Το Pandas είναι μια ισχυρή βιβλιοθήκη Python για ανάλυση και χειρισμό δεδομένων, που χρησιμοποιείται ευρέως σε διάφορους τομείς, συμπεριλαμβανομένου του κόσμου της μόδας. Χρησιμοποιώντας Pandas, οι ειδικοί της μόδας και οι προγραμματιστές μπορούν να εντοπίσουν τάσεις, μοτίβα και ιδέες αναλύοντας σύνολα δεδομένων που σχετίζονται με τη βιομηχανία της μόδας. Σε αυτό το άρθρο, θα εμβαθύνουμε στις ισχυρές λειτουργίες του Panda, εννοώ και άθροισμα, και τις εφαρμογές τους στην ανάλυση δεδομένων μόδας.
Αυτές οι λειτουργίες μπορεί να είναι πολύ χρήσιμες για την ανακάλυψη σημαντικών πληροφοριών σχετικά με είδη μόδας, όπως οι πωλήσεις, οι τάσεις των τιμών, η αξιολόγηση προϊόντων και άλλα. Υπολογίζοντας τον μέσο όρο και το άθροισμα των διαφόρων χαρακτηριστικών, μπορούμε να αντλήσουμε πολύτιμες γνώσεις για να λάβουμε τεκμηριωμένες αποφάσεις σχετικά με το στυλ και τις τάσεις της μόδας.
Η λύση στο πρόβλημα
Για να δείξετε τη χρήση των πάντα εννοώ και άθροισμα λειτουργίες, ας υποθέσουμε ότι έχουμε ένα σύνολο δεδομένων που περιέχει λεπτομέρειες σχετικά με διαφορετικά είδη μόδας, όπως το στυλ, τα χρώματα, την τιμή και τη βαθμολογία τους. Θα εισαγάγουμε αυτό το σύνολο δεδομένων σε ένα pandas DataFrame και θα ξεκινήσουμε την ανάλυσή μας χρησιμοποιώντας τις συναρτήσεις μέσου όρου και αθροίσματος.
import pandas as pd
# Read data from a CSV file and load it into a DataFrame
data = pd.read_csv('fashion_items.csv')
# Calculate mean and sum of the price column
mean_price = data['price'].mean()
sum_price = data['price'].sum()
print('Mean price:', mean_price)
print('Total price:', sum_price)
Βήμα-βήμα επεξήγηση του κώδικα
- Αρχικά, εισάγουμε τη βιβλιοθήκη pandas με το ψευδώνυμο 'pd'.
- Στη συνέχεια, διαβάζουμε τα δεδομένα από ένα αρχείο CSV με το όνομα «fashion_items.csv» και το φορτώνουμε σε ένα DataFrame με το όνομα «data» χρησιμοποιώντας τη συνάρτηση pd.read_csv. Το σύνολο δεδομένων περιέχει πληροφορίες για διάφορα είδη μόδας.
- Στη συνέχεια, υπολογίζουμε τη μέση τιμή όλων των ειδών μόδας χρησιμοποιώντας τη συνάρτηση mean() που εφαρμόζεται στη στήλη 'price' του DataFrame. Αυτή η τιμή αποθηκεύεται σε μια μεταβλητή με το όνομα 'mean_price'.
- Ομοίως, υπολογίζουμε τη συνολική τιμή όλων των ειδών μόδας καλώντας τη συνάρτηση sum() στη στήλη 'τιμή'. Αυτή η τιμή αποθηκεύεται σε μια μεταβλητή με το όνομα 'sum_price'.
- Τέλος, εκτυπώνουμε τον υπολογισμένο μέσο όρο και τις συνολικές τιμές των ειδών μόδας.
Σχετικές βιβλιοθήκες και λειτουργίες στο Pandas
Υπάρχει μια πληθώρα βιβλιοθηκών και λειτουργιών που συμπληρώνουν τη χρήση των πάντα για ανάλυση δεδομένων στη βιομηχανία της μόδας. Επιπλέον, μερικές από αυτές τις χρήσιμες λειτουργίες εννοώ και άθροισμα συμπεριλαμβάνω:
Pandas groupby λειτουργία
Η ομαδικό Η λειτουργία είναι ιδιαίτερα χρήσιμη για τη συγκέντρωση δεδομένων με βάση συγκεκριμένες στήλες. Για παράδειγμα, αν θέλουμε να αναλύσουμε τη μέση και τη συνολική τιμή των ειδών μόδας για κάθε στυλ που υπάρχει στο σύνολο δεδομένων μας.
# Group data by style and calculate mean and sum of the price
grouped_data = data.groupby('style')['price'].agg(['mean', 'sum'])
print(grouped_data)
Λειτουργία συγχώνευσης Panda
Η συγχώνευση Η λειτουργία μας επιτρέπει να συνδυάσουμε δύο DataFrames που βασίζονται σε μια κοινή στήλη. Για παράδειγμα, ας υποθέσουμε ότι έχουμε ένα ξεχωριστό σύνολο δεδομένων που περιέχει πληροφορίες σχετικά με τη δημοτικότητα κάθε στυλ. Με τη συγχώνευση και των δύο DataFrames, μπορούμε να μετατρέψουμε αυτές τις πληροφορίες σε πολύτιμες πληροφορίες.
# Import data related to style popularity
style_popularity_data = pd.read_csv('style_popularity.csv')
# Merge the original data and style_popularity_data based on the 'style' column
merged_data = pd.merge(data, style_popularity_data, on='style')
print(merged_data.head())
Κατανοώντας και εφαρμόζοντας αυτές τις ισχυρές λειτουργίες στη βιβλιοθήκη των Pandas, οι ειδικοί της μόδας και οι προγραμματιστές μπορούν να λάβουν τεκμηριωμένες αποφάσεις και να αναλύσουν τις τελευταίες τάσεις και στυλ με ευκολία.
