的列通常都不是同名的, 因此pd.merge()提供了一些引數處理這個問題.

引數on的用法
- 這個引數只能在兩個DataFrame有共同列名的時候才可以使用.

print(df1);print(df2);print(pd.merge(df1,df2,on='僱員'))

   僱員  部門
0  張三  生產
1  李四  技術
2  王五  技術
3  趙六  人力
   僱員  入職年份
0  趙六  2010
1  李四  2011
2  張三  2012
3  王五  2011
   僱員  部門  入職年份
0  張三  生產  2012
1  李四  技術  2011
2  王五  技術  2011
3  趙六  人力  2010

left_on與right_on引數
- 有時候也需要合併兩個列名不同的資料集.

df3 = pd.DataFrame({'姓名':['張三','李四','王五','趙六'],'工資':[5000,6000,7000,5500]})
print(df1);print(df2);print(pd.merge(df1,df3,left_on='僱員',right_on='姓名'))

   僱員  部門
0  張三  生產
1  李四  技術
2  王五  技術
3  趙六  人力
   僱員  入職年份
0  趙六  2010
1  李四  2011
2  張三  2012
3  王五  2011
   僱員  部門  姓名    工資
0  張三  生產  張三  5000
1  李四  技術  李四  6000
2  王五  技術  王五  7000
3  趙六  人力  趙六  5500

彙總的結果會多一列, 可以用drop()方法去掉.

pd.merge(df1,df3,left_on='僱員',right_on='姓名').drop('姓名',axis=1)
僱員 部門 工資
0 張三 生產 5000
1 李四 技術 6000
2 王五 技術 7000
3 趙六 人力 5500

left_index與right_index引數
- 除了合併列之外, 還可以合併索引.

df1a = df1.set_index('僱員')
df2a = df2.set_index('僱員')
print(df1a);print(df2a)

    部門
僱員    
張三  生產
李四  技術
王五  技術
趙六  人力
    入職年份
僱員      
趙六  2010
李四  2011
張三  2012
王五  2011

可以通過設定pd.merge()中的left_index或right_index引數將索引設定為鍵來實現合併.

print(df1a);print(df2a);
print(pd.merge(df1a,df2a,left_index=True,right_index=True))  # 是True , 不是 = 索引的名稱

    部門
僱員    
張三  生產
李四  技術
王五  技術
趙六  人力
    入職年份
僱員      
趙六  2010
李四  2011
張三  2012
王五  2011
    部門  入職年份
僱員          
張三  生產  2012
李四  技術  2011
王五  技術  2011
趙六  人力  2010

為了方便考慮, DataFrame實現了join()方法, 它可以按照索引進行資料合併.

print(df1a);print(df2a);print(df1a.join(df2a))

    部門
僱員    
張三  生產
李四  技術
王五  技術
趙六  人力
    入職年份
僱員      
趙六  2010
李四  2011
張三  2012
王五  2011
    部門  入職年份
僱員          
張三  生產  2012
李四  技術  2011
王五  技術  2011
趙六  人力  2010

如果想將索引與列混合使用, 可以使用left_index與right_on, 或者結合left_on與right_index

print(df1a);print(df3)
print(pd.merge(df1a,df3,left_index=True,right_on='姓名'))    # 多個索引怎麼辦

    部門
僱員    
張三  生產
李四  技術
王五  技術
趙六  人力
   姓名    工資
0  張三  5000
1  李四  6000
2  王五  7000
3  趙六  5500
   部門  姓名    工資
0  生產  張三  5000
1  技術  李四  6000
2  技術  王五  7000
3  人力  趙六  5500

3.8.4 設定資料連線的集合操作規則

df6 = pd.DataFrame({'姓名':['張三','李四','王五','趙六'],
                   '食物':['魚','西瓜','冬瓜','大頭菜']})
df7 = pd.DataFrame({'姓名':['張三','老李'],
                   '喝酒':['白酒','紅酒']})
print(df6);print(df7);print(pd.merge(df6,df7))

