ഒരു പാണ്ടാസ് ഡാറ്റാഫ്രെയിമിലെ നിരകളുടെ പേരുമാറ്റുന്നു

പാണ്ടസിലെ കോളം പുനർനാമകരണത്തിൻ്റെ ആമുഖം

Pandas-ൽ ഡാറ്റയ്‌ക്കൊപ്പം പ്രവർത്തിക്കുമ്പോൾ, ഡാറ്റാഫ്രെയിമിൻ്റെ കോളങ്ങൾ കൂടുതൽ അർത്ഥവത്തായതും പ്രവർത്തിക്കാൻ എളുപ്പവുമാക്കുന്നതിന് അവയുടെ പേരുമാറ്റേണ്ടത് ആവശ്യമാണ്. ഡാറ്റ പ്രോസസ്സിംഗ്, വിശകലന ജോലികൾ കൂടുതൽ അവബോധജന്യവും കാര്യക്ഷമവുമാക്കാൻ ഇത് സഹായിക്കും.

ഈ ലേഖനത്തിൽ, ഒരു Pandas DataFrame-ൻ്റെ കോളം ലേബലുകൾ ['$a', '$b', '$c', '$d', '$e'] എന്നതിൽ നിന്ന് ['a' എന്നതിലേക്ക് മാറ്റുന്നത് എങ്ങനെയെന്ന് ഞങ്ങൾ അന്വേഷിക്കും. 'b', 'c', 'd', 'e']. ലളിതവും എന്നാൽ അത്യാവശ്യവുമായ ഈ ടാസ്‌ക് ഡാറ്റ കൃത്രിമത്വത്തിലും വർക്ക്ഫ്ലോകൾ വൃത്തിയാക്കുന്നതിലും ഒരു പൊതു ആവശ്യകതയാണ്.

സ്ക്രിപ്റ്റുകളുടെ വിശദമായ വിശദീകരണം

മുകളിൽ നൽകിയിരിക്കുന്ന സ്ക്രിപ്റ്റുകൾ, ഡാറ്റാ കൃത്രിമത്വത്തിലെ ഒരു പൊതു ജോലിയായ പാണ്ടാസ് ഡാറ്റാഫ്രെയിമിലെ കോളങ്ങളുടെ പേരുമാറ്റുന്നത് എങ്ങനെയെന്ന് കാണിക്കുന്നു. ആദ്യ സ്ക്രിപ്റ്റിൽ, ഞങ്ങൾ പാണ്ടാസ് ലൈബ്രറി ഇറക്കുമതി ചെയ്തുകൊണ്ട് ആരംഭിക്കുന്നു import pandas as pd. അടുത്തതായി, ഞങ്ങൾ ഉപയോഗിച്ച് ഒരു ഡാറ്റാഫ്രെയിം സൃഷ്ടിക്കുന്നു pd.DataFrame() എന്ന് ലേബൽ ചെയ്ത കോളങ്ങൾക്കൊപ്പം '$a', '$b', '$c', '$d', ഒപ്പം '$e'. ഈ നിരകളുടെ പേരുമാറ്റാൻ, ഞങ്ങൾ നേരിട്ട് DataFrame's സജ്ജമാക്കുന്നു columns പുതിയ കോളം പേരുകൾക്ക് ആട്രിബ്യൂട്ട് ['a', 'b', 'c', 'd', 'e']. അവസാനമായി, ഞങ്ങൾ അപ്ഡേറ്റ് ചെയ്ത DataFrame ഉപയോഗിച്ച് പ്രദർശിപ്പിക്കുന്നു print(df), ഇത് പുതിയ കോളം പേരുകൾ കാണിക്കുന്നു. പഴയ പേരുകൾ പുതിയ പേരുകളിലേക്ക് വ്യക്തവും നേരിട്ടുള്ളതുമായ മാപ്പിംഗ് ഉള്ളപ്പോൾ കോളങ്ങളുടെ പേരുമാറ്റാൻ ഈ രീതി ലളിതവും കാര്യക്ഷമവുമാണ്.

രണ്ടാമത്തെ സ്ക്രിപ്റ്റിൽ, ഞങ്ങൾ പാണ്ടാസ് ലൈബ്രറിയും ഇറക്കുമതി ചെയ്യുകയും രണ്ട് ലിസ്റ്റുകൾ നിർവ്വചിക്കുകയും ചെയ്യുന്നു: original_columns ഒപ്പം new_columns, യഥാക്രമം യഥാർത്ഥ, പുതിയ കോളം പേരുകൾ ഉൾക്കൊള്ളുന്നു. തുടർന്ന് ഞങ്ങൾ ഒരു ഡാറ്റാഫ്രെയിം ഉണ്ടാക്കുന്നു pd.DataFrame() ഡാറ്റയും യഥാർത്ഥ കോളം പേരുകളും സഹിതം. നിരകളുടെ പേരുമാറ്റാൻ, ഞങ്ങൾ ഉപയോഗിക്കുന്നു rename() ഡാറ്റ ഫ്രെയിമിൻ്റെ രീതി. ഈ രീതി ഉപയോഗിച്ച് സൃഷ്ടിച്ച പഴയ കോളം പേരുകൾ പുതിയ കോളം പേരുകളിലേക്ക് മാപ്പ് ചെയ്യുന്ന ഒരു നിഘണ്ടു എടുക്കുന്നു dict(zip(original_columns, new_columns)). ദി inplace=True ഒരു പുതിയ ഡാറ്റാഫ്രെയിം തിരികെ നൽകാതെ തന്നെ ഡാറ്റാഫ്രെയിം പരിഷ്കരിച്ചിട്ടുണ്ടെന്ന് ആർഗ്യുമെൻ്റ് ഉറപ്പാക്കുന്നു. അപ്‌ഡേറ്റ് ചെയ്‌ത ഡാറ്റാഫ്രെയിം പ്രദർശിപ്പിക്കുക എന്നതാണ് അവസാന ഘട്ടം print(df). നിങ്ങൾക്ക് കോളങ്ങളുടെ പേരുമാറ്റേണ്ടിവരുമ്പോൾ അല്ലെങ്കിൽ നേരിട്ടുള്ള അസൈൻമെൻ്റ് പ്രായോഗികമല്ലാത്ത വലിയ ഡാറ്റാഫ്രെയിമുകൾ കൈകാര്യം ചെയ്യുമ്പോൾ ഈ രീതി പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്.

