pandas入門

#目次
1.はじめに
2.pandasとは
3.pandasのインポート
4.pandasのデータ構造
5.データの読み込みと加工
6.おわりに

#1. はじめに
最近GCIやE資格取得に向けたプログラムを受けている真っ最中の初学者です。
この記事ではpandasの機能についてまとめていきます。

#2. pandasとは

• pandasとは、プログラミング言語pythonにおいてデータ解析を支援する機能を提供しているオープンソースのライブラリです。データサイエンスの分野では、機械学習前の前処理(データの加工・整形)などで多く使用されます。
• できること
• csv,xlsxなどのデータの読み込み
• 加工, データの抽出
• 欠損値の補完
• etc...

#3. pandasのインポート
ライブラリをインポートするための構文として以下の3種類があります。

• import ライブラリ名(モジュール名)
• import ライブラリ名(モジュール名) as 略称
• from　ライブラリ名(モジュール名) import 機能名

1番目,2番目はライブラリ全体をインポートしたい時、3番目は一部の機能のみインポートしたい時に用いられます。
特に2番目の構文を用いることで、ライブラリの機能を呼び出す際にコードを簡略化することができます。
今回は2番目の構文を用います。　

import pandas as pd

pandasをpdという略称で読み込んでいます。pdと略すのは慣例なので特に意味はありません。

#4. pandasのデータ構造
pandasのデータ構造には主にSeriesとDataFrameの2種類があります。
(https://pandas.pydata.org/pandas-docs/stable/user_guide/dsintro.html)

Seriesは1次元、DataFrameは2次元のデータを扱う際に用いられます。

• Seriesの例

series = pd.Series([2,0,2,1,1,2,0,2])
series

出力結果.

0    2
1    0
2    2
3    1
4    1
5    2
6    0
7    2
dtype: int64

Seriesでは左列にindex、右列に要素が入ります。
indexは指定することも可能です。

series = pd.Series([2,0,2,1,1,2,0,2] ,
                   index = ['A' , 'B' , 'C' , 'D' , 'E' , 'F' , 'G' , 'H'])
series

出力結果.　

A    2
B    0
C    2
D    1
E    1
F    2
G    0
H    2
dtype: int64

• DataFrameの例

data = {'student　ID':[19001,19002,19003,19004] , 
        'nativeplace':['Tokyo' , 'Kyoto' , 'Fukuoka' , 'Hokkaido'] , 
        'age':[20 , 22 , 43, 19] , 
        'name':['Kota' , 'Yuki' , 'Tomoshi','Kaito']}
dataframe = pd.DataFrame(data)
dataframe

出力結果

	student ID	nativeplace	age	name
0	19001	Tokyo	20	Kota
1	19002	Kyoto	22	Yuki
2	19003	Fukuoka	43	Tomoshi
3	19004	Hokkaido	19	Kaito

左から1列目にindexが入ります。
1行目をcolumnと呼びます。

#5. データの読み込みと加工

####5.1 ファイルの読み込み

• csvデータの読み込み

pd.read_csvを用いることで読み込むことができます。
以下ではカルフォルニア大学のオープンデータセットを使用しています。
CSVはComma(,) Separated Valuesの略称ですが、セミコロン( ; )で区切られているデータも存在します。その場合は引数にsep = ';'を追加する必要があります。

winequality_data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv' , sep = ';')
winequality_data.head()

出力結果

DataFrame.head()とすることで5行目までのデータを表示することが可能です。
任意の行数表示させたい場合はDataFrame.head(10)のように指定することで表示できます。

• Excelデータの読み込み

pd.ExcelFileを用いることで読み込み可能です。
以下ではcsv同様カルフォルニア大学のオープンデータセットを使用しています。

onlineretail_data = pd.ExcelFile('http://archive.ics.uci.edu/ml/machine-learning-databases/00352/Online%20Retail.xlsx')
onlineretaildata_table = onlineretail_data.parse('Online Retail')
onlineretaildata_table.head()

出力結果

---

####5.2 データの状態の確認

• データの行数,列数の確認

DataFrame.shapeとすることで取得できます。

winequality_data.shape

出力結果.

(1599, 12)

• データの性質の確認 : DataFrame.info()とすることで変数の型,欠損値の有無などが確認できます。　

winequality_data.info()

出力結果.

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1599 entries, 0 to 1598
Data columns (total 12 columns):
 #   Column                Non-Null Count  Dtype  
---  ------                --------------  -----  
 0   fixed acidity         1599 non-null   float64
 1   volatile acidity      1599 non-null   float64
 2   citric acid           1599 non-null   float64
 3   residual sugar        1599 non-null   float64
 4   chlorides             1599 non-null   float64
 5   free sulfur dioxide   1599 non-null   float64
 6   total sulfur dioxide  1599 non-null   float64
 7   density               1599 non-null   float64
 8   pH                    1599 non-null   float64
 9   sulphates             1599 non-null   float64
 10  alcohol               1599 non-null   float64
 11  quality               1599 non-null   int64  
dtypes: float64(11), int64(1)
memory usage: 150.0 KB

• 量的データの基本統計量

DataFrame.describe()とすることで量的データの基本統計量を出力できます。量的データとは数字の大小に意味があるデータです。(ex. 身長,体重,値段...)

winequality_data.describe()

出力結果

• 欠損値の確認

DataFrame.isnull().sum()とすることで各列の欠損値(nan)の数を出力できます。

winequality_data.isnull().sum()

出力結果.