   姓名   食物
0  張三    魚
1  李四   西瓜
2  王五   冬瓜
3  趙六  大頭菜
   姓名  喝酒
0  張三  白酒
1  老李  紅酒
   姓名 食物  喝酒
0  張三  魚  白酒

和別的兩個資料集, 在’姓名’列中只有一個共同的值’張三’. 預設情況下, 結果中只出現會包含兩個輸入集合的交集(inner join). 這種連線方式被稱為內連線. 我們可以通過how引數設定連線方式,預設為’inner’

pd.merge(df6,df7,how='inner')
姓名 食物 喝酒
0 張三 魚 白酒

how引數支援的連線方式: outer, left,inner 和right.
- outer(外連線)返回兩個輸入列的並集, 所有缺失值都用NaN填充.

print(df6);print(df7);print(pd.merge(df6,df7,how='outer'))

   姓名   食物
0  張三    魚
1  李四   西瓜
2  王五   冬瓜
3  趙六  大頭菜
   姓名  喝酒
0  張三  白酒
1  老李  紅酒
   姓名   食物   喝酒
0  張三    魚   白酒
1  李四   西瓜  NaN
2  王五   冬瓜  NaN
3  趙六  大頭菜  NaN
4  老李  NaN   紅酒

left join(左連線), right join(右連線)返回的結果分別只包括左列和右列

print(df6);print(df7);print(pd.merge(df6,df7,how='left'))

   姓名   食物
0  張三    魚
1  李四   西瓜
2  王五   冬瓜
3  趙六  大頭菜
   姓名  喝酒
0  張三  白酒
1  老李  紅酒
   姓名   食物   喝酒
0  張三    魚   白酒
1  李四   西瓜  NaN
2  王五   冬瓜  NaN
3  趙六  大頭菜  NaN

3.8.5 重複列名: suffixes引數

- 可能會遇到兩個輸入DataFrame有重名列的情況.

df8 = pd.DataFrame({'name':['bob','jake','lisa','sue'],
                   'rank':[1,2,3,4]})
df9 = pd.DataFrame({'name':['bob','jake','lisa','sue'],
                   'rank':[3,1,4,2]})
print(df8);print(df9);print(pd.merge(df8,df9,on='name'))

   name  rank
0   bob     1
1  jake     2
2  lisa     3
3   sue     4
   name  rank
0   bob     3
1  jake     1
2  lisa     4
3   sue     2
   name  rank_x  rank_y
0   bob       1       3
1  jake       2       1
2  lisa       3       4
3   sue       4       2

當有兩個重複的列名, pd.merge()函式會自動為它們增加字尾_x _y.
也可以通過suffixes引數自定義字尾

pd.merge(df8,df9,on='name',suffixes=['_l','_r'])
name rank_l rank_r
0 bob 1 3
1 jake 2 1
2 lisa 3 4
3 sue 4 2

3.8.6 案例: 美國各州的統計資料

# 檔案路徑不能有中文
pop = pd.read_csv(r'E:\Python\state-population.csv')
areas = pd.read_csv(r'E:\Python\state-abbrevs.csv')
abbrevs = pd.read_csv(r'E:\Python\state-areas.csv')
print(pop.head());print(areas.head());print(abbrevs.head())

  state/region     ages  year  population
0           AL  under18  2012   1117489.0
1           AL    total  2012   4817528.0
2           AL  under18  2010   1130966.0
3           AL    total  2010   4785570.0
4           AL  under18  2011   1125763.0
        state abbreviation
0     Alabama           AL
1      Alaska           AK
2     Arizona           AZ
3    Arkansas           AR
4  California           CA
        state  area (sq. mi)
0     Alabama          52423
1      Alaska         656425
2     Arizona         114006
3    Arkansas          53182
4  California         163707

merged = pd.merge(pop,areas,how='outer',left_on='state/region',right_on='abbreviation')
merged = merged.drop('abbreviation',1)   # 引數1不能少
print(merged.head())

  state/region     ages  year  population    state
0           AL  under18  2012   1117489.0  Alabama
1           AL    total  2012   4817528.0  Alabama
2           AL  under18  2010   1130966.0  Alabama
3           AL    total  2010   4785570.0  Alabama
4           AL  under18  2011   1125763.0  Alabama