import pandas as pd
# Create a DataFrame
df = pd.DataFrame({
    '$a': [1, 2, 3],
    '$b': [4, 5, 6],
    '$c': [7, 8, 9],
    '$d': [10, 11, 12],
    '$e': [13, 14, 15]
})
# Rename the columns
df.columns = ['a', 'b', 'c', 'd', 'e']
# Display the DataFrame
print(df)

import pandas as pd
# Define the original column names
original_columns = ['$a', '$b', '$c', '$d', '$e']
# Define the new column names
new_columns = ['a', 'b', 'c', 'd', 'e']
# Create a DataFrame with the original columns
data = [[1, 4, 7, 10, 13],
        [2, 5, 8, 11, 14],
        [3, 6, 9, 12, 15]]
df = pd.DataFrame(data, columns=original_columns)
# Rename the columns using a dictionary
df.rename(columns=dict(zip(original_columns, new_columns)), inplace=True)
# Show the updated DataFrame
print(df)

ഡാറ്റാഫ്രെയിം കോളങ്ങൾ പുനർനാമകരണം ചെയ്യുന്നതിനുള്ള വിപുലമായ സാങ്കേതിക വിദ്യകൾ

ഒരു Pandas DataFrame-ലെ കോളങ്ങളുടെ അടിസ്ഥാന പുനർനാമകരണത്തിനപ്പുറം, വ്യത്യസ്‌ത സാഹചര്യങ്ങളിൽ വളരെ ഉപയോഗപ്രദമാകുന്ന നൂതന സാങ്കേതിക വിദ്യകളുണ്ട്. ഉദാഹരണത്തിന്, ചിലപ്പോൾ നിങ്ങൾ ഒരു പ്രത്യേക പാറ്റേൺ അല്ലെങ്കിൽ വ്യവസ്ഥയെ അടിസ്ഥാനമാക്കി നിരകളുടെ പേരുമാറ്റേണ്ടി വന്നേക്കാം. അത്തരം സന്ദർഭങ്ങളിൽ, നിങ്ങൾക്ക് ലിസ്റ്റ് കോംപ്രിഹെൻഷനുകൾ ഉപയോഗിക്കാം map() ആവശ്യമുള്ള ഫലങ്ങൾ നേടുന്നതിന് ലാംഡ ഫംഗ്ഷനുകളുമായി സംയോജിപ്പിച്ച പ്രവർത്തനം. ഈ സമീപനം കൂടുതൽ ചലനാത്മകവും വഴക്കമുള്ളതുമായ കോളം പുനർനാമകരണം അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് കോളം പേരുകളിൽ നിന്ന് നിർദ്ദിഷ്ട പ്രതീകങ്ങൾ നീക്കംചെയ്യാം അല്ലെങ്കിൽ എല്ലാ പേരുകളും ചെറിയക്ഷരത്തിലേക്ക് പരിവർത്തനം ചെയ്യുന്നത് പോലുള്ള പരിവർത്തനങ്ങൾ പ്രയോഗിക്കാം.

ഡാറ്റ ഇറക്കുമതി ചെയ്യുന്ന സമയത്ത് കോളങ്ങളുടെ പേരുമാറ്റുന്നത് മറ്റൊരു വിപുലമായ സാങ്കേതികതയിൽ ഉൾപ്പെടുന്നു. CSV ഫയലുകളിൽ നിന്ന് ഡാറ്റ ലോഡ് ചെയ്യുമ്പോൾ, നിങ്ങൾക്ക് ഇത് ഉപയോഗിക്കാം names പരാമീറ്റർ ഇൻ pd.read_csv() പുതിയ കോളം പേരുകൾ വ്യക്തമാക്കാൻ. പൊരുത്തമില്ലാത്തതോ നഷ്‌ടമായതോ ആയ തലക്കെട്ടുകളുള്ള ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ ഇത് പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാകും. കൂടാതെ, നിങ്ങൾക്ക് ഉപയോഗിക്കാം header നിലവിലുള്ള തലക്കെട്ടുകൾ ഒഴിവാക്കി നിങ്ങളുടേത് നിയോഗിക്കുന്നതിനുള്ള പരാമീറ്റർ. ഈ രീതികൾ ഡാറ്റാ ലോഡിംഗ് ഘട്ടം മുതൽ കോളം നാമകരണ പ്രശ്‌നങ്ങൾ പരിഹരിച്ചുകൊണ്ട് ഡാറ്റ ക്ലീനിംഗ് പ്രക്രിയയെ കാര്യക്ഷമമാക്കുന്നു, തുടർന്നുള്ള ഡാറ്റ കൃത്രിമത്വം കൂടുതൽ കാര്യക്ഷമമാക്കുന്നു.