Ang Pandas ay isang makapangyarihang Python library na malawakang ginagamit para sa manipulasyon at pagsusuri ng datos. Ang isang karaniwang operasyon na isinasagawa gamit ang datos ay ang pagpapalit ng mga halaga ng column batay sa ilang partikular na pamantayan, tulad ng pagkondisyon o pagmamapa sa iba pang mga halaga. Sa artikulong ito, susuriin natin kung paano epektibong mailalapat ang operasyong ito gamit ang Pandas library. Ikaw man ay isang data scientist, isang programmer, o isang fashion expert na sumasaliksik sa mundo ng mga uso sa fashion na nakabase sa datos, 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.
replace() : Ang function na ito ay ginagamit upang palitan ang mga tinukoy na value sa isang DataFrame o Series. Maaari itong ilapat sa isang partikular na column o sa buong DataFrame, at sinusuportahan nito ang mga regular na expression para sa advanced pattern matching.
df['Colors'] = df['Colors'].replace(['Earthy tones', 'Monochrome'], ['Warm tones', 'Contrast tones'])
map() : Ang function na `map()` ay katulad ng `replace()`, ngunit naglalapat ito ng isang partikular na function o diksyunaryo sa bawat elemento sa isang Series. Maaari itong maging kapaki-pakinabang kapag kailangan mong i-map ang mga halaga ng column sa mga bagong halaga 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)
apply() : Ang function na `apply()` ay isang makapangyarihang tool na naglalapat ng isang partikular na function sa isang axis ng DataFrame. Maaari itong gamitin sa buong DataFrame o mga partikular na column upang makamit ang malawak na hanay ng mga transformation.
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.
