Το Pandas είναι μια ισχυρή βιβλιοθήκη Python που χρησιμοποιείται ευρέως για χειρισμό και ανάλυση δεδομένων. Μια κοινή λειτουργία που εκτελείται με δεδομένα είναι η αντικατάσταση τιμών στηλών με βάση ορισμένα κριτήρια, όπως ρύθμιση ή αντιστοίχιση σε άλλες τιμές. Σε αυτό το άρθρο, θα διερευνήσουμε πώς να εφαρμόσετε αποτελεσματικά αυτήν τη λειτουργία χρησιμοποιώντας τη βιβλιοθήκη Pandas. Είτε είστε επιστήμονας δεδομένων, προγραμματιστής ή ειδικός στη μόδα που εμβαθύνει στον κόσμο των τάσεων της μόδας που βασίζονται σε δεδομένα, αυτή η γνώση θα είναι ανεκτίμητη.
Το κλειδί για την κατανόηση αυτής της λειτουργίας βρίσκεται στην κατανόηση των ενσωματωμένων λειτουργιών που παρέχονται από τη βιβλιοθήκη Pandas. Συγκεκριμένα, θα εστιάσουμε στη χρήση των συναρτήσεων «replace()», «map()» και «apply()» για τον χειρισμό των τιμών στηλών με βάση διάφορα κριτήρια.
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)
Βήμα-βήμα Επεξήγηση του Κώδικα
1. Αρχικά, εισάγουμε τη βιβλιοθήκη Pandas ως `pd`. Αυτή είναι μια κοινή σύμβαση και μας επιτρέπει να καλούμε συναρτήσεις Pandas με τη συντομογραφία «pd».
2. Στη συνέχεια, δημιουργούμε ένα λεξικό που ονομάζεται «data» που περιέχει τις στήλες «Fashion_Style» και «Colors», καθώς και τις αντίστοιχες τιμές τους.
3. Στη συνέχεια δημιουργούμε ένα DataFrame με το όνομα `df` χρησιμοποιώντας τη συνάρτηση `pd.DataFrame()` με όρισμα το λεξικό `data`.
4. Μετά από αυτό, χρησιμοποιούμε τη συνάρτηση «replace()» για να αντικαταστήσουμε συγκεκριμένες τιμές στη στήλη «Χρώματα». Στο παράδειγμά μας, αντικαθιστούμε τους "Γήινους τόνους" με τους "Ζεστούς τόνους" και τους "Μονόχρωμους" με τους "Αντίθεση τόνους".
5. Τέλος, εκτυπώνουμε το ενημερωμένο DataFrame `df` για να ελέγξουμε το αποτέλεσμα.
Pandas ενσωματωμένες λειτουργίες για αντικατάσταση τιμής στήλης
Το Pandas παρέχει πολλές ενσωματωμένες λειτουργίες για εργασία με τιμές στηλών στα DataFrames. Μεταξύ αυτών, έχουμε προσδιορίσει τα «replace()», «map()» και «apply()» ως ιδιαίτερα χρήσιμα όταν πρόκειται για την αντικατάσταση τιμών στηλών με βάση διάφορες συνθήκες.
αντικαταστήστε (): Αυτή η συνάρτηση χρησιμοποιείται για την αντικατάσταση καθορισμένων τιμών σε DataFrame ή Series. Μπορεί να εφαρμοστεί σε μια συγκεκριμένη στήλη ή σε ολόκληρο το DataFrame και υποστηρίζει κανονικές εκφράσεις για προηγμένη αντιστοίχιση προτύπων.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
χάρτης(): Η συνάρτηση `map()` είναι παρόμοια με τη `replace()`, αλλά εφαρμόζει μια δεδομένη συνάρτηση ή λεξικό σε κάθε στοιχείο μιας σειράς. Αυτό μπορεί να είναι χρήσιμο όταν χρειάζεται να αντιστοιχίσετε τις τιμές στηλών σε νέες τιμές με βάση ένα συγκεκριμένο σύνολο κανόνων.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
ισχύουν(): Η συνάρτηση `apply()` είναι ένα ισχυρό εργαλείο που εφαρμόζει μια δεδομένη συνάρτηση κατά μήκος ενός άξονα του DataFrame. Μπορεί να χρησιμοποιηθεί σε ολόκληρο το DataFrame ή σε συγκεκριμένες στήλες για να επιτευχθεί ένα ευρύ φάσμα μετασχηματισμών.
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)
Με αυτές τις λειτουργίες στη διάθεσή σας, είστε πλέον έτοιμοι να αντιμετωπίσετε διάφορες εργασίες χειρισμού δεδομένων στα Panda, όπως η αντικατάσταση τιμών στηλών στο DataFrames. Αυτή η γνώση δεν είναι μόνο εφαρμόσιμη στον τομέα της επιστήμης δεδομένων και του προγραμματισμού, αλλά αποδεικνύεται επίσης χρήσιμη κατά την ανάλυση των σύγχρονων στυλ μόδας, τον εντοπισμό των αναδυόμενων τάσεων και την κατανόηση της ιστορικής σημασίας διαφόρων στυλ και χρωμάτων.
