निराकरण: पांडा स्तंभ मूल्ये बदलतात

Pandas ही एक शक्तिशाली Python लायब्ररी आहे जी मोठ्या प्रमाणावर डेटा हाताळणी आणि विश्लेषणासाठी वापरली जाते. डेटासह केलेले एक सामान्य ऑपरेशन म्हणजे विशिष्ट निकषांवर आधारित स्तंभ मूल्ये बदलणे, जसे की कंडीशनिंग किंवा इतर मूल्यांचे मॅपिंग. या लेखात, आम्ही पांडस लायब्ररी वापरून हे ऑपरेशन प्रभावीपणे कसे लागू करायचे ते शोधू. तुम्ही डेटा सायंटिस्ट असाल, प्रोग्रामर असाल किंवा डेटा-चालित फॅशन ट्रेंडच्या जगात शोध घेणारे फॅशन तज्ञ असाल, हे ज्ञान अमूल्य असेल.

हे ऑपरेशन समजून घेण्याची गुरुकिल्ली पांडस लायब्ररीद्वारे प्रदान केलेल्या अंगभूत फंक्शन्समध्ये प्रभुत्व मिळवण्यात आहे. विशेषत:, आम्ही विविध निकषांवर आधारित स्तंभ मूल्ये हाताळण्यासाठी `replace()`, `map()`, आणि `apply()` फंक्शन्सच्या वापरावर लक्ष केंद्रित करू.

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)

संहितेचे चरण-दर-चरण स्पष्टीकरण

1. प्रथम, आम्ही Pandas लायब्ररी `pd` म्हणून आयात करतो. हे एक सामान्य नियम आहे आणि ते आम्हाला 'pd' शॉर्टहँडसह Pandas फंक्शन्स कॉल करण्यास अनुमती देते.
2. पुढे, आम्ही `डेटा` नावाचा एक शब्दकोश तयार करतो ज्यामध्ये स्तंभ 'फॅशन_स्टाईल' आणि 'कलर्स' तसेच त्यांची संबंधित मूल्ये असतात.
3. त्यानंतर आर्ग्युमेंट म्हणून `डेटा` शब्दकोशासह `pd.DataFrame()` फंक्शन वापरून `df` नावाचा DataFrame तयार करतो.
4. त्यानंतर, 'रंग' स्तंभातील विशिष्ट मूल्ये बदलण्यासाठी आम्ही `replace()` फंक्शन वापरतो. आमच्या उदाहरणात, आम्ही 'अर्थी टोन' च्या जागी 'उबदार टोन' आणि 'मोनोक्रोम' च्या जागी 'कॉन्ट्रास्ट टोन' ने.
5. शेवटी, परिणाम तपासण्यासाठी आम्ही अपडेट केलेला DataFrame `df` प्रिंट करतो.

कॉलम व्हॅल्यू रिप्लेसमेंटसाठी पांडा बिल्ट-इन फंक्शन्स

DataFrames मधील स्तंभ मूल्यांसह कार्य करण्यासाठी Pandas अनेक अंगभूत कार्ये प्रदान करते. यापैकी, आम्ही विविध अटींवर आधारित स्तंभ मूल्ये बदलण्याच्या बाबतीत `replace()`, `map()`, आणि `apply()` हे विशेषतः उपयुक्त म्हणून ओळखले आहे.

बदला(): हे फंक्शन डेटाफ्रेम किंवा सिरीजमधील निर्दिष्ट मूल्ये बदलण्यासाठी वापरले जाते. हे एका विशिष्ट स्तंभावर किंवा संपूर्ण डेटाफ्रेमवर लागू केले जाऊ शकते आणि ते प्रगत नमुना जुळणीसाठी नियमित अभिव्यक्तींना समर्थन देते.

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

नकाशा(): `map()` फंक्शन `replace()` सारखेच आहे, परंतु ते दिलेले फंक्शन किंवा डिक्शनरी मालिकेतील प्रत्येक घटकाला लागू करते. जेव्हा तुम्हाला नियमांच्या विशिष्ट संचाच्या आधारे नवीन मूल्यांवर स्तंभ मूल्ये मॅप करण्याची आवश्यकता असेल तेव्हा हे उपयुक्त ठरू शकते.

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

लागू करा (): `लागू()` फंक्शन हे एक शक्तिशाली साधन आहे जे डेटाफ्रेमच्या अक्षावर दिलेल्या फंक्शनला लागू करते. हे संपूर्ण डेटाफ्रेम किंवा विशिष्ट कॉलम्सवर मोठ्या प्रमाणात परिवर्तने साध्य करण्यासाठी वापरले जाऊ शकते.

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)

तुमच्या विल्हेवाटीवर असलेल्या या फंक्शन्ससह, तुम्ही आता डेटाफ्रेममधील कॉलम व्हॅल्यूज बदलण्यासारख्या पांडामधील विविध डेटा मॅनिपुलेशन टास्क हाताळण्यासाठी तयार आहात. हे ज्ञान केवळ डेटा सायन्स आणि प्रोग्रामिंगच्या क्षेत्रात लागू होत नाही तर आधुनिक फॅशन शैलींचे विश्लेषण करताना, उदयोन्मुख ट्रेंड ओळखण्यासाठी आणि विविध शैली आणि रंगांचे ऐतिहासिक महत्त्व समजून घेताना देखील उपयुक्त ठरते.