Ang Pandas ay isang malakas na library ng Python na malawakang ginagamit para sa pagmamanipula at pagsusuri ng data. Ang isang karaniwang operasyong ginagawa gamit ang data ay ang pagpapalit ng mga value ng column batay sa ilang partikular na pamantayan, gaya ng pagkokondisyon o pagmamapa sa ibang mga value. Sa artikulong ito, tutuklasin natin kung paano epektibong ilapat ang operasyong ito gamit ang library ng Pandas. Kung ikaw ay isang data scientist, isang programmer, o isang fashion expert na sumasalamin sa mundo ng mga trend ng fashion na hinihimok ng data, ang kaalamang ito ay magiging napakahalaga.
Ang susi sa pag-unawa sa operasyong ito ay nakasalalay sa pag-master ng mga built-in na function na ibinigay ng library ng Pandas. Sa partikular, tututukan namin ang paggamit ng mga function ng `replace()`, `map()`, at `apply()` upang manipulahin ang mga value ng column batay sa iba't ibang pamantayan.
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)
Hakbang-hakbang na Pagpapaliwanag ng Kodigo
1. Una, ini-import namin ang library ng Pandas bilang `pd`. Ito ay isang karaniwang kumbensyon, at nagbibigay-daan ito sa amin na tawagan ang mga function ng Pandas gamit ang shorthand na `pd`.
2. Susunod, gumawa kami ng diksyunaryo na tinatawag na `data` na naglalaman ng mga column na 'Fashion_Style' at 'Colors', pati na rin ang kani-kanilang value.
3. Pagkatapos ay gagawa kami ng DataFrame na pinangalanang `df` gamit ang `pd.DataFrame()` function na may `data` na diksyunaryo bilang argumento.
4. Pagkatapos noon, ginagamit namin ang function na `replace()` para palitan ang mga partikular na value sa column na 'Colors'. Sa aming halimbawa, pinapalitan namin ang 'Earthy tones' ng 'Warm tones' at 'Monochrome' ng 'Contrast tones'.
5. Sa wakas, ini-print namin ang na-update na DataFrame `df` upang suriin ang kinalabasan.
Mga Built-in na Function ng Panda para sa Pagpapalit ng Halaga ng Column
Nagbibigay ang Pandas ng ilang built-in na function para sa pagtatrabaho sa mga value ng column sa DataFrames. Kabilang sa mga ito, natukoy namin ang `replace()`, `map()`, at `apply()` bilang partikular na kapaki-pakinabang pagdating sa pagpapalit ng mga value ng column batay sa iba't ibang kundisyon.
palitan (): Ang function na ito ay ginagamit upang palitan ang mga tinukoy na halaga sa isang DataFrame o Serye. Maaari itong ilapat sa isang partikular na column o sa buong DataFrame, at sinusuportahan nito ang mga regular na expression para sa advanced na pagtutugma ng pattern.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
mapa(): Ang function na `map()` ay katulad ng `replace()`, ngunit inilalapat nito ang isang ibinigay na function o diksyunaryo sa bawat elemento sa isang Serye. Maaari itong maging kapaki-pakinabang kapag kailangan mong imapa ang mga value ng column sa mga bagong value batay sa isang partikular na hanay ng mga panuntunan.
color_mapping = {'Earthy tones': 'Warm tones', 'Monochrome': 'Contrast tones'}
df['Colors'] = df['Colors'].map(color_mapping)
ilapat (): Ang function na `apply()` ay isang mahusay na tool na naglalapat ng isang ibinigay na function kasama ng isang axis ng DataFrame. Magagamit ito sa buong DataFrame o mga partikular na column para makamit ang malawak na hanay ng mga pagbabago.
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)
Gamit ang mga function na ito sa iyong pagtatapon, handa ka na ngayong harapin ang iba't ibang mga gawain sa pagmamanipula ng data sa Pandas, tulad ng pagpapalit ng mga halaga ng column sa DataFrames. Ang kaalamang ito ay hindi lamang naaangkop sa larangan ng data science at programming ngunit nagpapatunay din na kapaki-pakinabang kapag sinusuri ang mga modernong istilo ng fashion, pagtukoy ng mga umuusbong na uso, at pag-unawa sa makasaysayang kahalagahan ng iba't ibang estilo at kulay.
