【超簡単】Pythonライブラリ「Pandas」の基本的な使い方 #Python

【はじめに】

PandasはPythonで利用できる、データ解析のためのライブラリです。

データの読み込みや統計量の表示
データのグラフ化
データ分析

などを行う際に頻繁に使用するコードが集められています。

今回は、誰でもpandasを使いこなすための第一歩として基本的な使い方を紹介します。
※一部違うライブラリを使用する場面があります。

本記事の内容

pandasをインポートする
CSVファイルを読み込む
データ型を確認する
データフレームの情報を取得する
統計量を取得する
グループごとに集計する
データを並べ替える
グラフ化する

【pandasをインポートする】

import pandas as pd

ポイント

as pdとして読み込むことでpandasを「pd」として使用することができます。

【CSVファイルを読み込む】

「1920年から2015年までの全国の人口推移のデータ」を使用します。

私のGitHubに「data.csv」としてアップロードしてあるので、下記コマンドでダウンロードすれば簡単に準備できます。

$ curl https://raw.githubusercontent.com/nakachan-ing/python-references/master/Pandas/data.csv -O

df = pd.read_csv('data.csv', encoding='shift-jis')
df

ポイント

pd.read_csv('csvファイル名', encoding='文字コード')
encodingオプションを指定しないと次のようなエラーが発生することがあります。

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x93 in position 0: invalid start byte

【データ型を確認する】

type(df)
>>pandas.core.frame.DataFrame

ポイント

type()でデータ型を確認することができます。
pandasのデータ型には、今回読み込んだようなデータフレーム（DataFrame）とシリーズ（Series）があります。
データフレームは、Excel形式のように行（index）と列（column）で成り立っています。
シリーズはデータフレームから一列だけ取り出したものです。

【データフレームの情報を取得する】

df.info()
>>
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 939 entries, 0 to 938
Data columns (total 8 columns):
Column   Non-Null Count  Dtype

0   都道府県コード  939 non-null    int64
1   都道府県名    939 non-null    object
2   元号       939 non-null    object
3   和暦（年）    939 non-null    float64
4   西暦（年）    939 non-null    float64
5   人口（総数）   939 non-null    int64
6   人口（男）    939 non-null    int64
7   人口（女）    939 non-null    int64
dtypes: float64(2), int64(4), object(2)
memory usage: 58.8+ KB

ポイント

info()でデータフレームの情報を取得することができます。

【統計量を取得する】

df.describe()

ポイント

describe()で統計量を取得することができます。

count:数量
mean:平均
std:標準偏差
min:最小値
25%:1/4分位数
50%:中央値(median)
75%:3/4分位数
max:最大値

df.describe().round(0)

round()を使用することで、桁数を指定して数値の切り捨て／切り上げをすることができます。

【グループごとに集計する】

# データフレームの先頭5行を表示
df.head()

df_mean = df.groupby(by='都道府県名').mean()[['人口（総数）', '人口（男）', '人口（女）']].round(0)
df_mean.head(10)

ポイント

groupby(by='グループ分けしたいcolumn')でグループ分けすることができます。
mean()の後に[平均を算出したい対象]を指定することができます。
複数の対象を指定する場合は[ [リスト型] ]にします。

【データを並べ替える】

df_mean.sort_values(by='人口（総数）', ascending=False).head(10)

ポイント

sort_values(by='並び替えたいcolumn', ascending=True or False)でデータを並べ替えることができます。
ascendingオプションにTrueを指定すると「昇順」、Falseを指定すると「降順」に並び替えます。

【グラフ化する】

可視化のための「matplotlib」と日本語を表示させるための「japanize_matplotlib」をインポートします。

import matplotlib.pyplot as plt
%matplotlib inline
import japanize_matplotlib

ポイント

「japanize_matplotlib」のインポートでエラーが発生した場合、PCにライブラリのインストール自体がまだできていない可能性があります。

!pip install japanize-matplotlibでインストール後に再度インポートをします。

# 「都道府県」が「東京都」のデータのみを抽出
df_tokyo = df[df['都道府県名']=='東京都']
df_tokyo

# 東京都の「人口（男）」, 「人口（女）」のデータを抽出
df_tokyo = df_tokyo[['人口（男）', '人口（女）']]
df_tokyo

# 東京都の人口（男）、（女）の推移をグラフ化
df_tokyo.plot(color=['skyblue', 'pink'])

ポイント

plot()の中に引数としてkindにbarを指定すると棒グラフを表示することができます。

df_tokyo.plot(kind='bar', color=['skyblue', 'pink'])

【おわりに】

今回は、Pandasの基本的な使い方を紹介しました。他にも様々な関数が用意されています。

特に機械学習に興味のある方は、Pandasを利用すると、効率的に進めることができます。
これからも、Pythonのライブラリや関数の使い方について紹介していきます。
今回、使用したCSVファイルやJupyter NotebookはGitHubに公開しています。
参考にして見てください。