Python
pandas
SENSYDay 7

Pandas のよく使うスニペット集

More than 1 year has passed since last update.

当記事は、SENSY Advent Calendar 2017の7日目の記事です。

前職や今在籍しているSENSY株式会社ではずっとウェブの開発をしていましたが、11月からAIチームのほうに異動しました。毎日ドキドキしています。

当記事は、最近よく使うPandasのスニペット集をまとめていきたいと思います。元々は自分用に参照できるページがほしいなと思っていたので、Pandas自体の説明や細かい説明等は他の記事に譲って、ひたすらスニペットを列挙していきます(いいスニペットを見つけたら追加していきます)。


また、使用するデータはInvesting.comのBTC/JPYから取得しています。


インポート

Pandas をインポートするには以下を実行します。


pd としてインポートすることが多いみたいです。

import pandas as pd


DataFrameの作成

DataFrame を作成するには以下のようにします。

df = pd.DataFrame([

['2017-10-01', 488197, 489003, 489723, 466627],
['2017-10-02', 489139, 488197, 493590, 473007],
['2017-10-03', 487987, 489139, 495358, 478978],
['2017-10-04', 480618, 487987, 491477, 472229],
['2017-10-05', 490673, 480618, 491379, 468064],
['2017-10-06', 487560, 490673, 496803, 469707],
['2017-10-07', 494927, 487560, 495221, 482922],
['2017-10-08', 502668, 494927, 513768, 489213],
['2017-10-09', 521692, 502668, 539816, 497525],
['2017-10-10', 529605, 521316, 543653, 509183],
['2017-10-11', 535745, 529605, 579834, 522659],
['2017-10-12', 603830, 535745, 608320, 526535],
['2017-10-13', 626833, 603830, 679763, 535514],
['2017-10-14', 641376, 626833, 679763, 579459],
['2017-10-15', 640736, 641376, 649894, 613526],
['2017-10-16', 646682, 640736, 657214, 613343],
['2017-10-17', 634682, 646682, 656551, 628475],
['2017-10-18', 638945, 634682, 656831, 597587],
['2017-10-19', 639563, 638945, 652154, 595464],
['2017-10-20', 680935, 639563, 681990, 634207],
['2017-10-21', 683720, 680935, 705656, 642202],
['2017-10-22', 674718, 683720, 705573, 666582],
['2017-10-23', 688504, 674718, 699988, 657828],
['2017-10-24', 647263, 688504, 717500, 635624],
['2017-10-25', 661909, 647263, 675796, 630626],
['2017-10-26', 656882, 661909, 692724, 617153],
['2017-10-27', 662773, 672772, 692997, 652498],
['2017-10-28', 663574, 662773, 681126, 652498],
['2017-10-29', 704915, 663574, 711090, 653967],
['2017-10-30', 689863, 704915, 718159, 656695],
['2017-10-31', 729017, 689863, 733024, 687718]
], columns=['date', 'open', 'high', 'low', 'close'])

df

# date open high low close
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007
# 2 2017-10-03 487987 489139 495358 478978
# 3 2017-10-04 480618 487987 491477 472229
# 4 2017-10-05 490673 480618 491379 468064
# 5 2017-10-06 487560 490673 496803 469707
# 6 2017-10-07 494927 487560 495221 482922
# 7 2017-10-08 502668 494927 513768 489213
# 8 2017-10-09 521692 502668 539816 497525
# 9 2017-10-10 529605 521316 543653 509183
# 10 2017-10-11 535745 529605 579834 522659
# 11 2017-10-12 603830 535745 608320 526535
# 12 2017-10-13 626833 603830 679763 535514
# 13 2017-10-14 641376 626833 679763 579459
# 14 2017-10-15 640736 641376 649894 613526
# 15 2017-10-16 646682 640736 657214 613343
# 16 2017-10-17 634682 646682 656551 628475
# 17 2017-10-18 638945 634682 656831 597587
# 18 2017-10-19 639563 638945 652154 595464
# 19 2017-10-20 680935 639563 681990 634207
# 20 2017-10-21 683720 680935 705656 642202
# 21 2017-10-22 674718 683720 705573 666582
# 22 2017-10-23 688504 674718 699988 657828
# 23 2017-10-24 647263 688504 717500 635624
# 24 2017-10-25 661909 647263 675796 630626
# 25 2017-10-26 656882 661909 692724 617153
# 26 2017-10-27 662773 672772 692997 652498
# 27 2017-10-28 663574 662773 681126 652498
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718