檢查每個欄位是否有缺失值

merged.isnull().any()

state/region    False
ages            False
year            False
population       True
state            True
dtype: bool

部分population是缺失值, 檢視是哪些資料缺失值

merged[merged['population'].isnull()].head()
state/region ages year population state
2448 PR under18 1990 NaN NaN
2449 PR total 1990 NaN NaN
2450 PR total 1991 NaN NaN
2451 PR under18 1991 NaN NaN
2452 PR total 1993 NaN NaN 
merged.loc[merged['state'].isnull(),'state/region'].unique()

array(['PR', 'USA'], dtype=object)

merged.loc[merged['state/region'] == 'PR','state'] = 'Puerto Rico'
merged.loc[merged['state/region'] == 'USA','state'] = 'Uinted States'
merged.isnull().any()

state/region    False
ages            False
year            False
population       True
state           False
dtype: bool

final = pd.merge(merged,abbrevs,on='state',how='left')
final.head()

相關推薦

第3章 Pandas資料處理(3.7-3.8)_Python資料科學手冊學習筆記

3.7 合併資料集: Concat與Append操作 - pd.concat - pd.merge - pd.join import pandas as pd def make_df(cols,ind): data = {c: [str(c) + st

第3章 Pandas資料處理(3.1-3.2)_Python資料科學手冊學習筆記

第2章介紹的NumPy和它的ndarray物件. 為多維陣列提供了高效的儲存和處理方法. Pandas是在NumPy的基礎上建立的新程式庫, 提供DataFrame資料結構. DataFrame帶行標籤(索引),列標籤(變數名),支援相同資料型別和缺失值的多維陣

第3章 Pandas資料處理(3.4-3.5)_Python資料科學手冊學習筆記

3.4 Pandas 數值運算方法 對於一元運算(像函式與三角函式),這些通用函式將在輸出結果中保留索引和列標籤; 而對於二元運算(如加法和乘法), Pandas在傳遞通用函式時會自動對齊索引進行計算. 這就意味著,儲存資料內容和組合不同來源的資料—兩處在Num

第3章 Pandas資料處理(3.3)_Python資料科學手冊學習筆記

3.3 資料取值與選擇 第2章回顧: - NumPy中取值操作: arr[2,1] - 切片操作: arr[:,1:5] - 掩碼操作: arr[arr>0] - 花哨的索引操作: arr[0,[1,5]] - 組合操作: arr[:,[1:5]] 3.3

第3章 Pandas資料處理(3.9-3.10)_Python資料科學手冊學習筆記

3.9 累計與分組 3.9.1 行星資料 import seaborn as sns planets = sns.load_dataset('planets') planets.shape (1035, 6) planets.head()

Python資料科學手冊學習筆記

Numpy入門 檢視numpy版本 import numpy numpy.__version__ 2.匯入numpy的匯入 import numpy as np 3.建立陣列 import nu

R：ggplot2（7），第4章 用圖形構建影象（3）

《ggplot2：資料分析與圖形藝術》 第4章 用圖形構建影象 4.6 幾何物件 幾何圖形物件，簡稱為geom，它執行著圖層的實際渲染，控制著生成的影象型別。表4.2列出了ggplot2裡面所有可用的幾

python核心程式設計第六章練習題答案 （2，3，5，6，7，8，12，13，14，16）

#6-2 import random lists=[] for i in range(0,random.randrange(0,101)): n = random.randrange(0,2**31) lists.append(n) while True: try