fixed acidity           0
volatile acidity        0
citric acid             0
residual sugar          0
chlorides               0
free sulfur dioxide     0
total sulfur dioxide    0
density                 0
pH                      0
sulphates               0
alcohol                 0
quality                 0
dtype: int64

---

####5.3 データの加工

• 転置

DataFrame.T とすることで行と列を入れ替えることができます。

dataframe

出力結果

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|0| 19001 | Tokyo | 20 | Kota |
|1| 19002 | Kyoto | 22 | Yuki |
|2| 19003 | Fukuoka | 43 | Tomoshi |
|3| 19004 | Hokkaido | 19 | Kaito |

dataframe.T

出力結果

| | 0 | 1 | 2| 3 |
|:---: | :---: | :---: | :---: | :---: |
|student ID| 19001 | 19002 | 19003 | 19004 |
| nativeplace| Tokyo | Kyoto | Fukuoka | Hokkaido |
| age| 20 | 22 | 43 | 19 |
|name| Kota | Yuki | Tomoshi | Kaito |

• 特定列の抜き出し

DataFrame['抜き出したい列名(column)']
もしくは
DataFrame.抜き出したい列名(column)

とすることで抜き出すことができます。

1列の抜き出し

dataframe['student　ID']

出力結果.

0    19001
1    19002
2    19003
3    19004
Name: student　ID, dtype: object

複数列の抜き出し

dataframe[['student　ID','age']]

出力結果

| | student　ID | age |
|:---: | :---: | :---: |
|0| 19001 | 20 |
|1| 19002 | 22 |
|2| 19003 | 43 |
|3| 19004 | 19 |

複数列を抜き出す場合は括弧を2重にする必要があります。

DataFrame.抜き出したい列名(column) の場合も使い方は基本同じですが、columnにスペースが含まれている場合やcolumnの先頭が数字の場合などは使えないので注意してください。

dataframe.student　ID

出力結果.

  File "<ipython-input-48-e3d441d2246b>", line 1
    dataframe.student　ID
                     　 ^
SyntaxError: invalid character in identifier

dataframe.age

出力結果.

0    20
1    22
2    43
3    19
Name: age, dtype: object

• 特定行の抜き出し

DataFrame[i:j] ( i ≦ 抜き出したい行のindex < j )とすることで任意の行を抜き出せます。
例えばindexが1の行を抜き出したい場合はDataFrame[1:2] となります。

dataframe[1:2]

出力結果

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|1| 19002 | Kyoto | 22 | Yuki |

i,jの値を変更することで複数行の抜き出しも可能です。
また、indexが文字の場合はDataFrame['index_a':'index_b']とすることで抜き出し可能です。この場合index_bの行まで抜き出されます。

dataframe_eng = pd.DataFrame(data,index=['A','B','C','D'])
dataframe_eng 

出力結果.

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|A| 19001 | Tokyo | 20 | Kota |
|B| 19002 | Kyoto | 22 | Yuki |
|C| 19003 | Fukuoka | 43 | Tomoshi |
|D| 19004 | Hokkaido | 19 | Kaito |

dataframe_eng['B':'C']

出力結果.

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|B| 19002 | Kyoto | 22 | Yuki |
|C| 19003 | Fukuoka | 43 | Tomoshi |

• 特定の行&特定の列の抜き出し

任意の行,任意の列を抜き出す機能としてDataFrame.loc , DataFrame.iloc があります。
ilocはlocのindex活用版になります。
いずれもDataFrame.(i)loc[抜き出したい行範囲 , 抜き出したい列範囲]　とすることで抜き出しができます。
DataFrame.ilocの場合は範囲指定にindexのみが使用できます。

dataframe.loc[1:3, ['nativeplace' , 'age']]

出力結果.

| | nativeplace | age |
|:---: | :---: | :---: | :---: | :---: |
|1| Kyoto | 22 |
|2| Fukuoka | 43 |
|3| Hokkaido | 19 |

dataframe.iloc[1:4,1:3]

出力結果.

| | nativeplace | age |
|:---: | :---: | :---: | :---: | :---: |
|1| Kyoto | 22 |
|2| Fukuoka | 43 |
|3| Hokkaido | 19 |

ilocで範囲指定する場合、範囲の右側は含まれないので注意が必要です。

dataframe.iloc[:,1:3]

出力結果

| | nativeplace | age |
|:---: | :---: | :---: | :---: |
|0 | Tokyo | 20 |
|1 | Kyoto | 22 |
|2 | Fukuoka | 43 |
|3 | Hokkaido | 19 |
範囲指定の際に:とすることで全範囲(今回は全ての行)を指定できます。

• 条件を満たすデータの抽出

DataFrame[条件式] とすることで条件を満たすデータのみを抽出できます。

dataframe[ dataframe['age'] > 20 ]

出力結果

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|1| 19002 | Kyoto | 22 | Yuki |
|2| 19003 | Fukuoka | 43 | Tomoshi |

and( & ) , or( | )を用いて抽出することもできます。

dataframe[ (dataframe['age'] >= 20) | (dataframe['nativeplace'] =='Fukuoka') ]

出力結果

| | student ID | nativeplace | age | name |
|:---: | :---: | :---: | :---: | :---: |
|0| 19001 | Tokyo | 20 | Kota |
|1| 19002 | Kyoto | 22 | Yuki |
|2| 19003 | Fukuoka | 43 | Tomoshi |

#6. おわりに
拙い文章ですが最後まで読んでいただきありがとうございました。
何かの役に立てば幸いです。