0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 1 year has passed since last update.

翔泳社「現場で使える!pandasデータ前処理入門 機械学習・データサイエンスで役立つ前処理手法」のpandas ver2対応メモ

Posted at

概要

翔泳社「現場で使える!pandasデータ前処理入門 機械学習・データサイエンスで役立つ前処理手法」(株式会社ロンバート著・2020年4月20日発売)を読んでpandasを勉強していますが、この本で扱っているpandasのバージョンが0.22.0と古いため、最新バージョンのpandasではサンプルコードが動かないところが多々ありました。
本記事では、執筆時点で最新のpandas2.0.3で本書と同等の実行結果を出力させるにはどのようにコードを書けばよいのかをまとめました。

※あくまで自分用のメモなので参考程度でお願いします。
※3.2.4 HDF5(P223~231)の項目は扱っていないのでご了承ください。

現場で使える!pandasデータ前処理入門 機械学習・データサイエンスで役立つ前処理手法.png

↑この本です。扱っているpandasのバージョンが古い点以外は内容も充実しており気に入ってます。今からpandasを学ぶ人は最近出た本を選んだ方がいいかもしれないですが…

pandas ver2対応メモ

▼リスト2.31(P79)

ser2 = pd.Series([5, 6], index=['い','う'])
# ser.append(ser2)
pd.concat([ser,ser2], axis=0)

Series.append は v1.4 で非推奨になり、v2で削除されました。
代わりにconcatを使用しましょう。
なお、axis=0は省略可能です。
append→concatは今後もかなり出てきます。毎回説明しているとキリがないので次以降は説明省略します。

▼リスト2.32(P80)

# ser.append(ser2, ignore_index=True)
pd.concat([ser,ser2], axis=0, ignore_index=True)

▼リスト2.64(P100)

val = [7,8,9,10,11]
idx = [0,1,2,'new1','new2']
series_add = pd.Series(val, index=idx, name='new3')
# df = df.append(series_add)
df = pd.concat([df,series_add.to_frame().T], axis=0)
df

▼リスト2.78(P110)

idx1 = pd.Index([1,7,2,3,5])
idx2 = pd.Index([3,4,1,5,6])

# print(idx1 & idx2)
# print(idx1 | idx2)
print(idx1.intersection(idx2))
print(idx1.union(idx2))

&の代わりにintersection、|の代わりにunionを使用します。&や|を使用してもエラーにはなりませんが、意図した実行結果になりません。

▼リスト2.83(P112)

# idx_date = pd.DatetimeIndex(
idx_date = pd.date_range(
    freq='D',
    start='2018-12-28',
    end='2019-01-05'
)

idx_date

pd.DatetimeIndexの代わりにpd.date_rangeを使用します。引数は同じで大丈夫です。

▼リスト2.85(P113)

# df_date['2019']
df_date.loc['2019']

上だとKeyErrorで怒られます。locを使えば大丈夫なようです。

▼リスト2.124(P138)

grouped = df.groupby('sex')
# grouped.mean()
grouped.mean(numeric_only=True)

numeric_only引数をTrueにすると、要素が数値型のカラムのみが対象になります。
v1まではnumeric_only=Trueがデフォルトなので省略可能でしたが、v2ではnumeric_only=Falseがデフォルトになったので明示的に指定しないとエラーになります。
numeric_only=Trueもappend→concat同様多く登場します。毎回説明しているとキリがないので次回以降は説明省略します。

▼リスト3.54(P184)

# pd.read_csv('../data/ex2.csv', usecols=['weight'], squeeze=True)
pd.read_csv('../data/ex2.csv', usecols=['weight']).squeeze()

squeeze引数はv1.5で非推奨になり、v2で削除されたようです。
代わりにpandas.DataFrame.squeezeを使用します。

▼リスト3.73(P197)

pd.read_csv('../data/ex5.csv',
            # error_bad_lines=False,
            # warn_bad_lines=True)
            on_bad_lines='warn')

error_bad_linesとwarn_bad_linesはv1.3で非推奨となり、v2で削除されたようです。
代わりにon_bad_lines引数を使用します。

▼リスト3.77(P199)

# pd.read_csv('../data/ex7.csv', mangle_dupe_cols=True)
pd.read_csv('../data/ex7.csv')

mangle_dupe_cols引数はv1.5時点で非推奨となり、v2で削除されたようです。
v2ではそのまま読み込めば大丈夫なようです。

▼リスト4.48(P266)

# pd.pivot_table(df, index='sex', aggfunc=np.mean)
pd.pivot_table(df, index='sex', aggfunc=np.mean, values=['art','eng','hist','math','scie'])

values引数を指定します。

▼リスト5.6(P289)

# df.append(df2)
pd.concat([df,df2])

▼リスト5.7(P290)

# df.append(df2, ignore_index=True)
pd.concat([df,df2], ignore_index=True)

▼リスト5.8(P290)

df3 = pd.DataFrame([[7,8,9]],columns=['a','b','c'])
# df.append(df3)
pd.concat([df,df3])

