Pandas ist eine leistungsstarke Python-Bibliothek, die häufig für die Datenmanipulation und -analyse verwendet wird. Eine gängige Operation, die mit Daten durchgeführt wird, ist das Ersetzen von Spaltenwerten basierend auf bestimmten Kriterien, wie z. B. Konditionierung oder Zuordnung zu anderen Werten. In diesem Artikel werden wir untersuchen, wie Sie diese Operation mithilfe der Pandas-Bibliothek effektiv anwenden können. Egal, ob Sie Datenwissenschaftler, Programmierer oder Modeexperte sind, der in die Welt der datengesteuerten Modetrends eintaucht, dieses Wissen wird von unschätzbarem Wert sein.
Der Schlüssel zum Verständnis dieser Operation liegt in der Beherrschung der integrierten Funktionen, die von der Pandas-Bibliothek bereitgestellt werden. Insbesondere werden wir uns auf die Verwendung der Funktionen „replace()“, „map()“ und „apply()“ konzentrieren, um Spaltenwerte basierend auf verschiedenen Kriterien zu manipulieren.
import pandas as pd
# Sample data
data = {'Fashion_Style': ['Boho', 'Grunge', 'Preppy', 'Vintage', 'Athleisure'],
'Colors': ['Earthy tones', 'Dark shades', 'Bright tones', 'Muted tones', 'Monochrome']}
df = pd.DataFrame(data)
# Replacing column values
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
print(df)
Schritt-für-Schritt-Erklärung des Codes
1. Zuerst importieren wir die Pandas-Bibliothek als „pd“. Dies ist eine gängige Konvention und erlaubt es uns, Pandas-Funktionen mit der Abkürzung „pd“ aufzurufen.
2. Als nächstes erstellen wir ein Wörterbuch namens „data“, das die Spalten „Fashion_Style“ und „Colors“ sowie ihre jeweiligen Werte enthält.
3. Wir erstellen dann einen DataFrame namens „df“ unter Verwendung der Funktion „pd.DataFrame()“ mit dem Wörterbuch „data“ als Argument.
4. Danach verwenden wir die Funktion „replace()“, um bestimmte Werte in der Spalte „Colors“ zu ersetzen. In unserem Beispiel ersetzen wir „Erdige Töne“ durch „Warme Töne“ und „Monochrom“ durch „Kontrasttöne“.
5. Schließlich drucken wir den aktualisierten DataFrame „df“, um das Ergebnis zu überprüfen.
Eingebaute Pandas-Funktionen zum Ersetzen von Spaltenwerten
Pandas bietet mehrere integrierte Funktionen zum Arbeiten mit Spaltenwerten in DataFrames. Unter diesen haben wir `replace()`, `map()` und `apply()` als besonders nützlich identifiziert, wenn es darum geht, Spaltenwerte basierend auf verschiedenen Bedingungen zu ersetzen.
ersetzen (): Diese Funktion wird verwendet, um bestimmte Werte in einem DataFrame oder einer Serie zu ersetzen. Es kann auf eine bestimmte Spalte oder den gesamten DataFrame angewendet werden und unterstützt reguläre Ausdrücke für den erweiterten Musterabgleich.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
map (): Die Funktion `map()` ähnelt `replace()`, aber sie wendet eine bestimmte Funktion oder ein Wörterbuch auf jedes Element in einer Serie an. Dies kann nützlich sein, wenn Sie Spaltenwerte basierend auf einem bestimmten Satz von Regeln neuen Werten zuordnen müssen.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
anwenden(): Die `apply()`-Funktion ist ein leistungsstarkes Tool, das eine bestimmte Funktion entlang einer Achse des DataFrame anwendet. Es kann für den gesamten DataFrame oder bestimmte Spalten verwendet werden, um eine Vielzahl von Transformationen zu erreichen.
def update_colors(color_value):
if color_value == 'Earthy tones':
return 'Warm tones'
elif color_value == 'Monochrome':
return 'Contrast tones'
else:
return color_value
df['Colors'] = df['Colors'].apply(update_colors)
Mit diesen Funktionen sind Sie nun bereit, verschiedene Datenbearbeitungsaufgaben in Pandas anzugehen, z. B. das Ersetzen von Spaltenwerten in DataFrames. Dieses Wissen ist nicht nur auf dem Gebiet der Datenwissenschaft und Programmierung anwendbar, sondern erweist sich auch als nützlich bei der Analyse moderner Modestile, der Identifizierung aufkommender Trends und dem Verständnis der historischen Bedeutung verschiedener Stile und Farben.
