Kaggleで使える！Pandasテクニック集

はじめに

Kaggleで使えるPandasの使い方を備忘録として残します。
随時更新していく予定です。

更新：2019年1月29日15時　様々なコンペで使える便利な関数を追記しました。

Pandas Basics Cheat Sheet(基本的な使い方)

[引用]https://becominghuman.ai/cheat-sheets-for-ai-neural-networks-machine-learning-deep-learning-big-data-678c51b4b463

プログレスバーを表示する

df.apply()やdf.map()の進捗を見たい時に、
tqdmというライブラリを使うことでプログレスバーを表示することができます。

実装例

import pandas as pd
import numpy as np
from tqdm._tqdm_notebook import tqdm_notebook

df = pd.DataFrame(np.random.randint(0, 100, (100000, 6)))

# プログレスバーのラベル設定
tqdm_notebook.pandas(desc="hoge progress: ")

# progress_apply/progress_mapはpandasのapply/mapメソッドと同じ動きをする
df['hoge'] = df[0].progress_apply(lambda x: x**2)

df

実行結果

実装例(その２ラベル設定なし)

import pandas as pd
import numpy as np
from tqdm import tqdm
tqdm.pandas()

df = pd.DataFrame(np.random.randint(0, 100, (100000, 6)))

# progress_apply/progress_mapはpandasのapply/mapメソッドと同じ動きをする
df['hoge'] = df[0].progress_apply(lambda x: x**2)

df

実行結果

様々なコンペで使える便利な関数

int型、float型のカラムに対し、最大値・最小値の幅などを判定し、最適なデータ型に変換してくれる関数です。

最初に書かれたのはいつかわかりませんが、2019年1月29日現在Kaggleで開催されている、
「Elo Merchant Category Recommendation」や「Microsoft Malware Prediction」コンペのKernelで使われています。

実装例

import pandas as pd
import numpy as np

def reduce_mem_usage(df, verbose=True):
    numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
    start_mem = df.memory_usage(deep=True).sum() / 1024**2    
    for col in df.columns:
        col_type = df[col].dtypes
        if col_type in numerics:
            c_min = df[col].min()
            c_max = df[col].max()
            if str(col_type)[:3] == 'int':
                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                    df[col] = df[col].astype(np.int8)
                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                    df[col] = df[col].astype(np.int16)
                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                    df[col] = df[col].astype(np.int32)
                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                    df[col] = df[col].astype(np.int64)  
            else:
                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
                    df[col] = df[col].astype(np.float16)
                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
                    df[col] = df[col].astype(np.float32)
                else:
                    df[col] = df[col].astype(np.float64)    
    end_mem = df.memory_usage(deep=True).sum() / 1024**2
    if verbose: print('Mem. usage decreased to {:5.2f} Mb ({:.1f}% reduction)'.format(end_mem, 100 * (start_mem - end_mem) / start_mem))
    return df

#使用する時は、以下のようにtrain/testデータフレームを引数に渡すだけ
train = reduce_mem_usage(train)
# 出力結果　→　　Mem. usage decreased to 1923.79 Mb (0.0% reduction)

CSVにJson形式のカラムがある場合の読み込み方

Kaggleの「Google Analytics Customer Revenue Prediction」というコンペのデータセットには
Json形式のデータが含まれています。
そのようなデータへの対応方法はいくつかありますが、そのうちの一つを紹介します。

参考にしたKernelは以下です。元からコメントで細かく説明があるため、それを日本語訳しています。
https://www.kaggle.com/kabure/simple-eda-exploring-the-consumer-patterns

実装例

import os # it's a operational system library, to set some informations
import random # random is to generate random values

import pandas as pd # to manipulate data frames 
import numpy as np # to work with matrix

import json # to convert json in df
from pandas.io.json import json_normalize # to normalize the json file


columns = ['device', 'geoNetwork', 'totals', 'trafficSource'] # json形式のカラムを設定

dir_path = "../input/" # CSVファイルの格納されているパスを指定

# ファイルの先頭スキップする行数のセット 
p = 0.1 # *** ここではデータセットの５０％を使う *** #

# Json形式をテーブルに変換する関数
def json_read(df):
    data_frame = dir_path + df

    #CSVを読みこむ
    df = pd.read_csv(data_frame, 
                     converters={column: json.loads for column in columns}, # Json形式のカラムを正しく読み込む
                     dtype={'fullVisitorId': 'str'}, # IDのカラムは０落ちを防ぐため、stringで読みこむ
                     skiprows=lambda i: i>0 and random.random() > p)# ランダムにインポートされる行数

    for column in columns: #データフレームに変換
        # Jsonからテーブルに標準化する
        column_as_df = json_normalize(df[column]) 
        # Jsonカラムのカテゴリとサブカテゴリを設定する
        column_as_df.columns = [f"{column}.{subcolumn}" for subcolumn in column_as_df.columns] 
        # 値を抽出後、オリジナルのカラムを削除
        df = df.drop(column, axis=1).merge(column_as_df, right_index=True, left_index=True)

