Pandas è una potente libreria Python ampiamente utilizzata per la manipolazione e l'analisi dei dati. Un'operazione comune eseguita con i dati consiste nel sostituire i valori di colonna in base a determinati criteri, ad esempio il condizionamento o il mapping ad altri valori. In questo articolo, esploreremo come applicare efficacemente questa operazione utilizzando la libreria Pandas. Che tu sia un data scientist, un programmatore o un esperto di moda che approfondisce il mondo delle tendenze della moda basate sui dati, questa conoscenza sarà preziosa.
La chiave per comprendere questa operazione sta nel padroneggiare le funzioni integrate fornite dalla libreria Pandas. Nello specifico, ci concentreremo sull'uso delle funzioni `replace()`, `map()` e `apply()` per manipolare i valori delle colonne in base a vari criteri.
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)
Spiegazione dettagliata del codice
1. Innanzitutto, importiamo la libreria Pandas come `pd`. Questa è una convenzione comune e ci consente di chiamare le funzioni Pandas con la scorciatoia `pd`.
2. Successivamente, creiamo un dizionario chiamato `data` contenente le colonne 'Fashion_Style' e 'Colors', nonché i rispettivi valori.
3. Quindi creiamo un DataFrame chiamato `df` usando la funzione `pd.DataFrame()` con il dizionario `data` come argomento.
4. Successivamente, usiamo la funzione `sostituisci()` per sostituire valori specifici nella colonna 'Colori'. Nel nostro esempio, sostituiamo "Toni della terra" con "Toni caldi" e "Monocromatico" con "Toni di contrasto".
5. Infine, stampiamo il DataFrame `df` aggiornato per verificare il risultato.
Funzioni integrate di Pandas per la sostituzione del valore di colonna
Pandas fornisce diverse funzioni integrate per lavorare con i valori delle colonne in DataFrames. Tra questi, abbiamo identificato `replace()`, `map()` e `apply()` come particolarmente utili quando si tratta di sostituire i valori delle colonne in base a varie condizioni.
sostituire (): Questa funzione viene utilizzata per sostituire i valori specificati in un DataFrame o in una serie. Può essere applicato a una particolare colonna o all'intero DataFrame e supporta le espressioni regolari per la corrispondenza avanzata dei modelli.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
map (): La funzione `map()` è simile a `replace()`, ma applica una data funzione o dizionario a ogni elemento in una serie. Ciò può essere utile quando è necessario mappare i valori delle colonne a nuovi valori in base a un insieme specifico di regole.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
applicare(): La funzione `apply()` è un potente strumento che applica una data funzione lungo un asse del DataFrame. Può essere utilizzato su interi DataFrame o colonne specifiche per ottenere un'ampia gamma di trasformazioni.
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)
Con queste funzioni a tua disposizione, ora sei pronto per affrontare varie attività di manipolazione dei dati in Panda, come la sostituzione dei valori delle colonne in DataFrames. Questa conoscenza non è applicabile solo nel campo della scienza dei dati e della programmazione, ma si rivela utile anche quando si analizzano gli stili di moda moderni, si identificano le tendenze emergenti e si comprende il significato storico di vari stili e colori.
