Mode un programmēšana var šķist divas pilnīgi atšķirīgas pasaules, taču, kad runa ir par datu analīzi un tendenču prognozēšanu, tās var lieliski apvienoties. Šajā rakstā mēs izpētīsim izplatītu problēmu datu analīzei modes industrijā: konkrētu dienu izlaišana no pandu datuma un laika datiem. Tas var būt īpaši noderīgi, analizējot modeļus, tendences un pārdošanas datus. Mēs iesim soli pa solim koda skaidrojumu un apspriedīsim dažādas bibliotēkas un funkcijas, kas mums palīdzēs sasniegt mērķi.
Pandas un datums modē
Pandas ir populāra Python bibliotēka, ko galvenokārt izmanto datu analīzei un manipulācijām. Modes pasaulē to var izmantot, lai izsijātu milzīgu datu apjomu, lai noteiktu tendences, analizētu klientu vēlmes un prognozētu nākotnes modeļus. Pandas atbalsta datuma un laika funkcionalitāti, ļaujot mums bez piepūles strādāt ar datumiem un laikiem.
Daudzos gadījumos mūsu datu kopā ir jāizlaiž noteiktas dienas vai dienu diapazoni. Piemēram, mēs varētu vēlēties izslēgt nedēļas nogales vai svētku dienas, lai koncentrētos uz svarīgām izpārdošanas dienām, piemēram, Melnā piektdiena vai Kiberpirmdiena.
Problēmas izpratne
Pieņemsim, ka mums ir datu kopa, kas satur ikdienas pārdošanas datus CSV formātā, un mēs vēlamies analizēt informāciju, izslēdzot nedēļas nogales. Lai to sasniegtu, mēs sāksim ar datu kopas importēšana, izmantojot pandas, un pēc tam mēs manipulēsim ar datiem, lai noņemtu nedēļas nogales.
Lūk, soli pa solim process:
1. Importējiet nepieciešamās bibliotēkas.
2. Ielādējiet datu kopu.
3. Konvertējiet datuma kolonnu datuma un laika formātā (ja vēl nav šajā formātā).
4. Filtrējiet datu rāmi, lai izslēgtu nedēļas nogales.
5. Analizējiet filtrētos datus.
Piezīme: Šo metodi var izmantot jebkurai datu kopai, kurā datums tiek saglabāts atsevišķā kolonnā.
# Step 1: Import the necessary libraries
import pandas as pd
from pandas.tseries.offsets import BDay
# Step 2: Load the dataset
data = pd.read_csv('sales_data.csv')
# Step 3: Convert the date column to datetime format
data['date'] = pd.to_datetime(data['date'])
# Step 4: Filter the dataframe to exclude weekends
filtered_data = data[data['date'].dt.dayofweek < 5]
# Step 5: Analyze the filtered data
print(filtered_data.head())
Kodeksa interpretācija
Iepriekš minētajā koda blokā mēs sākam importēt divas būtiskas bibliotēkas: pandas un BDay (darba diena) no pandas.tseries.offsets. Mēs ielādējam datu kopu, izmantojot funkciju pandas lasīt_csvun pārliecinieties, ka datuma kolonna ir datuma un laika formātā.
Jūsu darbs IR Klientu apkalpošana dt.dayofweek atribūts atgriež nedēļas dienu kā veselu skaitli (pirmdiena: 0, svētdiena: 6). Lai filtrētu nedēļas nogales, mēs saglabājam tikai rindas, kuru nedēļas dienas vērtība ir mazāka par 5.
Visbeidzot, mēs analizējam filtrētos datus, izdrukājot dažas pirmās rindas, izmantojot galva () funkcija.
Papildu funkcijas un bibliotēkas
Šo metodi var vēl vairāk paplašināt, lai iekļautu citus filtrēšanas kritērijus vai darbotos ar dažādiem datumu diapazoniem. Dažas noderīgas bibliotēkas un funkcijas, kas var atbalstīt šo procesu, ir šādas:
- numPy: Bibliotēka skaitliskai skaitļošanai Python, ko var izmantot efektīvai masīvu manipulācijai un matemātiskām darbībām.
- Datums Laiks: Python standarta bibliotēkas modulis, kas palīdz mums viegli strādāt ar datumiem un laikiem.
- date_range: Funkcija pandās, kas ļauj mums izveidot datumu diapazonu atbilstoši dažādiem biežuma iestatījumiem, piemēram, darba dienām, nedēļām vai mēnešiem.
Izmantojot šos rīkus un paņēmienus kopā ar pandām un datuma laika manipulācijām, varat izveidot spēcīgas datu analīzes darbplūsmas, kas atbilst modes industrijas īpašajām vajadzībām, piemēram, tendenču identificēšanai, klientu vēlmēm un pārdošanas rezultātiem.
