தீர்க்கப்பட்டது: பாண்டாக்கள் நெடுவரிசை மதிப்புகளை மாற்றுகின்றன

Pandas என்பது தரவு கையாளுதல் மற்றும் பகுப்பாய்வுக்காக பரவலாகப் பயன்படுத்தப்படும் சக்திவாய்ந்த பைதான் நூலகம் ஆகும். தரவுடன் செய்யப்படும் ஒரு பொதுவான செயல்பாடு, கண்டிஷனிங் அல்லது மற்ற மதிப்புகளுக்கு மேப்பிங் போன்ற சில அளவுகோல்களின் அடிப்படையில் நெடுவரிசை மதிப்புகளை மாற்றுவதாகும். இந்தக் கட்டுரையில், பாண்டாஸ் நூலகத்தைப் பயன்படுத்தி இந்தச் செயல்பாட்டை எவ்வாறு திறம்படப் பயன்படுத்துவது என்பதை ஆராய்வோம். நீங்கள் ஒரு தரவு விஞ்ஞானியாக இருந்தாலும், ஒரு புரோகிராமராக இருந்தாலும், அல்லது ஃபேஷன் நிபுணராக இருந்தாலும், தரவு உந்துதல் ஃபேஷன் போக்குகளின் உலகில் ஆராய்வீர்கள், இந்த அறிவு விலைமதிப்பற்றதாக இருக்கும்.

இந்த செயல்பாட்டைப் புரிந்துகொள்வதற்கான திறவுகோல், பாண்டாஸ் நூலகத்தால் வழங்கப்படும் உள்ளமைக்கப்பட்ட செயல்பாடுகளை மாஸ்டர் செய்வதில் உள்ளது. குறிப்பாக, பல்வேறு அளவுகோல்களின் அடிப்படையில் நெடுவரிசை மதிப்புகளைக் கையாள `replace()`, `map()` மற்றும் `apply()` செயல்பாடுகளைப் பயன்படுத்துவதில் கவனம் செலுத்துவோம்.

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)

குறியீட்டின் படி-படி-படி விளக்கம்

1. முதலில், பாண்டாஸ் நூலகத்தை `pd` ஆக இறக்குமதி செய்கிறோம். இது ஒரு பொதுவான மாநாடு, மேலும் இது பாண்டாஸ் செயல்பாடுகளை `pd` சுருக்கெழுத்து மூலம் அழைக்க அனுமதிக்கிறது.
2. அடுத்து, 'Fashion_Style' மற்றும் 'Colors' நெடுவரிசைகள் மற்றும் அவற்றின் மதிப்புகளைக் கொண்ட `data` என்ற அகராதியை உருவாக்குவோம்.
3. பிறகு `df` என்ற பெயரிடப்பட்ட DataFrameஐ `pd.DataFrame()` செயல்பாட்டைப் பயன்படுத்தி `data` அகராதியை ஒரு வாதமாக உருவாக்குவோம்.
4. அதன் பிறகு, 'நிறங்கள்' நெடுவரிசையில் குறிப்பிட்ட மதிப்புகளை மாற்றுவதற்கு `replace()` செயல்பாட்டைப் பயன்படுத்துகிறோம். எங்கள் எடுத்துக்காட்டில், 'எர்த்தி டோன்களை' 'வார்ம் டோன்கள்' மற்றும் 'மோனோக்ரோம்' என்பதை 'கான்ட்ராஸ்ட் டோன்கள்' என்று மாற்றுகிறோம்.
5. இறுதியாக, முடிவைச் சரிபார்க்க மேம்படுத்தப்பட்ட DataFrame `df` ஐ அச்சிடுகிறோம்.

நெடுவரிசை மதிப்பை மாற்றுவதற்கான பாண்டாஸ் உள்ளமைக்கப்பட்ட செயல்பாடுகள்

DataFrames இல் நெடுவரிசை மதிப்புகளுடன் பணிபுரிவதற்கான பல உள்ளமைக்கப்பட்ட செயல்பாடுகளை Pandas வழங்குகிறது. இவற்றில், பல்வேறு நிபந்தனைகளின் அடிப்படையில் நெடுவரிசை மதிப்புகளை மாற்றும் போது, ​​`மாற்று()`, `வரைபடம்()` மற்றும் `பயன்படுத்து()` ஆகியவை குறிப்பாக பயனுள்ளதாக இருப்பதை நாங்கள் கண்டறிந்துள்ளோம்.

பதிலாக (): டேட்டாஃப்ரேம் அல்லது தொடரில் குறிப்பிட்ட மதிப்புகளை மாற்ற இந்தச் செயல்பாடு பயன்படுத்தப்படுகிறது. இது ஒரு குறிப்பிட்ட நெடுவரிசை அல்லது முழு DataFrame இல் பயன்படுத்தப்படலாம், மேலும் இது மேம்பட்ட வடிவ பொருத்தத்திற்கான வழக்கமான வெளிப்பாடுகளை ஆதரிக்கிறது.

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

வரைபடம்(): `map()` செயல்பாடு `replace()` போன்றது, ஆனால் இது ஒரு தொடரில் உள்ள ஒவ்வொரு உறுப்புக்கும் கொடுக்கப்பட்ட செயல்பாடு அல்லது அகராதியைப் பயன்படுத்துகிறது. ஒரு குறிப்பிட்ட விதிகளின் அடிப்படையில் புதிய மதிப்புகளுக்கு நெடுவரிசை மதிப்புகளை வரைபடமாக்க வேண்டியிருக்கும் போது இது பயனுள்ளதாக இருக்கும்.

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

விண்ணப்பிக்கவும் (): `apply()` செயல்பாடு என்பது டேட்டாஃப்ரேமின் அச்சில் கொடுக்கப்பட்ட செயல்பாட்டைப் பயன்படுத்தும் சக்திவாய்ந்த கருவியாகும். பரவலான மாற்றங்களை அடைய முழு DataFrame அல்லது குறிப்பிட்ட நெடுவரிசைகளிலும் இதைப் பயன்படுத்தலாம்.

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)

இந்த செயல்பாடுகள் உங்கள் வசம் இருப்பதால், டேட்டாஃப்ரேம்களில் நெடுவரிசை மதிப்புகளை மாற்றுவது போன்ற பல்வேறு தரவு கையாளுதல் பணிகளை பாண்டாஸில் சமாளிக்க நீங்கள் இப்போது தயாராக உள்ளீர்கள். இந்த அறிவு தரவு அறிவியல் மற்றும் நிரலாக்கத் துறையில் மட்டும் பொருந்தாது, ஆனால் நவீன ஃபேஷன் பாணிகளை பகுப்பாய்வு செய்யும் போது, ​​வளர்ந்து வரும் போக்குகளை அடையாளம் காணும் போது மற்றும் பல்வேறு பாணிகள் மற்றும் வண்ணங்களின் வரலாற்று முக்கியத்துவத்தைப் புரிந்துகொள்வதில் பயனுள்ளதாக இருக்கும்.