Excelおさるくんのastro-notion-blog

PandasはPythonでデータ解析を行うための強力なライブラリです。データの読み込み、変換、フィルタリング、集計など、様々な機能を提供しています。この記事では、Pandasライブラリの基本的な使い方を解説します。

応用的な使い方については、[Pandasライブラリ入門：Pythonでデータ解析をマスターする応用ガイド]を参照してください。
Pandasライブラリ入門：Pythonでデータ解析をマスターする応用ガイド

まずはじめに、Pandasをインストールします。Pandasはpipを用いて簡単にインストールできます。

pip install pandas

今回使用するデータはこちらからダウンロードできます。

data.csv

PandasではCSVやExcelなどのファイルからデータを読み込むことができます。

以下の例ではCSVファイルを読み込みます。

import pandas as pd

data = pd.read_csv("data.csv")

Pandasでは、データフレームという形式でデータを扱います。

データフレームは行と列からなる表形式のデータ構造です。

データフレームの先頭行を表示するにはhead()を、最後の行を表示するにはtail()を使います。

data.head()
data.tail()

データフレームの行数と列数を確認するには、shape属性を使用します。

data.shape

列名を取得するには、columns属性を使用します。

data.columns

データフレームに含まれる情報を確認するには、info()を使います。

data.info()

データフレームの統計情報を確認するには、describe()を使います。

data.describe()

列を選択するには、列名を指定します。

data["Date"]

行を選択するには、ilocやlocを使います。

data.iloc[0] # 0番目の行を選択
data.loc[0] # インデックスが0の行を選択

特定の条件を満たす行を選択するには、ブールインデックスを使います。

data[data["Quantity"] > 17]

複数の条件を組み合わせて選択する場合は、&(and)や|(or)を使います。

data[(data["Quantity"] > 17) & (data["Value"] < 500)]

特定の条件に基づいてデータをフィルタリングするには、query()メソッドを使用します。

data.query("ID > 95")

新しい列を追加するには、新しい列名を指定して代入します。

data["CombinedCategory"] = data["Category"] + data["SubCategory"]
data["CombinedCategory"]

列を削除するには、drop()メソッドを使用します。

data.drop("Flag", axis=1, inplace=True)
data

行を削除するには、drop()メソッドを使用し、axis=0を指定します。

data.drop(2, axis=0, inplace=True)
data

列名を変更するには、rename()メソッドを使用します。

data.rename(columns={"CombinedCategory": "CategoryGrouping"}, inplace=True)
data

データをグループ化して集計するには、groupby()メソッドを使用します。

grouped_data = data.groupby("Quantity")
grouped_data.sum()

グループ化したデータに対して集計関数を適用します。以下は一部の集計関数です。

• sum(): 合計
• mean(): 平均
• min(): 最小
• max(): 最大
• count(): カウント

grouped_data["Value"].sum()

ピボットテーブルを作成するには、pivot_table()メソッドを使用します。

data.pivot_table(values="Value", index="Quantity", columns="Category", aggfunc="sum")

結合するデータはこちらからダウンロードできます。

data2.csv

結合するデータを読み込みます。

data2 = pd.read_csv("data2.csv")
data2

データフレーム同士を横方向に結合するには、concat()関数を使用します。

combined_data = pd.concat([data, data2], axis=1)
combined_data

データフレーム同士を縦方向に結合するには、concat()関数でaxis=0を指定します。

combined_data = pd.concat([data, data2], axis=0)
combined_data

共通のキーを持つデータフレーム同士を内部結合するには、merge()関数を使用します。

merged_data = pd.merge(data, data2, on="Date")
merged_data

共通のキーを持つデータフレーム同士を外部結合するには、merge()関数でhow="outer"を指定します。

merged_data = pd.merge(data, data2, on="Date", how="outer")
merged_data

データフレームをCSVファイルとして出力するには、to_csv()メソッドを使用します。

merged_data.to_csv("output.csv", index=False)

Excelファイルとして出力するには、to_excel()メソッドを使用します。ただし、openpyxlライブラリが必要です。

import openpyxl

merged_data.to_excel("output.xlsx", index=False)

この記事では、Pandasライブラリの基礎的な使い方を解説しました。

データの読み込み、データフレームの基本操作、データの選択・抽出、フィルタリング、変換、集計、結合、出力など、Pandasはデータ解析に必要な機能を豊富に提供しています。これらの基本操作をマスターすることで、より高度なデータ解析が可能になります。

Pandasは非常に柔軟で強力なライブラリであり、データサイエンスや機械学習の分野で広く使用されています。この記事で紹介した機能は、Pandasの一部に過ぎません。更なる習熟のためには、実際にデータを扱いながら、さまざまな操作を試してみることが重要です。

Pandasの公式ドキュメントや、Pandasを使用したデータ解析のチュートリアルなども参考にして、Pandasを活用したデータ解析のスキルを高めていきましょう。

そして、日々の業務やプロジェクトにおいて、効率的かつ正確なデータ解析を行うことで、より良い意思決定や問題解決に役立ててください。

最後までお読みいただきありがとうございます！

この記事へのご質問やアドバイスがありましたら、ぜひコメントもお待ちしております。

またXでもVBA、Pythonに関するアウトプットをしていますので、🔽フォローいただけますと幸いです😆