Pandas est une puissante bibliothèque Python largement utilisée pour la manipulation et l'analyse de données. Une opération courante effectuée avec des données consiste à remplacer les valeurs de colonne en fonction de certains critères, tels que le conditionnement ou le mappage à d'autres valeurs. Dans cet article, nous allons explorer comment appliquer efficacement cette opération à l'aide de la bibliothèque Pandas. Que vous soyez un scientifique des données, un programmeur ou un expert de la mode plongeant dans le monde des tendances de la mode axées sur les données, ces connaissances seront inestimables.
La clé pour comprendre ce fonctionnement réside dans la maîtrise des fonctions intégrées fournies par la librairie Pandas. Plus précisément, nous nous concentrerons sur l'utilisation des fonctions `replace()`, `map()` et `apply()` pour manipuler les valeurs des colonnes en fonction de divers critères.
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)
Explication étape par étape du code
1. Tout d'abord, nous importons la bibliothèque Pandas en tant que `pd`. C'est une convention courante, et elle nous permet d'appeler les fonctions Pandas avec le raccourci "pd".
2. Ensuite, nous créons un dictionnaire appelé `data` contenant les colonnes 'Fashion_Style' et 'Colors', ainsi que leurs valeurs respectives.
3. Nous créons ensuite un DataFrame nommé `df` en utilisant la fonction `pd.DataFrame()` avec le dictionnaire `data` comme argument.
4. Après cela, nous utilisons la fonction `replace()` pour remplacer des valeurs spécifiques dans la colonne 'Colors'. Dans notre exemple, nous remplaçons 'Tons terreux' par 'Tons chauds' et 'Monochrome' par 'Tons contrastés'.
5. Enfin, nous imprimons le DataFrame `df` mis à jour pour vérifier le résultat.
Fonctions intégrées de Pandas pour le remplacement de valeur de colonne
Pandas fournit plusieurs fonctions intégrées pour travailler avec des valeurs de colonne dans DataFrames. Parmi ceux-ci, nous avons identifié `replace()`, `map()` et `apply()` comme particulièrement utiles lorsqu'il s'agit de remplacer les valeurs de colonne en fonction de diverses conditions.
remplacer (): Cette fonction est utilisée pour remplacer les valeurs spécifiées dans un DataFrame ou une série. Il peut être appliqué à une colonne particulière ou à l'ensemble du DataFrame, et il prend en charge les expressions régulières pour la correspondance de modèle avancée.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
map (): La fonction `map()` est similaire à `replace()`, mais elle applique une fonction ou un dictionnaire donné à chaque élément d'une série. Cela peut être utile lorsque vous devez mapper des valeurs de colonne à de nouvelles valeurs en fonction d'un ensemble spécifique de règles.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
appliquer(): La fonction `apply()` est un outil puissant qui applique une fonction donnée le long d'un axe du DataFrame. Il peut être utilisé sur l'ensemble du DataFrame ou sur des colonnes spécifiques pour réaliser un large éventail de transformations.
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)
Avec ces fonctions à votre disposition, vous êtes maintenant prêt à vous attaquer à diverses tâches de manipulation de données dans Pandas, telles que le remplacement des valeurs de colonne dans les DataFrames. Ces connaissances ne sont pas seulement applicables dans le domaine de la science des données et de la programmation, mais s'avèrent également utiles pour analyser les styles de mode modernes, identifier les tendances émergentes et comprendre la signification historique de divers styles et couleurs.
