Pandas
Pandas は、データの読込、集計、並べ替え、欠損値の補完などを行うことができるライブラリで、データ分析の前処理段階で多く利用されます。.csv、.xlsx 他、多様な形式のデータを読み込みに対応しています。
PCのメモリ容量が許す限り、大量のデータを DataFrame に読み込んむことができ、表計算ソフトよりも高速で処理を行うことができます。
一般にこれを使う際は、まず Pandasでデータを整形した後、NumPyで数値計算を行う・・といった流れになります。
Pandas の特徴は DataFrame にあります。DataFrame にはデータの平均値や行数などの情報把握、並替え、列名変更といったデータ整形機能があります。
準備
インストール
Python 言語のライブラリとしてのインストールになるので、一般の Python3 の環境であれば、Terminalから以下のコマンドでインストールできます。
$ pip3 install pandas $ pip3 list ← 念のため一覧表示
pandasを使った処理の冒頭部分の事例
# 必要なライブラリのインポート import numpy as np import pandas as pd from pandas import DataFrame import matplotlib.pyplot as plt
DataFrame
pandas による DataFrame の定義
一般に、データフレームは CSV や Excel 等のデータを読み込んで生成するものですが（後述）、ここではデータフレームの構造を理解する意味で、直接的なデータの定義方法について紹介します。
pd.DataFrame( data, index, columns, dtype, copy)
DataFrame は data、index、columns の３つの要素から構成されます。
- data：個々のデータ値（行列データ）
- index：行を特定するための「行ラベル」
- columns：列を特定するための「列ラベル」
定義例１：リストで要素を渡す方法
df1 = pd.DataFrame(
data={'col_1': [10, 20, 30, 40],
'col_2': [50, 60, 70, 80],
'col_3': ['a', 'b', 'c', 'd'] }
)
df1
col_1 col_2 col_3
0 10 50 a
1 20 60 b
2 30 70 c
3 40 80 d
df は DataFrame の略として一般によく用いられる変数名です。
定義例２：2次元配列を使って定義する事例
df2 = pd.DataFrame(
data=np.array( [ [10, 20, 30, 40],
[11, 21, 31, 41],
[12, 22, 32, 42] ] ),
index=['row_1', 'row_2', 'row_3'] ,
columns=['col_1', 'col_2', 'col_3', 'col_4']
)
df2
col_1 col_2 col_3 col_4
0 10 20 30 40
1 11 21 31 41
2 12 22 32 42
定義例３：0から11までの数値を 3行・4列にあてはめて定義する事例
df3 = pd.DataFrame(
np.arange(12).reshape(3, 4),
index=['row_1', 'row_2', 'row_3'],
columns=['col_1', 'col_2', 'col_3', 'col_4']
)
df3
col_1 col_2 col_3 col_4
row_1 0 1 2 3
row_2 4 5 6 7
row_3 8 9 10 11
基本的なメソッド
データの読込
- CSV形式のデータの読込：read_csv()
# iris.csv の読み込み df = pd.read_csv("/path/to/iris.csv") - Excelファイルの読込：read_excel()
GoogleColaboratory で GoogleDriveにあるExcelファイルを読む事例df = pd.read_excel('/content/drive/My Drive/path/to/sample.xlsx') - JSON文字列の読込：read_json()
データの情報把握
- データの特徴表示：DataFrame.info()
df.info()
- 要約統計量の表示：DataFrame.describe()
df.describe()
データ件数、平均、標準偏差、最大・最小等の統計量が一括表示されます。
- 相関行列の表示：DataFrame.corr()
df.corr()
- データの一部を表示：DataFrame.head()、DataFrame.tail()
- データの形状を表示：DataFrame.shape
- 行数を取得：DataFrame.index.values
- 列名を取得：DataFrame.columns.values
- それぞれの列の型を取得：DataFrame.dtypes
- printメソッドによる統計量の表示
print("平均値:", df.mean() ) print("中央値:", df.median() ) print("分散:", df.var() )
欠損値に関する処理
- 欠損値の確認：DataFrame.isnull().sum()
df.isnull().sum()
- 欠損値のある行を削除：DataFrame.dropna()
df = df.dropna( how='any' )
※ how ='any' は欠損がひとつでもあれば、その行を削除
- 欠損値に値を埋める：DataFrame.fillna()
特定の行・列の削除
DataFrame.drop()
dropメソッドは、デフォルトでは削除後の状態を返すだけで、元のデータフレームそのものを破壊・更新するわけではありません。削除後の結果を利用するには、以下いずれかの方法を採用します。
1. 新たなデータフレームに削除後の結果を渡す
df2 = df.drop(・・・)
2. inplace=True として元のデータフレーム自体を更新する
df.drop(・・・, inplace=True )
