Pandas é uma poderosa biblioteca Python amplamente usada para manipulação e análise de dados. Uma operação comum executada com dados é substituir valores de coluna com base em determinados critérios, como condicionamento ou mapeamento para outros valores. Neste artigo, exploraremos como aplicar efetivamente essa operação usando a biblioteca Pandas. Seja você um cientista de dados, um programador ou um especialista em moda que se aprofunda no mundo das tendências da moda baseadas em dados, esse conhecimento será inestimável.
A chave para entender esta operação está em dominar as funções internas fornecidas pela biblioteca Pandas. Especificamente, vamos nos concentrar no uso das funções `replace()`, `map()` e `apply()` para manipular valores de coluna com base em vários critérios.
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)
Explicação passo a passo do código
1. Primeiro, importamos a biblioteca Pandas como `pd`. Esta é uma convenção comum e nos permite chamar funções do Pandas com a abreviação `pd`.
2. Em seguida, criamos um dicionário chamado `data` contendo as colunas 'Fashion_Style' e 'Colors', bem como seus respectivos valores.
3. Em seguida, criamos um DataFrame chamado `df` usando a função `pd.DataFrame()` com o dicionário `data` como argumento.
4. Depois disso, usamos a função `replace()` para substituir valores específicos na coluna 'Cores'. Em nosso exemplo, substituímos 'tons terrosos' por 'tons quentes' e 'monocromático' por 'tons de contraste'.
5. Por fim, imprimimos o DataFrame `df` atualizado para verificar o resultado.
Funções internas do Pandas para substituição de valor de coluna
Pandas fornece várias funções internas para trabalhar com valores de coluna em DataFrames. Entre eles, identificamos `replace()`, `map()` e `apply()` como particularmente úteis quando se trata de substituir valores de coluna com base em várias condições.
substituir (): Esta função é usada para substituir valores especificados em um DataFrame ou Series. Ele pode ser aplicado a uma coluna específica ou a todo o DataFrame e oferece suporte a expressões regulares para correspondência de padrão avançada.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
mapa (): A função `map()` é semelhante a `replace()`, mas aplica uma determinada função ou dicionário a cada elemento em uma série. Isso pode ser útil quando você precisa mapear valores de coluna para novos valores com base em um conjunto específico de regras.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
Aplique(): A função `apply()` é uma ferramenta poderosa que aplica uma determinada função ao longo de um eixo do DataFrame. Pode ser usado em DataFrame inteiro ou colunas específicas para alcançar uma ampla gama de transformações.
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)
Com essas funções à sua disposição, agora você está pronto para enfrentar várias tarefas de manipulação de dados em Pandas, como substituir valores de coluna em DataFrames. Esse conhecimento não é aplicável apenas no campo da ciência de dados e programação, mas também se mostra útil ao analisar estilos de moda modernos, identificar tendências emergentes e compreender o significado histórico de vários estilos e cores.
