Pandas er et kraftig Python-bibliotek som er mye brukt for datamanipulering og -analyse. En vanlig operasjon som utføres med data er å erstatte kolonneverdier basert på visse kriterier, for eksempel kondisjonering eller tilordning til andre verdier. I denne artikkelen vil vi utforske hvordan du effektivt kan bruke denne operasjonen ved å bruke Pandas-biblioteket. Enten du er en dataforsker, en programmerer eller en moteekspert som fordyper deg i verden av datadrevne motetrender, vil denne kunnskapen være uvurderlig.
Nøkkelen til å forstå denne operasjonen ligger i å mestre de innebygde funksjonene som tilbys av Pandas-biblioteket. Spesifikt vil vi fokusere på bruken av funksjonene `replace()`, `map()` og `apply()` for å manipulere kolonneverdier basert på ulike kriterier.
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)
Trinn-for-trinn forklaring av koden
1. Først importerer vi Pandas-biblioteket som 'pd'. Dette er en vanlig konvensjon, og den lar oss kalle Pandas-funksjoner med 'pd'-stenografien.
2. Deretter lager vi en ordbok kalt `data` som inneholder kolonnene "Fashion_Style" og "Colors", så vel som deres respektive verdier.
3. Vi lager deretter en DataFrame kalt `df` ved å bruke `pd.DataFrame()`-funksjonen med `data`-ordboken som argument.
4. Etter det bruker vi 'replace()'-funksjonen for å erstatte spesifikke verdier i 'Colors'-kolonnen. I vårt eksempel erstatter vi 'Jordtoner' med 'Varme toner' og 'Monochrome' med 'Kontrasttoner'.
5. Til slutt skriver vi ut den oppdaterte DataFrame `df` for å sjekke utfallet.
Pandas innebygde funksjoner for erstatning av kolonneverdier
Pandas har flere innebygde funksjoner for arbeid med kolonneverdier i DataFrames. Blant disse har vi identifisert `replace()`, `map()` og `apply()` som spesielt nyttige når det gjelder å erstatte kolonneverdier basert på ulike forhold.
erstatte (): Denne funksjonen brukes til å erstatte spesifiserte verdier i en DataFrame eller serie. Den kan brukes på en bestemt kolonne eller hele DataFrame, og den støtter regulære uttrykk for avansert mønstertilpasning.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
kart(): Funksjonen "map()" ligner på "erstatt()", men den bruker en gitt funksjon eller ordbok på hvert element i en serie. Dette kan være nyttig når du skal tilordne kolonneverdier til nye verdier basert på et spesifikt sett med regler.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
søke om(): Funksjonen `apply()` er et kraftig verktøy som bruker en gitt funksjon langs en akse i DataFrame. Den kan brukes på hele DataFrame eller spesifikke kolonner for å oppnå et bredt spekter av transformasjoner.
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)
Med disse funksjonene til din disposisjon er du nå klar til å takle ulike datamanipuleringsoppgaver i Pandas, for eksempel å erstatte kolonneverdier i DataFrames. Denne kunnskapen er ikke bare anvendelig innen datavitenskap og programmering, men viser seg også nyttig når man analyserer moderne motestiler, identifiserer nye trender og forstår den historiske betydningen av ulike stiler og farger.
