データサイエンス100本ノック 21～30

データサイエンス100本ノック（構造化データ加工編）

GitHubにColaboratoryが用意されているので、自分のドライブにコピーするだけで簡単に始められます。

※協会が出している解答の書き方と異なる箇所もありますが、出力としては同じになっています。協会の解答はGitHubから確認してください。解説本も販売されています。

解答

P021

レシート明細データ（df_receipt）に対し、件数をカウントせよ。

P021

len(df_receipt)

P022

レシート明細データ（df_receipt）の顧客ID（customer_id）に対し、ユニーク件数をカウントせよ。

P022

len(df_receipt['customer_id'].unique())

P023

レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）と売上数量（quantity）を合計せよ。

P023

df_receipt.groupby('store_cd').agg({'amount':'sum','quantity':'sum'})

P024

レシート明細データ（df_receipt）に対し、顧客ID（customer_id）ごとに最も新しい売上年月日（sales_ymd）を求め、10件表示せよ。

P024

df_receipt.groupby('customer_id').agg({'sales_ymd':'max'}).head(10)

P025

レシート明細データ（df_receipt）に対し、顧客ID（customer_id）ごとに最も古い売上年月日（sales_ymd）を求め、10件表示せよ。

P025

df_receipt.groupby('customer_id').agg({'sales_ymd':'min'}).head(10)

P026

レシート明細データ（df_receipt）に対し、顧客ID（customer_id）ごとに最も新しい売上年月日（sales_ymd）と古い売上年月日を求め、両者が異なるデータを10件表示せよ。

P026

tmp = df_receipt.groupby('customer_id').agg({'sales_ymd':['max','min']}).reset_index()
tmp.columns.droplevel(1)
tmp.columns = ['customer_id', 'sales_ymd_max', 'sales_ymd_min']
tmp.query('sales_ymd_max != sales_ymd_min').head(10)

マルチインデックスのDataFrameで考えます。
DataFrame.droplevel(level, axis=0)で列名をいじれます。

P027

レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の平均を計算し、降順でTOP5を表示せよ。

P027

df_receipt.groupby('store_cd').agg({'amount':'mean'}).reset_index().sort_values('amount',ascending = False).rename(columns ={'amount':'amount_mean'}).head()

P028

レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の中央値を計算し、降順でTOP5を表示せよ。

P028

df_receipt.groupby('store_cd').agg({'amount':'median'}).reset_index().sort_values('amount',ascending = False).rename(columns ={'amount':'amount_median'}).head()

P029

レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに商品コード（product_cd）の最頻値を求め、10件表示させよ。

P029

df_receipt.groupby('store_cd')['product_cd'].apply(lambda x:x.mode()).reset_index().head(10)

DataFrame.mode()を使おうとしたのですが、groupbyを使ってるとエラーになります。残念ながらmode()は使える組み込み関数一覧にありませんでしたが、mean()、count()あたりは使えます。

P030

レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の分散を計算し、降順で5件表示せよ。

P030

df_receipt.groupby('store_cd').agg({'amount':'var'}).reset_index().sort_values('amount',ascending = False).rename(columns ={'amount':'amount_var'}).head()