Pandas yra galinga Python biblioteka, plačiai naudojama duomenų apdorojimui ir analizei. Viena įprasta operacija, atliekama su duomenimis, yra stulpelių reikšmių pakeitimas pagal tam tikrus kriterijus, pvz., kondicionavimą arba susiejimą su kitomis reikšmėmis. Šiame straipsnyje mes išnagrinėsime, kaip efektyviai pritaikyti šią operaciją naudojant Pandas biblioteką. Nesvarbu, ar esate duomenų mokslininkas, programuotojas ar mados ekspertas, besigilinantis į duomenimis pagrįstų mados tendencijų pasaulį, šios žinios bus neįkainojamos.
Norint suprasti šią operaciją, svarbiausia yra įsisavinti Pandas bibliotekos teikiamas integruotas funkcijas. Konkrečiau, mes sutelksime dėmesį į funkcijų „replace()“, „map()“ ir „apply()“ naudojimą, kad galėtumėte manipuliuoti stulpelių reikšmėmis pagal įvairius kriterijus.
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)
Žingsnis po žingsnio Kodekso paaiškinimas
1. Pirmiausia importuojame Pandas biblioteką kaip „pd“. Tai yra įprastas susitarimas ir leidžia mums iškviesti Pandas funkcijas naudojant „pd“ trumpinį.
2. Tada sukuriame žodyną pavadinimu „duomenys“, kuriame yra stulpeliai „Fashion_Style“ ir „Colors“ bei atitinkamos jų reikšmės.
3. Tada sukuriame duomenų rėmelį pavadinimu „df“, naudodami funkciją „pd.DataFrame()“ ir kaip argumentą „duomenų“ žodyną.
4. Po to naudojame funkciją „replace()“, kad pakeistume konkrečias stulpelio „Spalvos“ vertes. Mūsų pavyzdyje „Žemiški tonai“ pakeičiame į „Šilti tonai“, o „Vienspalviai“ – į „Kontrastiniai tonai“.
5. Galiausiai išspausdiname atnaujintą DataFrame `df', kad patikrintume rezultatą.
Pandas Integruotos funkcijos, skirtos stulpelio vertei pakeisti
„Pandas“ teikia keletą integruotų funkcijų, skirtų darbui su „DataFrames“ stulpelių reikšmėmis. Tarp jų nustatėme, kad „replace()“, „map()“ ir „apply()“ yra ypač naudingi, kai reikia pakeisti stulpelių reikšmes pagal įvairias sąlygas.
pakeisti (): Ši funkcija naudojama pakeisti nurodytas reikšmes DataFrame arba Series. Jis gali būti taikomas konkrečiam stulpeliui arba visam DataFrame ir palaiko reguliariąsias išraiškas, skirtas išplėstiniam šablonų atitikimui.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
žemėlapis (): Funkcija „map()“ yra panaši į „replace()“, tačiau ji taiko nurodytą funkciją arba žodyną kiekvienam serijos elementui. Tai gali būti naudinga, kai reikia susieti stulpelių reikšmes su naujomis reikšmėmis pagal tam tikrą taisyklių rinkinį.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
kreiptis (): Funkcija „apply()“ yra galingas įrankis, kuris taiko nurodytą funkciją išilgai „DataFrame“ ašies. Jis gali būti naudojamas visame DataFrame arba konkrečiuose stulpeliuose, kad būtų galima atlikti daugybę transformacijų.
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)
Naudodamiesi šiomis funkcijomis, dabar esate pasirengę atlikti įvairias Pandas duomenų tvarkymo užduotis, pvz., pakeisti stulpelių reikšmes DataFrames. Šios žinios pritaikomos ne tik duomenų mokslo ir programavimo srityse, bet ir praverčia analizuojant šiuolaikinius mados stilius, identifikuojant kylančias tendencijas, suvokiant įvairių stilių ir spalvų istorinę reikšmę.
