データサイエンス100本ノック~初心者未満の戦いpart3

これはデータサイエンティストの卵がわけもわからないまま100本ノックを行っていく奮闘録である。
完走できるか謎。途中で消えてもQiitaにあげてないだけと思ってください。

100本ノックの記事
100本ノックのガイド

ネタバレも含みますのでやろうとされている方は注意

記事を書く時点で27本目まで終わっていますが、知らなかった書き方も多く、また「自分はこう書いたけど答えはこうだった」というものも多くあったのでメモ代わりに置いておきます。

コレは見づらい！この書き方は危険！等ありましたら教えていただきたいです。心にダメージを負いながら糧とさせていただきます。

今回は１９～２２まで。
[前回]１０～１８
目次付き初回

戦いはここから始まる

#19本目

P-19: レシート明細データフレーム（df_receipt）に対し、1件あたりの売上金額（amount）が高い順にランクを付与し、先頭10件を抽出せよ。項目は顧客ID（customer_id）、売上金額（amount）、付与したランクを表示させること。なお、売上金額（amount）が等しい場合は同一順位を付与するものとする。

今回の要件は

id	amo	rank
A00	100	1
B00	70	2
C00	80	2
D00	70	4
みたいな形の表を作る、ということらしい
SQLでいうなら

rei.sql

SELECT　id,amo amo,
(SELECT count(amo) FROM df b WHERE a.amo < b.amo)+1 rank
FROM df a ORDER BY rank 

といったところか(久々にSQL打った)
一応解説するとamoとa.amoが今見ている売上で、その見ている売上よりも高い売上b.amoの数をカウントして(一番大きいと0になるから)+1する。と、いうrankを作りその列を追加するという内容。
注意：とても計算に時間がかかる書き方です。10本ノックのSQLで試しましたが、数分単位でかかりました。

Dataframeでも同じように
df_receipt[['customer_id', 'amount']]
とランク列を作り、(横に)結合すると表ができる

ランク列の作り方は
df_receipt['amount'].rank(method='min', ascending=False)
※[参考]

• ascending=Falseで降順(多いほうが優先)データ。
• method='min'は少ない数(最小値)が順位データとして返る。

横結合をするには
pd.concat([['列A'],['列B']], axis=1)
pd.concatはaxisがデフォルトだと縦結合(表の下に表がくっつく)が、axis=1をつけると横結合されるらしい

最後に列名を変え、rank昇順に並び替えると

mine19.py

df_tmp = pd.concat([df_receipt[['customer_id', 'amount']] ,df_receipt['amount'].rank(method='min', ascending=False)], axis=1)
df_tmp.columns = ['customer_id', 'amount', 'ranking']
df_tmp.sort_values('ranking', ascending=True).head(10)

こうなる

もちろん分からなくてカンニングである

#20本目

mine20.py

df=df_receipt
df=pd.concat([df[['customer_id','amount']] ,df['amount'].rank(method='first',ascending=False) ],axis=1)
df.columns=['customer_id','amount','ranking']
df.sort_values('ranking',ascending=True).head(10)

19本目と内容が一部被るので割愛
変わる部分は

なお、売上金額（amount）が等しい場合でも別順位を付与すること。

の部分。つまり、表示として

id	amo	rank
A00	100	1
B00	70	2
C00	80	3
D00	70	4
という形をとりたい。

• method='min'は少ない数(最小値)が順位データとして返る。

ここを変更すればよく、降順データにした後に'min'を'first'とすることで出現順にナンバリングされる。

#21,22本目

mine21.py

len(df_receipt)

mine22.py

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

解説いる？
22本目をSQLに直すと
SELECT COUNT(DISTINCT customer_id) FROM receipt
でいけます。どっちが楽？

#今回はここまで
実際ランクをつけるのをSQLとPythonで比較してPythonのほうが早いと感じたので、ようやくpandasを使うことに意義を見出し始めました。LIKEとかSQLのが楽やろ
問題を解いているだけだとあまり頭に入ってこないので、また問題を解いてから整理をするをしていきたいと思います。