U svijetu manipulacije i analize podataka, rukovanje vrijednostima koje nedostaju je ključni zadatak. Pandas, široko korišćena Python biblioteka, omogućava nam da efikasno upravljamo podacima koji nedostaju. Jedan uobičajeni pristup rješavanju nedostajućih vrijednosti uključuje korištenje rječnika za mapiranje i zamjenu ovih vrijednosti. U ovom članku ćemo razgovarati o tome kako iskoristiti moć Pandas-a i Python-a za korištenje rječnika za zamjenu vrijednosti koje nedostaju u skupu podataka.
rastvor
Primarno rješenje koje ćemo istražiti je korištenje fillna() funkcioniraju zajedno s rječnicima. Ovaj pristup će nam omogućiti da zamenimo nedostajuće vrednosti odgovarajućim vrednostima iz određenog rečnika.
Korak po korak objašnjenje koda
Da bismo ilustrirali ovaj proces, pretpostavimo da imamo skup podataka koji sadrži informacije o različitim modnim stilovima, uključujući odjeću, boje i povijesni kontekst. U nekim slučajevima u ovom skupu podataka možda nedostaju vrijednosti.
Prvo uvezite potrebne biblioteke i kreirajte uzorak DataFrame:
import pandas as pd
data = {
'style': ['Grunge', 'Bohemian', 'Preppy', None, 'Punk', 'Casual'],
'garments': ['Plaid shirt', None, 'Blazer', 'Maxi dress', 'Leather jacket', 'T-shirt'],
'colors': ['Black', 'Faded', 'Light', 'Earthy', None, None]
}
df = pd.DataFrame(data)
Sada kada imamo DataFrame koji ilustruje problem, primijetite da neke vrijednosti nedostaju (označene sa None). Da biste zamijenili ove vrijednosti, kreirajte rječnike koji sadrže odgovarajuća mapiranja:
style_dict = {None: 'Unknown'}
garments_dict = {None: 'Other'}
colors_dict = {None: 'Various'}
# Combine dictionaries
replacement_dict = {'style': style_dict, 'garments': garments_dict, 'colors': colors_dict}
Na kraju, iskoristite fillna() funkcija za zamjenu vrijednosti koje nedostaju korištenjem kombiniranog rječnika:
df_filled = df.fillna(replacement_dict)
Razumijevanje Pandas biblioteke
Pandas je svestrana biblioteka u Pythonu koja je dizajnirana za manipulaciju i analizu podataka. Nudi fleksibilne i moćne strukture podataka kao što su serije i DataFrame. Ove strukture su neophodne za efikasan rad sa strukturiranim, tabelarnim podacima.
Pandas pruža bogatu kolekciju funkcija, kao što su fillna(), koristi se za rukovanje podacima koji nedostaju. Druge operacije, kao što su spajanje podataka, okretanje podataka i analiza vremenskih serija, mogu se neprimjetno izvoditi s Pandas-om.
Funkcije za rukovanje podacima koji nedostaju
Osim fillna() Pandas nudi nekoliko drugih funkcija i metoda za rješavanje podataka koji nedostaju, kao što su:
- dropna(): Uklonite redove ili stupce s podacima koji nedostaju.
- isna(): Odredite koji elementi DataFrame ili Series nedostaju ili su nulti.
- notna(): Odredite koji elementi DataFrame ili Series ne nedostaju ili su nulti.
- interpolirati(): Popunite nedostajuće vrijednosti koristeći linearnu interpolaciju.
Ove metode, zajedno sa fillna(), pružaju sveobuhvatan skup alata za rukovanje podacima koji nedostaju u različitim kontekstima.
U zaključku, ovaj članak je pokazao kako se koristi dict za zamjenu vrijednosti koje nedostaju u Pandas DataFrameu. Ključna funkcija koju smo koristili, fillna(), je moćan alat u Pandas biblioteci koji nam omogućava da efikasno rukujemo podacima koji nedostaju. Koristeći rječnike, možemo mapirati vrijednosti koje nedostaju u odgovarajuće zamjene i osigurati da je naš skup podataka potpun i smislen. Kroz dublje razumijevanje Pandas biblioteke i njenih uključenih funkcija, možemo efikasno raditi s velikim skupovima podataka i izvlačiti vrijedne uvide iz naših podataka.