    # データの行数と列数をプリント     
    print(f"Loaded {os.path.basename(data_frame)}. Shape: {df.shape}")
    return df # 完成したデータフレームを返却

%%time 
# %%time はコードの実行タイミングの計算をします。

df_train = json_read("train.csv") 

結果

Loaded train.csv. Shape: (90396, 54)
CPU times: user 19.3 s, sys: 1.2 s, total: 20.5 s
Wall time: 21.1 s

大量データを読み込む場合の対処法

Kaggleのコンペのデータセット(CSVの場合)にはかなりの容量がある場合があります。
このような膨大データはデータタイプを指定すると問題なく読み込めます。

実装例

# 一部のみを読み込み、各データ型を調べます。
train_df.info()

#調べたデータ型を定義します。
#実際は下記よりもカラムがありますが、省略しています。
dtypes = {
        'MachineIdentifier':                                    'category',
        'ProductName':                                          'category',
        'EngineVersion':                                        'category',
        'AppVersion':                                           'category',
        'AvSigVersion':                                         'category',
        'IsBeta':                                               'int8',
        'RtpStateBitfield':                                     'float16'
　　　　}

#その後データ型を指定し読み込む
train_df = pd.read_csv('../input/train.csv', dtype=dtypes)

時系列データ操作

formatの主な例は以下の通りです。

書式	説明
%Y	４桁の年
%y	２桁の年
%m	２桁の月[01,02,...,12]
%d	日[2桁]
%H	時間[24時間]
%I	時間[12時間]
%M	分
%S	秒
%z	タイムゾーン UTCのずれの分[+HHMM]
%F	%Y-%m-%d のalias
%f	sub-second [0.000 sec]

実装例

train.date = pd.to_datetime(train.date, format="%Y%m%d")

to_datetimeのオプションについて

unit='s'

秒まで出力します

実装例

train.date = pd.to_datetime(train.date, unit='s')

日付け変換

Series.dt()で年月日を抽出する

抽出の種類

Datetime Properties	説明
Series.dt.date	datetime.dateオブジェクトのnumpy配列を返します
Series.dt.time	datetime.timeのnumpy配列を返します
Series.dt.year	日時の年
Series.dt.month	月は1月= 1、12月= 12
Series.dt.day	日時の日数
Series.dt.hour	日時の時間
Series.dt.minute	日時の分
Series.dt.second	日時の秒数
Series.dt.microsecond	マイクロ秒
Series.dt.nanosecond	ナノ秒
Series.dt.week	年の序数
Series.dt.weekofyear	今年の序数
Series.dt.dayofweek	月曜日= 0、日曜日= 6の曜日
Series.dt.weekday	Monday = 0、Sunday = 6の曜日
Series.dt.weekday_name	週の名前（例：金曜日）
Series.dt.dayofyear	年の順番の日
Series.dt.quarter	日付の四半期
Series.dt.is_month_start	月の最初の日かどうかを示す論理値
Series.dt.is_month_end	月の最終日
Series.dt.is_quarter_start	四半期の初めの日かどうかを示す論理値
Series.dt.is_quarter_end	四半期の最終日かどうかを示す論理値。
Series.dt.is_year_start	年の最初の日かどうかを示す論理値。
Series.dt.is_year_end	最後の年かどうかを示す論理値。
Series.dt.is_leap_year	日付がうるう年に属するかどうかを示す論理的
Series.dt.daysinmonth	月の日数
Series.dt.days_in_month	今月の日数

公式ドキュメントpandas.pydata.org

実装例

print(df)
#       date       value
# 0 2016/5/1 0:03    45
# 1 2017/9/1 0:04    4
# 2 2016/3/1 0:06    23
# 3 2018/4/1 0:06    12
# 4 2017/7/12 0:06   78
# 5 2018/1/12 0:07   33
# 6 2018/2/1 0:10    55
# 7 2018/3/1 0:12    32
# 8 2018/4/1 0:13    76

日にちまで抽出する場合

df['date'] = df['date'].dt.date
print(df)

#       date    value
# 0 2016/5/1     45
# 1 2017/9/1     4
# 2 2016/3/1     23
# 3 2018/4/1     12
# 4 2017/7/12    78
# 5 2018/1/12    33
# 6 2018/2/1     55
# 7 2018/3/1     32
# 8 2018/4/1     76

Series.dt.dayofweekを使うと、月曜日= 0、日曜日= 6にして返す。

df['date'] = df['date'].dt.dayofweek
print(df)

#     date  value
# 0   6.0    45
# 1   4.0    4
# 2   1.0    23
# 3   6.0    12
# 4   2.0    78
# 5   4.0    33
# 6   3.0    55
# 7   3.0    32
# 8   6.0    76

