Pandas on tehokas Python-kirjasto, jota käytetään laajalti tietojen käsittelyyn ja analysointiin. Yksi yleinen tietojen kanssa suoritettava toimenpide on sarakearvojen korvaaminen tiettyjen kriteerien perusteella, kuten ehdoin tai muihin arvoihin yhdistäminen. Tässä artikkelissa tutkimme, kuinka tätä toimintoa käytetään tehokkaasti Pandas-kirjaston avulla. Olitpa datatieteilijä, ohjelmoija tai muotiasiantuntija, joka sukeltaa datalähtöisten muotitrendien maailmaan, tämä tieto on korvaamatonta.
Avain tämän toiminnon ymmärtämiseen on Pandas-kirjaston tarjoamien sisäänrakennettujen toimintojen hallitseminen. Tarkemmin sanottuna keskitymme toimintojen "replace()", "map()" ja "apply()" käyttöön sarakearvojen muokkaamiseen eri kriteerien perusteella.
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)
Koodin vaiheittainen selitys
1. Ensin tuomme Pandas-kirjaston muodossa "pd". Tämä on yleinen käytäntö, ja sen avulla voimme kutsua Panda-funktioita pd-lyhenteellä.
2. Seuraavaksi luomme sanakirjan nimeltä "data", joka sisältää sarakkeet "Fashion_Style" ja "Colors" sekä niitä vastaavat arvot.
3. Luomme sitten DataFrame-nimisen df-nimisen käyttämällä pd.DataFrame()-funktiota ja datasanakirjaa argumenttina.
4. Tämän jälkeen käytämme "replace()"-funktiota korvaamaan tiettyjä arvoja "Värit"-sarakkeessa. Esimerkissämme korvaamme 'maanläheiset sävyt' sanalla 'Lämpimät sävyt' ja 'Mustavalkoinen' sanalla 'Kontrastisävyt'.
5. Lopuksi tulostamme päivitetyn DataFrame `df' tulosten tarkistamiseksi.
Pandassa sisäänrakennetut toiminnot sarakkeen arvon korvaamiseen
Pandas tarjoaa useita sisäänrakennettuja toimintoja sarakearvojen käsittelyyn DataFramesissa. Näistä olemme tunnistaneet "replace()", "map()" ja "apply()" erityisen hyödyllisiksi sarakearvojen korvaamisessa eri olosuhteiden perusteella.
korvaa (): Tätä toimintoa käytetään korvaamaan määritetyt arvot DataFrame- tai -sarjassa. Sitä voidaan soveltaa tiettyyn sarakkeeseen tai koko DataFrame-kehykseen, ja se tukee säännöllisiä lausekkeita tarkennetun kuvion täsmäyttämiseen.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
kartta(): Map()-funktio on samanlainen kuin 'replace()', mutta se käyttää tiettyä funktiota tai sanakirjaa jokaiseen sarjan elementtiin. Tästä voi olla hyötyä, kun sarakearvot on kartoitettava uusiin arvoihin tietyn sääntöjoukon perusteella.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
Käytä(): Apply()-funktio on tehokas työkalu, joka käyttää tiettyä funktiota DataFramen akselilla. Sitä voidaan käyttää koko DataFrame-kehyksessä tai tietyissä sarakkeissa useiden muunnosten saavuttamiseksi.
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)
Näiden käytettävissäsi olevien toimintojen avulla olet nyt valmis käsittelemään erilaisia tietojen käsittelytehtäviä Pandasissa, kuten korvaamaan sarakearvoja DataFramesissa. Tämä tieto ei sovellu vain datatieteen ja ohjelmoinnin alalla, vaan se on hyödyllistä myös analysoitaessa moderneja muotityylejä, tunnistamaan nousevia trendejä ja ymmärtämään eri tyylien ja värien historiallista merkitystä.