DataFrameの情報を取得


dtypesを表示

df.dtypes

# date object
# open int64
# high int64
# low int64
# close int64
# dtype: object


列情報を表示

df.columns

# Index(['date', 'open', 'high', 'low', 'close'], dtype='object')


行と列を表示

df.shape

# (31, 5)


Numpy行列を取得

df.values

# array([['2017-10-01', 488197, 489003, 489723, 466627],
# ['2017-10-02', 489139, 488197, 493590, 473007],
# ['2017-10-03', 487987, 489139, 495358, 478978],
# ['2017-10-04', 480618, 487987, 491477, 472229],
# ['2017-10-05', 490673, 480618, 491379, 468064],
# ['2017-10-06', 487560, 490673, 496803, 469707],
# ['2017-10-07', 494927, 487560, 495221, 482922],
# ['2017-10-08', 502668, 494927, 513768, 489213],
# ['2017-10-09', 521692, 502668, 539816, 497525],
# ['2017-10-10', 529605, 521316, 543653, 509183],
# ['2017-10-11', 535745, 529605, 579834, 522659],
# ['2017-10-12', 603830, 535745, 608320, 526535],
# ['2017-10-13', 626833, 603830, 679763, 535514],
# ['2017-10-14', 641376, 626833, 679763, 579459],
# ['2017-10-15', 640736, 641376, 649894, 613526],
# ['2017-10-16', 646682, 640736, 657214, 613343],
# ['2017-10-17', 634682, 646682, 656551, 628475],
# ['2017-10-18', 638945, 634682, 656831, 597587],
# ['2017-10-19', 639563, 638945, 652154, 595464],
# ['2017-10-20', 680935, 639563, 681990, 634207],
# ['2017-10-21', 683720, 680935, 705656, 642202],
# ['2017-10-22', 674718, 683720, 705573, 666582],
# ['2017-10-23', 688504, 674718, 699988, 657828],
# ['2017-10-24', 647263, 688504, 717500, 635624],
# ['2017-10-25', 661909, 647263, 675796, 630626],
# ['2017-10-26', 656882, 661909, 692724, 617153],
# ['2017-10-27', 662773, 672772, 692997, 652498],
# ['2017-10-28', 663574, 662773, 681126, 652498],
# ['2017-10-29', 704915, 663574, 711090, 653967],
# ['2017-10-30', 689863, 704915, 718159, 656695],
# ['2017-10-31', 729017, 689863, 733024, 687718]], dtype=object)


要約情報を表示

df.describe()

# open high low close
# count 31.000000 31.000000 31.000000 31.000000
# mean 604049.387097 596807.451613 622152.741935 574439.193548
# std 82049.462224 81639.444429 88161.693574 76040.954856
# min 480618.000000 480618.000000 489723.000000 466627.000000
# 25% 512180.000000 498797.500000 526792.000000 493369.000000
# 50% 639563.000000 638945.000000 656831.000000 597587.000000
# 75% 663173.500000 663173.500000 692860.500000 638913.000000
# max 729017.000000 704915.000000 733024.000000 687718.000000


平均を表示

df.mean()

# open 604049.387097
# high 596807.451613
# low 622152.741935
# close 574439.193548
# dtype: float64


行の抽出


スライスを使って部分的に取得する方法

df[2:4]

# date open high low close
# 2 2017-10-03 487987 489139 495358 478978
# 3 2017-10-04 480618 487987 491477 472229


条件を指定する方法

df[df.date == '2017-10-21']

# date open high low close
# 20 2017-10-21 683720 680935 705656 642202

df[df.open > 700000]

# date open high low close
# 28 2017-10-29 704915 663574 711090 653967
# 30 2017-10-31 729017 689863 733024 687718


先頭のN行を取得

df.head(3)

# date open high low close
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007
# 2 2017-10-03 487987 489139 495358 478978


最後からN行を取得

df.tail(3)

# date open high low close
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718


イテレーションを回して1行ずつ取得

for index, row in df.iterrows():

print(row)

# date 2017-10-01
# open 488197
# high 489003
# low 489723
# close 466627
# Name: 0, dtype: object
# date 2017-10-02
# open 489139
# high 488197
# low 493590
# close 473007
# Name: 1, dtype: object

...

