カンマ区切りの文字列を含む1列のDataFrameの正規化

はじめに

私はこういう持ち方のデータが大嫌いだ。無精してExcel上で「データの区切り位置」等でちまちまやろうとすると100億％事故るからである。1つのセルに複数の内容が入っているのが耐え難い。
しかし、現実においてはそうもいっていられないため、自分用のチートシート的に書いておく。

pandas.melt()を使う方法

import pandas as pd

# データの定義
data = {'hunter_list': [
    'gonn,kilua,leolio,klapika',
    'hisoka,menti,hanzo',
    'kaito'
]}

# データフレーム作成
df = pd.DataFrame(data)

# カンマで分割して複数列に展開
df_split = df['hunter_list'].str.split(',', expand=True)

# meltで縦一列に変換 → 重複・欠損を削除 → インデックスをリセット
df_melted = (
    df_split
    .melt(value_name='hunter')
    .dropna()
    .drop_duplicates(subset='hunter')
    .reset_index(drop=True)
)

# 結果表示
print(df_melted['hunter'])

出力

0       gonn
1     hisoka
2      kaito
3      kilua
4      menti
5     leolio
6      hanzo
7    klapika
Name: hunter, dtype: object

★ポイント
str.split(',', expand=True)：カンマで分割して列に展開
melt()：複数列を縦一列に変換
dropna()：空のセルを削除
drop_duplicates()：重複を削除
reset_index(drop=True)：インデックスを振り直し

pandas.melt()を使わない方法

import pandas as pd

# データの定義
data = {'hunter_list': [
    'gonn,kilua,leolio,klapika',
    'hisoka,menti,hanzo',
    'kaito'
]}

# カンマで分割し、縦一列に並べる
flattened_list = [item.strip() for line in data['hunter_list'] for item in line.split(',')]

# pandasのSeriesに変換して処理
series = pd.Series(flattened_list)

# 空要素削除・重複削除・インデックス振り直し
cleaned_series = series.replace('', pd.NA).dropna().drop_duplicates().reset_index(drop=True)

# 結果を出力
print(cleaned_series)

出力

0       gonn
1      kilua
2     leolio
3    klapika
4     hisoka
5      menti
6      hanzo
7      kaito
dtype: object

感想

これまでpandas.melt()でずっとやっていたのだが、他の方法でも同じ処理ができることが分かって良かった。