Pandas डेटा विश्लेषण आणि हाताळणीसाठी एक शक्तिशाली पायथन लायब्ररी आहे, फॅशनच्या जगासह विविध डोमेनमध्ये मोठ्या प्रमाणावर वापरली जाते. पांडांचा वापर करून, फॅशन तज्ञ आणि विकासक फॅशन उद्योगाशी संबंधित डेटासेटचे विश्लेषण करून ट्रेंड, नमुने आणि अंतर्दृष्टी शोधू शकतात. या लेखात, आम्ही पांडाच्या शक्तिशाली कार्यांचा अभ्यास करू, याचा अर्थ आणि बेरीज, आणि फॅशन डेटाच्या विश्लेषणामध्ये त्यांचे अनुप्रयोग.
विक्री, किंमत ट्रेंड, उत्पादन रेटिंग आणि बरेच काही यासारख्या फॅशन आयटमबद्दल महत्त्वाची माहिती शोधण्यात ही कार्ये खूप उपयुक्त ठरू शकतात. विविध गुणधर्मांच्या सरासरी आणि बेरीजची गणना करून, आम्ही स्टाइलिंग आणि फॅशन ट्रेंडबद्दल माहितीपूर्ण निर्णय घेण्यासाठी मौल्यवान अंतर्दृष्टी काढू शकतो.
समस्येचे निराकरण
पांडाचा वापर दाखवण्यासाठी याचा अर्थ आणि बेरीज फंक्शन्स, आपण असे गृहीत धरू की आमच्याकडे एक डेटासेट आहे ज्यामध्ये विविध फॅशन आयटमचे तपशील आहेत जसे की त्यांची शैली, रंग, किंमत आणि रेटिंग. आम्ही हा डेटासेट पांडा डेटाफ्रेममध्ये आयात करू आणि सरासरी आणि बेरीज फंक्शन्स वापरून आमचे विश्लेषण सुरू करू.
import pandas as pd # Read data from a CSV file and load it into a DataFrame data = pd.read_csv('fashion_items.csv') # Calculate mean and sum of the price column mean_price = data['price'].mean() sum_price = data['price'].sum() print('Mean price:', mean_price) print('Total price:', sum_price)
कोडचे चरण-दर-चरण स्पष्टीकरण
- प्रथम, आम्ही 'pd' या उपनामाने पांडा लायब्ररी आयात करतो.
- पुढे, आम्ही 'fashion_items.csv' नावाच्या CSV फाईलमधील डेटा वाचतो आणि pd.read_csv फंक्शन वापरून 'डेटा' नावाच्या डेटाफ्रेममध्ये लोड करतो. डेटासेटमध्ये विविध फॅशनच्या वस्तूंची माहिती असते.
- त्यानंतर, डेटाफ्रेमच्या 'किंमत' कॉलमवर लागू केलेल्या मीन() फंक्शनचा वापर करून आम्ही सर्व फॅशन आयटमची सरासरी किंमत मोजतो. हे मूल्य 'mean_price' नावाच्या व्हेरिएबलमध्ये साठवले जाते.
- त्याचप्रमाणे, आम्ही 'किंमत' स्तंभावरील sum() फंक्शन कॉल करून सर्व फॅशन आयटमची एकूण किंमत मोजतो. हे मूल्य 'sum_price' नावाच्या व्हेरिएबलमध्ये साठवले जाते.
- शेवटी, आम्ही फॅशन आयटमची गणना केलेली सरासरी आणि एकूण किंमती मुद्रित करतो.
पांडामधील संबंधित लायब्ररी आणि कार्ये
फॅशन इंडस्ट्रीमध्ये डेटा विश्लेषणासाठी पांडाच्या वापराला पूरक असलेली लायब्ररी आणि फंक्शन्स भरपूर आहेत. याशिवाय काही उपयुक्त कार्ये याचा अर्थ आणि बेरीज खालील समाविष्टीत आहे:
पांडा ग्रुपबाय फंक्शन
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना ग्रुपबाय विशिष्ट स्तंभांवर आधारित डेटा एकत्रित करण्यासाठी कार्य विशेषतः उपयुक्त आहे. उदाहरणार्थ, आम्हाला आमच्या डेटासेटमध्ये उपस्थित असलेल्या प्रत्येक शैलीसाठी फॅशन आयटमच्या सरासरी आणि एकूण किंमतीचे विश्लेषण करायचे असल्यास.
# Group data by style and calculate mean and sum of the price grouped_data = data.groupby('style')['price'].agg(['mean', 'sum']) print(grouped_data)
पांडा मर्ज फंक्शन
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना जा फंक्शन आम्हाला सामान्य स्तंभावर आधारित दोन डेटाफ्रेम एकत्र करण्यास अनुमती देते. उदाहरणार्थ, समजा आमच्याकडे प्रत्येक शैलीच्या लोकप्रियतेबद्दल माहिती असलेला वेगळा डेटासेट आहे. दोन्ही डेटाफ्रेम विलीन करून, आम्ही ही माहिती मौल्यवान अंतर्दृष्टीमध्ये बदलू शकतो.
# Import data related to style popularity style_popularity_data = pd.read_csv('style_popularity.csv') # Merge the original data and style_popularity_data based on the 'style' column merged_data = pd.merge(data, style_popularity_data, on='style') print(merged_data.head())
पांडस लायब्ररीतील ही शक्तिशाली कार्ये समजून घेऊन आणि अंमलात आणून, फॅशन तज्ञ आणि विकासक माहितीपूर्ण निर्णय घेऊ शकतात आणि नवीनतम ट्रेंड आणि शैलींचे सहजतेने विश्लेषण करू शकतात.