- 追加された行はこの色です。
- 削除された行はこの色です。
#author("2021-08-25T19:21:20+09:00","default:inoue.ko","inoue.ko")
#author("2021-08-26T12:02:19+09:00","default:inoue.ko","inoue.ko")
*Pandas
https://pandas.pydata.org/
~
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
~
***pandas による DataFrame の定義（構造の理解）
DataFrame は ''value''、''index''、''column'' の３つの要素から構成されます。
-value：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」
-column：列を特定するための「列ラベル」
以下、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
df = pd.DataFrame( np.arange(12).reshape(3, 4),
columns=['col_0', 'col_1', 'col_2', 'col_3'],
index=['row_0', 'row_1', 'row_2'] )
print(df)
# col_0 col_1 col_2 col_3
# row_0 0 1 2 3
# row_1 4 5 6 7
# row_2 8 9 10 11
&small(df は DataFrame の略として一般によく用いられる名称です。);
~
~
**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()
以下のような統計量が一括表示されます。
--count：データ件数
--mean：平均
--std：標準偏差
--min：最小値
--max：最大値
-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() )
~
***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' " )
~
***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' )
&small(※ 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()
~
***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' )
-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( ) &small(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）
~
//***棒グラフ：DataFrame.bar()
***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>https://github.com/koichi-inoue/JupyterNotebook/blob/master/ReadDataSample.ipynb]]
-nbviewer：[[ReadDataSample.ipynb>https://nbviewer.jupyter.org/github/koichi-inoue/JupyterNotebook/blob/master/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)
~
~
