У свету манипулације и анализе података, руковање вредностима које недостају је кључни задатак. панде, широко коришћена Питхон библиотека, омогућава нам да ефикасно управљамо подацима који недостају. Један уобичајени приступ решавању недостајућих вредности укључује коришћење речника за мапирање и замену ових вредности. У овом чланку ћемо разговарати о томе како искористити моћ Пандас-а и Питхон-а за коришћење речника за замену вредности које недостају у скупу података.
Решење
Основно решење које ћемо истражити је коришћење филлна() функционишу у спрези са речницима. Овај приступ ће нам омогућити да заменимо недостајуће вредности одговарајућим вредностима из одређеног речника.
Корак по корак објашњење кода
Да бисмо илустровали овај процес, претпоставимо да имамо скуп података који садржи информације о различитим модним стиловима, укључујући одећу, боје и историјски контекст. У неким случајевима у овом скупу података можда недостају вредности.
Прво, увезите потребне библиотеке и креирајте узорак ДатаФраме-а:
import pandas as pd
data = {
'style': ['Grunge', 'Bohemian', 'Preppy', None, 'Punk', 'Casual'],
'garments': ['Plaid shirt', None, 'Blazer', 'Maxi dress', 'Leather jacket', 'T-shirt'],
'colors': ['Black', 'Faded', 'Light', 'Earthy', None, None]
}
df = pd.DataFrame(data)
Сада када имамо ДатаФраме који илуструје проблем, приметите да недостају неке вредности (означене са Ноне). Да бисте заменили ове вредности, направите речнике који садрже одговарајућа мапирања:
style_dict = {None: 'Unknown'}
garments_dict = {None: 'Other'}
colors_dict = {None: 'Various'}
# Combine dictionaries
replacement_dict = {'style': style_dict, 'garments': garments_dict, 'colors': colors_dict}
На крају, искористите филлна() функција за замену вредности које недостају користећи комбиновани речник:
df_filled = df.fillna(replacement_dict)
Разумевање Пандас библиотеке
панде је разноврсна библиотека у Питхон-у која је дизајнирана за манипулацију и анализу података. Нуди флексибилне и моћне структуре података као што су серије и ДатаФраме. Ове структуре су неопходне за ефикасан рад са структурираним, табеларним подацима.
Пандас пружа богату колекцију функција, као што су филлна(), који се користи за руковање подацима који недостају. Друге операције, као што су спајање података, окретање података и анализа временских серија, могу се неприметно обављати са Пандас-ом.
Функције за руковање подацима који недостају
Поред филлна() функција, Пандас нуди неколико других функција и метода за поступање са подацима који недостају, као што су:
- дропна(): Уклоните редове или колоне са подацима који недостају.
- исна(): Одредите који елементи ДатаФраме или Сериес недостају или су нулти.
- нотна(): Одредите који елементи ДатаФраме или Сериес не недостају или су нулти.
- интерполирати(): Попуните недостајуће вредности користећи линеарну интерполацију.
Ове методе, заједно са филлна(), пружају свеобухватан скуп алата за руковање подацима који недостају у различитим контекстима.
У закључку, овај чланак је показао како се користи дицт да замени недостајуће вредности у Пандас ДатаФраме-у. Кључна функција коју смо користили, филлна(), је моћна алатка у Пандас библиотеци која нам омогућава да ефикасно рукујемо подацима који недостају. Коришћењем речника, можемо мапирати недостајуће вредности у одговарајуће замене и осигурати да је наш скуп података потпун и смислен. Кроз дубље разумевање Пандас библиотеке и њених укључених функција, можемо ефикасно да радимо са великим скуповима података и извучемо вредне увиде из наших података.
