Pandas on võimas Pythoni teek andmete analüüsimiseks ja töötlemiseks, mida kasutatakse laialdaselt erinevates valdkondades, sealhulgas moemaailmas. Pandasid kasutades saavad moeeksperdid ja -arendajad moetööstusega seotud andmekogumeid analüüsides märgata trende, mustreid ja teadmisi. Selles artiklis käsitleme Panda võimsaid funktsioone, keskmine ja summaja nende rakendused moeandmete analüüsimisel.
Need funktsioonid võivad olla väga kasulikud moekaupade (nt müük, hinnasuundumused, tootehinnangud ja muu) kohta olulise teabe avastamisel. Arvutades erinevate atribuutide keskmise ja summa, saame teha väärtuslikke teadmisi, et teha teadlikke otsuseid stiili ja moesuundade kohta.
Probleemi lahendus
Pandade kasutamise demonstreerimiseks keskmine ja summa oletame, et meil on andmestik, mis sisaldab üksikasju erinevate moekaupade kohta, nagu nende stiil, värvid, hind ja reiting. Impordime selle andmestiku pandade DataFrame'i ja alustame analüüsi keskmiste ja summade funktsioonide abil.
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)
Koodi samm-sammult selgitus
- Esiteks impordime pandade teegi aliasega 'pd'.
- Järgmiseks loeme andmed CSV-failist nimega 'fashion_items.csv' ja laadime need funktsiooni pd.read_csv abil DataFrame'i nimega 'andmed'. Andmekogum sisaldab teavet erinevate moekaupade kohta.
- Seejärel arvutame välja kõigi moekaupade keskmise hinna, kasutades DataFrame'i veerule "price" rakendatud funktsiooni mean(). See väärtus salvestatakse muutujas nimega 'mean_price'.
- Samamoodi arvutame välja kõigi moekaupade koguhinna, kutsudes välja sum() funktsiooni veerus "hind". See väärtus salvestatakse muutujas nimega 'sum_price'.
- Lõpuks trükime välja arvutatud moekaupade keskmised ja koguhinnad.
Seotud raamatukogud ja funktsioonid Pandases
Pandade kasutamist moetööstuses andmete analüüsimiseks on palju raamatukogusid ja funktsioone. Mõned neist kasulikest funktsioonidest peale keskmine ja summa järgmised:
Pandade rühma funktsioon
. groupby Funktsioon on eriti kasulik konkreetsete veergude alusel andmete koondamisel. Näiteks kui tahame analüüsida moekaupade keskmist ja koguhinda iga meie andmekogus oleva stiili puhul.
# Group data by style and calculate mean and sum of the price
grouped_data = data.groupby('style')['price'].agg(['mean', 'sum'])
print(grouped_data)
Pandade ühendamise funktsioon
. ühendada funktsioon võimaldab meil ühendada kaks DataFrame'i ühise veeru alusel. Oletame näiteks, et meil on eraldi andmestik, mis sisaldab teavet iga stiili populaarsuse kohta. Mõlema DataFrame'i ühendamisel saame selle teabe muuta väärtuslikeks kaevudeks.
# 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())
Mõistes ja rakendades neid Pandase raamatukogu võimsaid funktsioone, saavad moeeksperdid ja -arendajad teha teadlikke otsuseid ning analüüsida hõlpsalt viimaseid trende ja stiile.
