Pandas est une puissante bibliothèque Python pour l'analyse et la manipulation de données, largement utilisée dans divers domaines, y compris le monde de la mode. En utilisant Pandas, les experts de la mode et les développeurs peuvent repérer les tendances, les modèles et les idées en analysant des ensembles de données liés à l'industrie de la mode. Dans cet article, nous allons nous plonger dans les puissantes fonctions de Pandas, signifier ainsi que somme, et leurs applications dans l'analyse des données de mode.
Ces fonctions peuvent être très utiles pour découvrir des informations importantes sur les articles de mode comme les ventes, les tendances des prix, la notation des produits, etc. En calculant la moyenne et la somme de divers attributs, nous pouvons tirer des informations précieuses pour prendre des décisions éclairées sur le style et les tendances de la mode.
La solution au problème
Démontrer l'utilisation des pandas signifier ainsi que somme , supposons que nous disposions d'un ensemble de données contenant des détails sur différents articles de mode, tels que leur style, leurs couleurs, leur prix et leur note. Nous allons importer cet ensemble de données dans un pandas DataFrame et commencer notre analyse en utilisant les fonctions de moyenne et de somme.
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)
Explication étape par étape du code
- Tout d'abord, nous importons la bibliothèque pandas avec l'alias 'pd'.
- Ensuite, nous lisons les données d'un fichier CSV nommé 'fashion_items.csv' et les chargeons dans un DataFrame nommé 'data' à l'aide de la fonction pd.read_csv. L'ensemble de données contient des informations sur divers articles de mode.
- Ensuite, nous calculons le prix moyen de tous les articles de mode à l'aide de la fonction mean() appliquée à la colonne 'prix' du DataFrame. Cette valeur est stockée dans une variable nommée 'mean_price'.
- De même, nous calculons le prix total de tous les articles de mode en appelant la fonction sum() sur la colonne 'prix'. Cette valeur est stockée dans une variable nommée 'sum_price'.
- Enfin, nous imprimons les prix moyens et totaux calculés des articles de mode.
Bibliothèques et fonctions associées dans Pandas
Il existe une pléthore de bibliothèques et de fonctions qui complètent l'utilisation des pandas pour l'analyse des données dans l'industrie de la mode. Certaines de ces fonctions utiles en plus signifier ainsi que somme consistent à
Fonction groupby des pandas
La par groupe La fonction est particulièrement utile pour agréger des données basées sur des colonnes spécifiques. Par exemple, si nous voulons analyser le prix moyen et total des articles de mode pour chaque style présent dans notre jeu de données.
# Group data by style and calculate mean and sum of the price
grouped_data = data.groupby('style')['price'].agg(['mean', 'sum'])
print(grouped_data)
Fonction de fusion des pandas
La fusionner La fonction nous permet de combiner deux DataFrames basés sur une colonne commune. Par exemple, supposons que nous disposions d'un ensemble de données distinct contenant des informations sur la popularité de chaque style. En fusionnant les deux DataFrames, nous pouvons transformer ces informations en informations précieuses.
# 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())
En comprenant et en implémentant ces fonctions puissantes dans la bibliothèque Pandas, les experts de la mode et les développeurs peuvent prendre des décisions éclairées et analyser facilement les dernières tendances et styles.
