Programmeerimismaailmas on Pythonist saanud populaarne keel, mis on tuntud oma kasutuslihtsuse, loetavuse ja paindlikkuse poolest. Arvukate raamatukogude seas paistab NumPy silma kui üks võimsamaid tööriistu arvandmete käsitlemiseks, millel on palju rakendusi erinevates valdkondades, sealhulgas moes. Selles artiklis käsitleme funktsiooni NumPy Shape, arutame selle süntaksit ja pakkudes praktilise lahenduse moesuundade analüüsiga seotud probleemile. Teel uurime ka seotud teeke ja funktsioone. Niisiis, alustame!
Funktsioon NumPy Shape on oluline tööriist massiivi struktuuri analüüsimiseks. Teisisõnu, see võimaldab meil saada massiivi mõõtmed ja sellega tõhusamalt manipuleerida. Selle funktsiooni kasutamiseks peame esmalt importima NumPy teegi järgmiselt:
import numpy as np
Pärast raamatukogu importimist kaalume praktilist probleemi: ajalooliste moesuundade andmete analüüsimine, et mõista aja jooksul esile kerkinud erinevaid stiile ja välimusi. Oletame, et meil on andmestik, mis sisaldab teavet erinevate rõivaesemete, nende värvide ja trendika aasta kohta.
NumPy kujundi funktsiooni mõistmine
NumPy kuju funktsioon on sisseehitatud funktsioon, mis tagastab antud massiivi mõõtmed. Sellele funktsioonile juurdepääsemiseks helistage sellele lihtsalt nupuga kujundada massiiviobjekti atribuut, näiteks:
array_shape = array_name.shape
Oletame näiteks, et meil on järgmine massiiv, mis sisaldab meie moeandmestikku:
fashion_data = np.array([[2000, "red", "skirt"],
[2001, "blue", "jeans"],
[2002, "green", "jacket"]])
fashion_data_shape = fashion_data.shape
print(fashion_data_shape) # Output: (3, 3)
Selles näites tagastab funktsioon Shape korteeži (3, 3), mis näitab, et meie andmekogumil on kolm rida ja kolm veergu.
Moetrendide uurimine NumPy abil
Kujufunktsioonist selgelt aru saades saame nüüd arutada, kuidas seda moesuundade analüüsi kontekstis rakendada. Oletame, et tahame analüüsida oma andmekogus igal aastal kõige populaarsemaid värve ja riideesemeid. Selleks kasutame massiivi itereerimiseks ja asjakohase teabe juurde pääsemiseks funktsiooni shape.
Esiteks saame oma andmestiku ridade arvu (aastad):
num_years = fashion_data_shape[0]
Järgmisena saame ridade vahel ringi käia ja eraldada iga aasta rõiva värvi ja eseme:
for i in range(num_years):
trend_year = fashion_data[i, 0]
trend_color = fashion_data[i, 1]
trend_item = fashion_data[i, 2]
print(f"In {trend_year}, {trend_color} {trend_item} were fashionable.")
See koodilõik väljastaks midagi sellist:
""
2000. aastal oli moes punane seelik.
2001. aastal olid moes sinised teksad.
2002. aastal olid moes roheline jakk.
""
Funktsiooni NumPy shape abil saime juurdepääsu oma andmekogust asjakohasele teabele ja tutvustada aastate jooksul erinevaid stiile, välimust ja suundumusi.
Võtme tagasivõtmine
Selles artiklis uurisime NumPy Shape funktsioon ja selle süntaks, sukeldudes analüüsimise praktilisse näidesse mood andmeid. Näitasime kuju funktsiooni kasutamist, et pääseda juurde andmestiku erinevatele elementidele, võimaldades meil aja jooksul tõhusalt analüüsida ja esitleda erinevaid stiile ja suundumusi. Kokkuvõtteks võib öelda, et kuju funktsioon on võimas tööriist arvandmetega töötamiseks, millel on palju rakendusi erinevates valdkondades, sealhulgas mood ja stiil analüüsi.
