La mode et la programmation peuvent sembler être deux mondes complètement différents, mais lorsqu'il s'agit d'analyse de données et de prévisions de tendances, elles peuvent parfaitement se combiner. Dans cet article, nous allons explorer un problème courant pour l'analyse des données dans l'industrie de la mode : omettre des jours spécifiques des données datetime des pandas. Cela peut être particulièrement utile lors de l'analyse de modèles, de tendances et de données de vente. Nous allons passer par une explication étape par étape du code et discuter de diverses bibliothèques et fonctions qui nous aideront à atteindre notre objectif.
Pandas et Datetime dans la mode
Pandas est une bibliothèque Python populaire principalement utilisée pour l'analyse et la manipulation de données. Dans le monde de la mode, il peut être utilisé pour passer au crible de grandes quantités de données afin d'identifier les tendances, d'analyser les préférences des clients et de prédire les modèles futurs. Pandas prend en charge la fonctionnalité datetime, nous permettant de travailler avec les dates et les heures sans effort.
Dans de nombreux cas, il est nécessaire d'omettre des jours ou des plages de jours spécifiques de notre ensemble de données. Par exemple, nous pourrions vouloir exclure les week-ends ou les jours fériés pour nous concentrer sur les jours de vente importants, comme le Black Friday ou le Cyber Monday.
Comprendre le problème
Supposons que nous disposions d'un ensemble de données contenant des données de ventes quotidiennes au format CSV et que nous souhaitions analyser les informations en excluant les week-ends. Pour y parvenir, nous commencerons par importer l'ensemble de données à l'aide de pandas, puis nous manipulerons les données pour supprimer les week-ends.
Voici le processus étape par étape :
1. Importez les bibliothèques nécessaires.
2. Chargez le jeu de données.
3. Convertissez la colonne de date au format datetime (si ce n'est déjà fait dans ce format).
4. Filtrez la trame de données pour exclure les week-ends.
5. Analysez les données filtrées.
Remarque: Cette méthode peut être appliquée à n'importe quel ensemble de données où la date est stockée dans une colonne séparée.
# Step 1: Import the necessary libraries
import pandas as pd
from pandas.tseries.offsets import BDay
# Step 2: Load the dataset
data = pd.read_csv('sales_data.csv')
# Step 3: Convert the date column to datetime format
data['date'] = pd.to_datetime(data['date'])
# Step 4: Filter the dataframe to exclude weekends
filtered_data = data[data['date'].dt.dayofweek < 5]
# Step 5: Analyze the filtered data
print(filtered_data.head())
Interprétation du Code
Dans le bloc de code ci-dessus, nous commençons par importer deux bibliothèques essentielles : pandas et BDay (jour ouvrable) depuis pandas.tseries.offsets. Nous chargeons le jeu de données à l'aide de la fonction pandas lire_csv, et assurez-vous que la colonne de date est au format datetime.
La dt.jourdelasemaine renvoie le jour de la semaine sous la forme d'un entier (lundi : 0, dimanche : 6). Pour filtrer les week-ends, nous ne conservons que les lignes avec une valeur dayofweek inférieure à 5.
Enfin, nous analysons les données filtrées en imprimant les premières lignes à l'aide de la diriger() la fonction.
Fonctions et bibliothèques supplémentaires
Cette méthode peut être étendue pour inclure d'autres critères de filtrage ou pour travailler avec différentes plages de dates. Certaines bibliothèques et fonctions utiles pouvant prendre en charge ce processus incluent :
- NumPy : Une bibliothèque pour le calcul numérique en Python, qui peut être utilisée pour une manipulation efficace des tableaux et des opérations mathématiques.
- DateTime: Un module de la bibliothèque standard de Python qui nous aide à travailler facilement avec les dates et les heures.
- date_range : Une fonction dans pandas qui nous permet de créer une plage de dates en fonction de différents paramètres de fréquence, tels que des jours ouvrables, des semaines ou des mois.
En exploitant ces outils et techniques conjointement avec les pandas et la manipulation de la date et de l'heure, vous pouvez créer des flux de travail d'analyse de données robustes qui répondent aux besoins spécifiques de l'industrie de la mode, tels que l'identification des tendances, les préférences des clients et les performances des ventes.
