ઉકેલાયેલ: પાંડા કૉલમ મૂલ્યોને બદલે છે

Pandas એ એક શક્તિશાળી પાયથોન લાઇબ્રેરી છે જેનો વ્યાપકપણે ડેટા મેનીપ્યુલેશન અને વિશ્લેષણ માટે ઉપયોગ થાય છે. ડેટા સાથે કરવામાં આવતી એક સામાન્ય કામગીરી ચોક્કસ માપદંડો પર આધારિત કૉલમ મૂલ્યોને બદલવાનું છે, જેમ કે કન્ડીશનીંગ અથવા અન્ય મૂલ્યોમાં મેપિંગ. આ લેખમાં, અમે અન્વેષણ કરીશું કે કેવી રીતે પાન્ડાસ લાઇબ્રેરીનો ઉપયોગ કરીને આ કામગીરીને અસરકારક રીતે લાગુ કરવી. ભલે તમે ડેટા સાયન્ટિસ્ટ હો, પ્રોગ્રામર હો, અથવા ફેશન એક્સપર્ટ ડેટા-આધારિત ફેશન વલણોની દુનિયામાં શોધખોળ કરતા હોવ, આ જ્ઞાન અમૂલ્ય હશે.

આ કામગીરીને સમજવાની ચાવી પાંડા લાઇબ્રેરી દ્વારા પ્રદાન કરવામાં આવેલ બિલ્ટ-ઇન કાર્યોમાં નિપુણતામાં રહેલી છે. ખાસ કરીને, અમે વિવિધ માપદંડોના આધારે કૉલમના મૂલ્યોની હેરફેર કરવા માટે `બદલો()`, `નકશો()`, અને `લાગુ()` ફંક્શનના ઉપયોગ પર ધ્યાન કેન્દ્રિત કરીશું.

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)

કોડનું પગલું દ્વારા પગલું સમજૂતી

1. પ્રથમ, અમે Pandas લાઇબ્રેરીને `pd` તરીકે આયાત કરીએ છીએ. આ એક સામાન્ય સંમેલન છે, અને તે અમને 'pd' શોર્ટહેન્ડ સાથે Pandas ફંક્શન્સને કૉલ કરવાની મંજૂરી આપે છે.
2. આગળ, અમે કૉલમ્સ 'ફેશન_સ્ટાઇલ' અને 'કલર્સ' તેમજ તેમના સંબંધિત મૂલ્યો ધરાવતો `ડેટા` નામનો શબ્દકોશ બનાવીએ છીએ.
3. પછી અમે દલીલ તરીકે `ડેટા` શબ્દકોશ સાથે `pd.DataFrame()` ફંક્શનનો ઉપયોગ કરીને `df` નામની ડેટાફ્રેમ બનાવીએ છીએ.
4. તે પછી, અમે 'રંગો' કૉલમમાં ચોક્કસ મૂલ્યોને બદલવા માટે `replace()` ફંક્શનનો ઉપયોગ કરીએ છીએ. અમારા ઉદાહરણમાં, અમે 'ધરતી ટોન'ને 'ગરમ ટોન' અને 'મોનોક્રોમ'ને 'કોન્ટ્રાસ્ટ ટોન' સાથે બદલીએ છીએ.
5. અંતે, અમે પરિણામ તપાસવા માટે અપડેટ કરેલ ડેટાફ્રેમ `df` પ્રિન્ટ કરીએ છીએ.

કૉલમ વેલ્યુ રિપ્લેસમેન્ટ માટે પાંડા બિલ્ટ-ઇન ફંક્શન્સ

ડેટાફ્રેમ્સમાં કોલમ વેલ્યુ સાથે કામ કરવા માટે પાંડા ઘણા બિલ્ટ-ઇન ફંક્શન્સ પ્રદાન કરે છે. આ પૈકી, અમે `બદલો()`, `નકશો()`, અને `લાગુ()`ને ખાસ કરીને ઉપયોગી તરીકે ઓળખ્યા છે જ્યારે તે વિવિધ શરતોના આધારે કૉલમ મૂલ્યોને બદલવાની વાત આવે છે.

બદલો (): આ ફંક્શનનો ઉપયોગ ડેટાફ્રેમ અથવા શ્રેણીમાં ઉલ્લેખિત મૂલ્યોને બદલવા માટે થાય છે. તે ચોક્કસ કૉલમ અથવા સમગ્ર ડેટાફ્રેમ પર લાગુ કરી શકાય છે, અને તે અદ્યતન પેટર્ન મેચિંગ માટે નિયમિત અભિવ્યક્તિઓને સપોર્ટ કરે છે.

df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])

નકશો(): `નકશો()` ફંક્શન `રિપ્લેસ()` જેવું જ છે, પરંતુ તે આપેલ ફંક્શન અથવા ડિક્શનરી શ્રેણીમાંના દરેક ઘટકને લાગુ કરે છે. જ્યારે તમારે નિયમોના ચોક્કસ સેટના આધારે કૉલમના મૂલ્યોને નવા મૂલ્યો સાથે મેપ કરવાની જરૂર હોય ત્યારે આ ઉપયોગી થઈ શકે છે.

color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)

લાગુ કરો (): `લાગુ()` ફંક્શન એ એક શક્તિશાળી સાધન છે જે ડેટાફ્રેમની અક્ષ સાથે આપેલ ફંક્શનને લાગુ કરે છે. તેનો ઉપયોગ સમગ્ર ડેટાફ્રેમ અથવા ચોક્કસ કૉલમ પર વ્યાપક શ્રેણીમાં પરિવર્તન પ્રાપ્ત કરવા માટે થઈ શકે છે.

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)

તમારા નિકાલ પરના આ કાર્યો સાથે, તમે હવે પાંડામાં વિવિધ ડેટા મેનીપ્યુલેશન કાર્યોનો સામનો કરવા માટે તૈયાર છો, જેમ કે ડેટાફ્રેમ્સમાં કૉલમ મૂલ્યો બદલવા. આ જ્ઞાન માત્ર ડેટા સાયન્સ અને પ્રોગ્રામિંગના ક્ષેત્રમાં જ લાગુ પડતું નથી પરંતુ આધુનિક ફેશન શૈલીઓનું વિશ્લેષણ કરતી વખતે, ઉભરતા પ્રવાહોને ઓળખવા અને વિવિધ શૈલીઓ અને રંગોના ઐતિહાસિક મહત્વને સમજવામાં પણ ઉપયોગી સાબિત થાય છે.