資料基礎---《利用Python進行資料分析·第2版》第12章 pandas高階應用

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 前面的章節關注於不同型別的資料規整流程和NumPy、pandas與其它庫的特點。隨著時間的發展，pandas發展出了更多適

資料基礎---《利用Python進行資料分析·第2版》第5章 pandas入門

之前自己對於numpy和pandas是要用的時候東學一點西一點，直到看到《利用Python進行資料分析·第2版》，覺得只看這一篇就夠了。非常感謝原博主的翻譯和分享。 pandas是本書後續內容的首選庫。它含有使資料清洗和分析工作變得更快更簡單的資料結構和操作工具。pandas經常和其它工

易學筆記-計算機底層-第1章：計算機系統漫遊/1.3 瞭解編譯系統的作用

瞭解編譯系統的作用 優化程式效能，特別是C語言，不同的寫法編譯器翻譯不同的結果，導致不同的執行效率 switch語句為什麼比if-else更加有效 while迴圈比for迴圈更有效 指標引用比陣列應用更有效 連結出現的錯誤

作業系統 第2章 程序管理 2.2 2.3

** 2.2程序控制 ** 一、程序控制的基本過程： 1、1）程序的建立（一個程序建立另一程序的事件（原因）） 使用者登入：分時情況下使用者的請求 作業排程：批處理中 提供服務：執行中的使用者程式提出功能請求，要建立服務程序（如列印服務） 應用請求：應用程式自己建立程序，完成特定功能

大資料教程（7.3）namenode管理元資料的機制&datanode工作機制介紹

               前面兩篇部落格介紹了HDFS客戶端讀寫資料流程，本篇博主將帶給小夥伴們namenode和datanode的工作機制的分享。  

第11章 拾遺4：IPv6（3）_配置IPv6路由

5. 配置IPv6路由 5.1 配置IPv6靜態路由 （1）在路由器上配置靜態路由（以R1路由器為例） //靜態路由 R1#config t R1(config)#ipv6 unicast-routing //啟用IPv6路由功能 R1(config)#ipv6 route

第三章 spring-bean之DefaultSingletonBeanRegistry（3）

前言 SingletonBeanRegistry是一個非常重要的介面，用於註冊，獲得，管理singleton物件。 SingletonBeanRegistry目前唯一的實現是DefaultSingletonBeanRegistry，DefaultSingletonBea

《java程式設計思想》第四版 第2 章 一切都是物件 2 . 3 絕對不要清除物件

在大多數程式設計語言中，變數的“存在時間”（Lifetime）一直是程式設計師需要著重考慮的問題。變數應持 續多長的時間？如果想清除它，那麼何時進行？在變數存在時間上糾纏不清會造成大量的程式錯誤。在下面 的小節裡，將闡示Java 如何幫助我們完成所有清除工作

第八章 自然語言處理-概括資料-資料清洗加去掉常規詞語

#!/usr/bin/env python # _*_ coding:utf-8 _*_ import operator import re import string from collections import OrderedDict from urllib.reque

第10章－基於樹的方法(3)-樹的改進-整合方法

參考： https://homes.cs.washington.edu/~tqchen/pdf/BoostedTree.pdf rob.schapire.net/papers/explaining-adaboost.pdf *https://statweb.stanford.edu/~

第2章 執行緒與鎖-2.3 超越內建鎖

內建鎖的缺點： 一個執行緒因為等待內建鎖而進入阻塞之後，就無法中斷該執行緒了； 嘗試獲得內建鎖時，無法設定超時； 獲得內建鎖，必須使用synchronized塊； synchronized其實是一個語法糖，等價於 synchronized(this

第五章 5.2節練習 & 5.3.1節練習

練習5.4 說明下列例子的含義，如果存在問題，試著修改它 (a) while(string::iterator iter != s.end()){/*...*/} (b) while(bool status = find(word)) {/* .. */}