▼リスト5.25(P302)

# pd.concat([df1,dft], axis=1, join_axes=[df1.index])
pd.concat([df1,dft], axis=1).loc[df1.index,:]

▼リスト5.28(P304)

# df1.append(df2)
pd.concat([df1,df2],axis=0)

▼リスト5.29(P305)

# df1.append(df2, ignore_index=True)
pd.concat([df1,df2], axis=0, ignore_index=True)

▼リスト5.30(P305)

dft = df2.copy()
dft.columns = ['a','b','d']
# df1.append(dft.loc[0,:])
pd.concat([df1,dft.loc[0,:].to_frame().T], axis=0)

▼リスト5.31(P306)

ser1 = pd.Series(['s1','s2','s3'])
ser2 = pd.Series(['s4','s5','s6'])
# ser1.append(ser2)
pd.concat([ser1,ser2], axis=0)

▼リスト5.32(P307)

ser1.index = ['a','b','c']
ser1.name = 'ser1'
# df1.append(ser1)
pd.concat([df1,ser1.to_frame().T], axis=0)

▼リスト5.36(P313)

ser1 = pd.Series(['a3','b3','left_k3'],index=['a','b','key'])
# leftdf = leftdf.append(ser1, ignore_index=True)
leftdf = pd.concat([leftdf,ser1.to_frame().T], axis=0, ignore_index=True)
leftdf
ser2 = pd.Series(['c3','d3','right_k3'],index=['c','d','key'])
# rightdf = rightdf.append(ser2, ignore_index=True)
rightdf = pd.concat([rightdf,ser2.to_frame().T], axis=0, ignore_index=True)
rightdf

▼リスト7.33(P407)

# for idx, val in ser.iteritems():
for idx, val in ser.items():
    print(idx, val)

▼リスト7.34(P408)

# for idx, val in ser.iteritems():
for idx, val in ser.items():
    if val < 3:
        print(idx)

▼リスト7.44(P414)

# for col, val in df.iteritems():
for col, val in df.items():
    print(col)
    print(val, '\n')

▼リスト7.45(P415)

# for col, val in df.iteritems():
for col, val in df.items():
    mean = val.mean()
    print(col, 'の平均点は', mean)

▼リスト7.56(P423)

# grouped.mean()
grouped.mean(numeric_only=True)

▼リスト7.60(P425)

grouped = df.groupby(['sex','club'])
# grouped.mean()
grouped.mean(numeric_only=True)

▼リスト7.61(P426)

grouped = df.groupby(['sex','club'], as_index=False)
# grouped.mean()
grouped.mean(numeric_only=True)

▼リスト7.65(P428)

# df2.groupby(by='club').mean()
df2.groupby(by='club').mean(numeric_only=True)

▼リスト7.66(P428)

# df2.groupby(level=0).mean()
df2.groupby(level=0).mean(numeric_only=True)

▼リスト7.75(P433)

grouped = df.groupby('sex')
# grouped.mean()
grouped.mean(numeric_only=True)
# grouped.agg('mean')
grouped.agg('mean', numeric_only=True)

▼リスト7.76(P434)

# grouped.agg(np.mean)
grouped[['math','eng','scie']].agg(np.mean)

▼リスト7.80(P436)

# grouped.agg(max_min)
grouped[['math','eng','scie']].agg(max_min)

▼リスト7.81(P437)

# df.groupby(['sex','club']).agg(['mean','sum'])['math']
df.groupby(['sex','club'])[['math','eng','scie']].agg(['mean','sum'])['math']

▼リスト7.85(P439)

df2 = df.copy()
# df2['カテゴリ別平均'] = grouped.transform(lambda x: x.mean())
df2['カテゴリ別平均'] = grouped['sales'].transform(lambda x: x.mean())
df2

▼リスト7.86(P440)

# df2['万'] = grouped.transform(lambda x: x / 10000)
df2['万'] = grouped['sales'].transform(lambda x: x / 10000)
df2

▼リスト7.87(P441)

df2 = df.copy()
# cat_total = df2.groupby('category').sum()
cat_total = df2.groupby('category')[['sales']].sum()
cat_total.columns = ['cat_total']
cat_total

▼リスト7.91(P444)

# %timeit df.groupby('sex').apply(lambda x: x.mean())
# %timeit df.groupby('sex').mean()
%timeit df.groupby('sex')[['math','eng','scie']].apply(lambda x: x.mean())
%timeit df.groupby('sex').mean(numeric_only=True)

▼リスト7.97(P448)

# mean = round(df2.mean())
mean = round(df2.mean(numeric_only=True))
mean

▼リスト7.98(P448)

# df2.groupby('club').mean()
df2.groupby('club').mean(numeric_only=True)

▼リスト7.99(P449)

grouped = df2.groupby('club')
# grouped.apply(lambda x: x.fillna(x.mean()))
grouped.apply(lambda x: x.fillna(x.mean(numeric_only=True)))

▼リスト8.20(P463)