- 特定行の削除の事例
df2 = df.drop( index='row_2' ) #元の df は破壊されません。 df.drop( index='row_2', inplace=True) #df 自体が更新されます。
- 複数行の削除（リストで指定）の事例
df.drop( index=['row_1', 'row_3'], inplace=True )
- 特定列の削除の事例
df2 = df.drop( columns='col_2' ) #元の df は破壊されません。 df.drop( columns='col_2', inplace=True ) #df 自体が更新されます。
- 複数列の削除（リストで指定）の事例
df.drop( columns=['col_1', 'col_3'], inplace=True )
データのスライス・フィルタリング
DataFrame.iloc[ ]、DataFrame.loc[ ]、DataFrame[ ]、DataFrame.query()
- iloc属性によるスライス（行列の番号から）
1行目・１列目のデータを抽出df.iloc[ 1 , 1 ]
すべての行の 5列目 を抽出（「 : 」 は「すべて取り出す」の意味）df.iloc[ : , 5 ]
- loc属性によるスライス（index, column 名から）
特定の index, column から抽出df.loc[ 1 , 'sepal_width' ]
すべての行の sepal_width を抽出（「 : 」 は「すべて取り出す」の意味）df.loc[ : , 'sepal_width' ]
- データフレームから特定カラムを抽出
species カラムのみを抽出df['species']
複数のカラムを抽出df[ ['sepal_length' , 'sepal_width' , 'petal_length' , 'petal_width' ] ]
- queryによるフィルタリング
species カラムの値が setosa のデータのみを取得df.query( "species == 'setosa' " )
データの並べ替え
- 値による並べ替え：DataFrame.sort_values()
# sepal_length の降順に並べ替え df.sort_values('sepal_length', ascending=False ) - インデックスによる並べ替え：DataFrame.sort_index()
集計・相関 その他
- 列の集計：DataFrame.value_counts()
- 表の集計：DataFrame.groupby()
- groupby().sum()：合計
- groupby().mean()：平均
- クロス集計：DataFrame.crosstab()
- 単純クロス集計
pd.crosstab( df['カラム名１'] , df['カラム名２'] )
- 正規化
pd.crosstab( df['カラム名１'] , df['カラム名２'] , normalize='index' )
- 単純クロス集計
- 相関行列：DataFrame.corr()
df.corr() ← カラム数 x カラム数 のマトリックスとして得られます。
- 列名の変更：DataFrame.rename()
- カテゴリー変数の展開：get_dummies()
データの可視化
以下、Matplotlib の import が必要です。＞ DataVisualization
import matplotlib.pyplot as plt
ヒストグラム：DataFrame.hist()
- すべての数値項目について一括表示
df.hist( )
- 生成される画像のサイズを 9インチ x 6インチに指定する場合
df.hist( figsize=(9, 6) )
- 50件分表示の場合
df[:50].hist( figsize=(9, 6) )
汎用グラフ：DataFrame.plot( ) 引数kindでグラフの種類を指定できます。
- line : 折れ線グラフ（line plot）
df.plot( kind='line' )
- bar : 垂直棒グラフ（vertical bar plot）
- barh : 水平棒グラフ（horizontal bar plot）
- box : 箱ひげ図（boxplot）
- hist : ヒストグラム（histogram）
- kde, density : カーネル密度推定（Kernel Density Estimation plot）
- area : 面グラフ（area plot）
- scatter : 散布図（scatter plot）
df.plot(kind='scatter', x='item01', y='item02', alpha=0.5, figsize=(9, 6) )
- hexbin : hexbin plot
- pie : 円グラフ（pie plot）
散布図：DataFrame.plot.scatter()
df.plot.scatter(x='item1', y='item2')
箱ひげ図：DataFrame.boxplot()
df.boxplot( column="item-x", by="item-y")
活用サンプル
以下に、Pandas によるデータ読み込みのサンプルを掲載しています。
ipynb（JupyterNotebook）形式で、GitHubに置いていますが、レンダリングがタイムアウトする場合は、下の nbviewer 経由でご覧下さい。
- GitHub：ReadDataSample.ipynb
- nbviewer：ReadDataSample.ipynb
参考：ライブラリのサンプルデータを読む事例
# サンプルデータセットを取得 from sklearn import datasets boston = datasets.load_boston()
# 読み込んだデータを Pandas の DataFrame型に変換 df = DataFrame(boston.data, columns = boston.feature_names) # 目的変数をDataFrameへ追加 df['MEDV'] = np.array(boston.target)