Ang fashion at programming ay maaaring mukhang dalawang ganap na magkaibang mundo, ngunit pagdating sa pagsusuri ng data at pagtataya ng trend, maganda ang pagsasama-sama ng mga ito. Sa artikulong ito, tutuklasin namin ang isang karaniwang problema para sa pagsusuri ng data sa industriya ng fashion: pag-aalis ng mga partikular na araw mula sa data ng datetime ng pandas. Maaari itong maging partikular na kapaki-pakinabang kapag sinusuri ang mga pattern, trend, at data ng benta. Daan tayo sa sunud-sunod na pagpapaliwanag ng code, at tatalakayin ang iba't ibang library at function na tutulong sa atin na makamit ang ating layunin.
Panda at Datetime sa Fashion
Ang Pandas ay isang sikat na library ng Python na pangunahing ginagamit para sa pagsusuri at pagmamanipula ng data. Sa mundo ng fashion, maaari itong gamitin upang suriing mabuti ang napakaraming data upang matukoy ang mga uso, suriin ang mga kagustuhan ng customer, at hulaan ang mga pattern sa hinaharap. Sinusuportahan ng Pandas ang datetime functionality, na nagbibigay-daan sa amin na magtrabaho sa mga petsa at oras nang walang kahirap-hirap.
Sa maraming sitwasyon, kinakailangang alisin ang mga partikular na araw o hanay ng mga araw mula sa aming dataset. Halimbawa, maaaring gusto naming ibukod ang mga weekend o holiday upang tumuon sa mahahalagang araw ng pagbebenta, tulad ng Black Friday o Cyber Monday.
Pag-unawa sa Problema
Sabihin nating mayroon kaming dataset na naglalaman ng data ng pang-araw-araw na benta sa format na CSV, at gusto naming suriin ang impormasyon habang hindi kasama ang mga weekend. Upang makamit ito, magsisimula tayo sa pamamagitan ng pag-import ng dataset gamit ang mga pandas, at pagkatapos ay manipulahin namin ang data upang alisin ang mga katapusan ng linggo.
Narito ang hakbang-hakbang na proseso:
1. Mag-import ng mga kinakailangang aklatan.
2. I-load ang dataset.
3. I-convert ang column ng petsa sa format ng datetime (kung wala pa sa format na iyon).
4. I-filter ang dataframe upang ibukod ang mga katapusan ng linggo.
5. Suriin ang na-filter na data.
tandaan: Maaaring ilapat ang paraang ito sa anumang dataset kung saan naka-store ang petsa sa isang hiwalay na column.
# Step 1: Import the necessary libraries
import pandas as pd
from pandas.tseries.offsets import BDay
# Step 2: Load the dataset
data = pd.read_csv('sales_data.csv')
# Step 3: Convert the date column to datetime format
data['date'] = pd.to_datetime(data['date'])
# Step 4: Filter the dataframe to exclude weekends
filtered_data = data[data['date'].dt.dayofweek < 5]
# Step 5: Analyze the filtered data
print(filtered_data.head())
Pagbibigay-kahulugan sa Kodigo
Sa block ng code sa itaas, magsisimula tayo sa pamamagitan ng pag-import ng dalawang mahahalagang aklatan: pandas at BDay (araw ng negosyo) mula sa pandas.tseries.offsets. Nilo-load namin ang dataset gamit ang pandas function read_csv, at tiyaking nasa format ng datetime ang column ng petsa.
Ang dt.dayofweek ibinabalik ng attribute ang araw ng linggo bilang isang integer (Lunes: 0, Linggo: 6). Upang i-filter ang mga katapusan ng linggo, pinapanatili lang namin ang mga row na may halaga sa araw ng linggo na mas mababa sa 5.
Panghuli, sinusuri namin ang na-filter na data sa pamamagitan ng pag-print ng unang ilang mga hilera gamit ang ulo() function.
Karagdagang Mga Pag-andar at Aklatan
Ang pamamaraang ito ay maaaring palawigin pa upang isama ang iba pang pamantayan sa pag-filter o upang gumana sa iba't ibang hanay ng petsa. Ang ilang mga kapaki-pakinabang na library at function na maaaring suportahan ang prosesong ito ay kinabibilangan ng:
- NumPy: Isang library para sa numerical computing sa Python, na maaaring magamit para sa mahusay na pagmamanipula ng array at mathematical operations.
- PetsaOras: Isang module sa karaniwang library ng Python na tumutulong sa amin na madaling magtrabaho sa mga petsa at oras.
- date_range: Isang function sa loob ng mga panda na nagbibigay-daan sa amin na gumawa ng hanay ng mga petsa ayon sa iba't ibang setting ng dalas, gaya ng mga araw ng negosyo, linggo, o buwan.
Sa pamamagitan ng paggamit ng mga tool at diskarteng ito kasabay ng pagmamanipula ng mga panda at datetime, maaari kang lumikha ng mga mahuhusay na daloy ng trabaho sa pagsusuri ng data na tumutugon sa mga partikular na pangangailangan ng industriya ng fashion, gaya ng pagtukoy ng mga trend, kagustuhan ng customer, at performance ng benta.