# df['class'] = df['class'].str.replace(pat=pattern, repl='')
df['class'] = df['class'].str.replace(pat=pattern, repl='', regex=True)
df

▼リスト8.75(P506)

# midx.labels
midx.codes

▼リスト8.94(P518)

# df.index.is_lexsorted()
# df.sort_index(level=0).index.is_lexsorted()

index.is_lexsortedは廃止されたようです。代替手段は不明です。

▼リスト8.101(P522)

df.loc[[('Sapporo','M','Marketing'),
        # ('Sapporo','F','Marketing'),
        ('Tokyo','F','Marketing'),]]

現在のバージョンでは、インデックスラベルに含まれていない場合はKeyErrorを返すようです。

▼リスト8.109(P526)

print(df2.index.levels[0])
# print(df2.index.labels[0])
print(df2.index.codes[0])
df2

▼リスト8.110(P527)

# df2.index = df2.index.set_labels(labels=[1,1,1,0,0,2,2],
df2.index = df2.index.set_codes(codes=[1,1,1,0,0,2,2],
                                 level=0)
df2

▼リスト8.116(P531)

# df['age'].mean(axis=0, level='address')
df['age'].groupby('address').mean()

▼リスト8.117(P531)

# df['age'].mean(axis=0, level=['address','sex'])
df['age'].groupby(['address','sex']).mean()

▼リスト8.118(P532)

# df.mean(level='sex')

DataFrame.mean()のlevel引数は削除されたっぽいです。同ページに記載されているgroupbyメソッドのやり方を使用しましょう。

▼リスト8.143(P547)

# ts.week, ts.dayofweek, ts.weekday_name
ts.week, ts.dayofweek, ts.day_name()

▼リスト8.150(P550)

# pd.DatetimeIndex(start='20190101', end='20190105', freq='D')
pd.date_range(start='20190101', end='20190105', freq='D')

▼リスト8.151(P551)

# pd.DatetimeIndex(start='20190101', periods=5, freq='W-SUN')
pd.date_range(start='20190101', periods=5, freq='W-SUN')

▼リスト8.164(P557)

# pd.PeriodIndex(start='2019-Apr', periods=5, freq='M')
pd.period_range(start='2019-Apr', periods=5, freq='M')

▼リスト8.168(P559)

# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq='H')
pd.date_range(start='20190501 17:00', periods=5, freq='H')
from pandas.tseries.offsets import Hour
# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq=Hour())
pd.date_range(start='20190501 17:00', periods=5, freq=Hour())

▼リスト8.170(P560)

# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq=5 * Hour())
pd.date_range(start='20190501 17:00', periods=5, freq=5 * Hour())

▼リスト8.171(P561)

# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq='5H')
pd.date_range(start='20190501 17:00', periods=5, freq='5H')

▼リスト8.172(P561)

# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq=hours_minutes)
pd.date_range(start='20190501 17:00', periods=5, freq=hours_minutes)

▼リスト8.173(P562)

# pd.DatetimeIndex(start='20190501 17:00', periods=5, freq='3h20min')
pd.date_range(start='20190501 17:00', periods=5, freq='3h20min')

▼リスト8.174(P562)

# pd.DatetimeIndex(start='20110501', periods=2, freq='A-DEC')
pd.date_range(start='20110501', periods=2, freq='A-DEC')
from pandas.tseries.offsets import YearEnd
# pd.DatetimeIndex(start='20110501', periods=2, freq=YearEnd())
pd.date_range(start='20110501', periods=2, freq=YearEnd())

▼リスト8.175(P563)

# pd.DatetimeIndex(start='20110501', periods=2, freq='AS-JAN')
pd.date_range(start='20110501', periods=2, freq='AS-JAN')
from pandas.tseries.offsets import YearBegin
# pd.DatetimeIndex(start='20110501', periods=2, freq=YearBegin())
pd.date_range(start='20110501', periods=2, freq=YearBegin())

▼リスト8.179(P567)

# ser[datetime.date(2019,1,2)]

これはKeyErrorになります。代替手段は不明です。

▼リスト8.185(P570)

# df['2018-12-31 23']
df.loc['2018-12-31 23']

▼リスト8.190(P573)

# ser.tshift(-2)

Series.tshiftは廃止されたぽいです。リスト8.191の方法を使いましょう。

▼リスト9.22(P601)

# df.corr().style.background_gradient(cmap='coolwarm')
df.corr(numeric_only=True).style.background_gradient(cmap='coolwarm')

▼リスト9.29(P611)

# df.groupby('年代').sum()
df.groupby('年代').sum(numeric_only=True)

▼リスト9.101(P661)

time['Year'] = time.index.year
time['Month'] = time.index.month
time['Day'] = time.index.day
# time['Weekday'] = time.index.weekday_name
time['Weekday'] = time.index.day_name()
time['Hour'] = time.index.hour
time.head(3)

参考文献

pandas documentation — pandas 2.0.3 documentation
【保存版】Pandas2.0のread_csv関数の全引数、パフォーマンス、活用テクニックを完全解説する! - Qiita

0
1
1

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?