重複データの調べ方

実装例

ids_train = set(train.fullVisitorId.unique())
ids_test = set(test.fullVisitorId.unique())
print("Unique visitor ids in train:", len(ids_train))
print("Unique visitor ids in test:", len(ids_test))
print("Common visitors in train and test:", len(ids_train & ids_test))

結果

Unique visitor ids in train: 714167
Unique visitor ids in test: 617242
Common visitors in train and test: 7679

カラムの違いの調べ方

実装例

print(train_df.columns.difference(test_df.columns))
print(test_df.columns.difference(train_df.columns))

結果

Index(['trafficSource.campaignCode'], dtype='object')
Index([], dtype='object')

データ変換

melt()

• id_vars= 基本軸となるカラムを指定
• var_name=　変数(Variable)となるカラムに名前を付ける

※値(Value)となるカラムに名前を付けることも可能(value_nameを引数に指定)

実装例

>>> import pandas as pd
>>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'},
...                    'B': {0: 1, 1: 3, 2: 5},
...                    'C': {0: 2, 1: 4, 2: 6}})
>>> df
   A  B  C
0  a  1  2
1  b  3  4
2  c  5  6
>>> pd.melt(df, id_vars=['A'], value_vars=['B'])
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
>>> pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
   A variable  value
0  a        B      1
1  b        B      3
2  c        B      5
3  a        C      2
4  b        C      4
5  c        C      6

Seriesの各要素に適用: map()

実装例

>>> x = pd.Series([1,2,3], index=['one', 'two', 'three'])
>>> x
one      1
two      2
three    3
dtype: int64
>>> y = pd.Series(['foo', 'bar', 'baz'], index=[1,2,3])
>>> y
1    foo
2    bar
3    baz
>>> x.map(y)
one   foo
two   bar
three baz

map()の引数に辞書dict（{key: value}）を指定すると、keyと一致する要素がvalueに置き換えられる。

map()では置換されない値がNaNとなる。

DataFrameの各要素に適用: applymap()

map()と同じく、Pythonの組み込み関数、無名関数（lambda）やdefで定義した関数をapplymap()の引数に渡す。

実装例

df = pd.DataFrame({'a':[11, 21, 31],
                  'b':[12, 22, 32],
                  'c':[13, 23, 33],
                  'd':[14, 24, 34]})

f_oddeven = lambda x: 'odd' if x % 2 == 1 else 'even'
print(df.applymap(f_oddeven))
     a     b    c     d
0  odd  even  odd  even
1  odd  even  odd  even
2  odd  even  odd  even

DataFrame, Seriesの各行・各列に適用: apply()

一次元配列に適用可能な関数をapply()の引数に渡す。
デフォルトでは各列に対して適用され、引数axis=1とすると各行に対して適用される。

実装例

f_maxmin = lambda x: max(x) - min(x)
print(df.apply(f_maxmin))

print(df.apply(f_maxmin, axis=1))
a    20
b    20
c    20
d    20
dtype: int64
0    3
1    3
2    3
dtype: int64

実装例(応用)

文字列がたのデータに対し、「%」をなくし、float型に変換する。

python

df["Bounce Rate"] = df["Bounce Rate"].astype(str).apply(lambda x: x.replace('%', '')).astype(float)

データを行・列（縦・横）方向にずらす: shift()

実装例

import pandas as pd

df = pd.DataFrame({'a': range(1, 6),
                   'b': [x**2 for x in range(1, 6)],
                   'c': [x**3 for x in range(1, 6)]})

print(df)
#    a   b    c
# 0  1   1    1
# 1  2   4    8
# 2  3   9   27
# 3  4  16   64
# 4  5  25  125

デフォルトでは下方向に1行ずれる。

Python

print(df.shift())
#      a     b     c
# 0  NaN   NaN   NaN
# 1  1.0   1.0   1.0
# 2  2.0   4.0   8.0
# 3  3.0   9.0  27.0
# 4  4.0  16.0  64.0

負の値の場合は上方向にずれる

Python

print(df.shift(-1))
#      a     b      c
# 0  2.0   4.0    8.0
# 1  3.0   9.0   27.0
# 2  4.0  16.0   64.0
# 3  5.0  25.0  125.0
# 4  NaN   NaN    NaN

データサイズの測り方

shape()

shapeでデータのサイズを測ることができる。
引数なしではデータセット全体の行数と列数を、
引数に0を指定すると行数、１を指定すると列数を数える。

実装例

import pandas as pd

sample = pd.DataFrame({'A':[1,2],
                       'B':[3,4],
                       'C':[5,6]})

# 以下のようなデータフレーム
#   A B C
# 0 1 3 5
# 1 2 4 6

sample.shape     # 全ての行と列の数を数える → (2,3)
sample.shape[0]  # 0番目の行数(インデックスの数)を数える → (2)
sample.shape[1]  # 列数を数える　→ (3)