# date 2017-10-31
# open 729017
# high 689863
# low 733024
# close 687718
# Name: 30, dtype: object


列の抽出

df['date']

# 0 2017-10-01
# 1 2017-10-02
# 2 2017-10-03
# 3 2017-10-04
# 4 2017-10-05
# 5 2017-10-06
# 6 2017-10-07
# 7 2017-10-08
# 8 2017-10-09
# 9 2017-10-10
# 10 2017-10-11
# 11 2017-10-12
# 12 2017-10-13
# 13 2017-10-14
# 14 2017-10-15
# 15 2017-10-16
# 16 2017-10-17
# 17 2017-10-18
# 18 2017-10-19
# 19 2017-10-20
# 20 2017-10-21
# 21 2017-10-22
# 22 2017-10-23
# 23 2017-10-24
# 24 2017-10-25
# 25 2017-10-26
# 26 2017-10-27
# 27 2017-10-28
# 28 2017-10-29
# 29 2017-10-30
# 30 2017-10-31
# Name: date, dtype: object

df.open

# 0 488197
# 1 489139
# 2 487987
# 3 480618
# 4 490673
# 5 487560
# 6 494927
# 7 502668
# 8 521692
# 9 529605
# 10 535745
# 11 603830
# 12 626833
# 13 641376
# 14 640736
# 15 646682
# 16 634682
# 17 638945
# 18 639563
# 19 680935
# 20 683720
# 21 674718
# 22 688504
# 23 647263
# 24 661909
# 25 656882
# 26 662773
# 27 663574
# 28 704915
# 29 689863
# 30 729017
# Name: open, dtype: int64


列名の変更

df.rename(columns = {

'open': 'opening',
'close': 'closing',
})

# date opening high low closing
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007
# 2 2017-10-03 487987 489139 495358 478978
# 3 2017-10-04 480618 487987 491477 472229
# 4 2017-10-05 490673 480618 491379 468064
# 5 2017-10-06 487560 490673 496803 469707
# 6 2017-10-07 494927 487560 495221 482922
# 7 2017-10-08 502668 494927 513768 489213
# 8 2017-10-09 521692 502668 539816 497525
# 9 2017-10-10 529605 521316 543653 509183
# 10 2017-10-11 535745 529605 579834 522659
# 11 2017-10-12 603830 535745 608320 526535
# 12 2017-10-13 626833 603830 679763 535514
# 13 2017-10-14 641376 626833 679763 579459
# 14 2017-10-15 640736 641376 649894 613526
# 15 2017-10-16 646682 640736 657214 613343
# 16 2017-10-17 634682 646682 656551 628475
# 17 2017-10-18 638945 634682 656831 597587
# 18 2017-10-19 639563 638945 652154 595464
# 19 2017-10-20 680935 639563 681990 634207
# 20 2017-10-21 683720 680935 705656 642202
# 21 2017-10-22 674718 683720 705573 666582
# 22 2017-10-23 688504 674718 699988 657828
# 23 2017-10-24 647263 688504 717500 635624
# 24 2017-10-25 661909 647263 675796 630626
# 25 2017-10-26 656882 661909 692724 617153
# 26 2017-10-27 662773 672772 692997 652498
# 27 2017-10-28 663574 662773 681126 652498
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718

一括処理する場合の例:

df.columns = map(str.upper, df.columns)

df

# DATE OPEN HIGH LOW CLOSE
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007
# 2 2017-10-03 487987 489139 495358 478978
# 3 2017-10-04 480618 487987 491477 472229
# 4 2017-10-05 490673 480618 491379 468064
# 5 2017-10-06 487560 490673 496803 469707
# 6 2017-10-07 494927 487560 495221 482922
# 7 2017-10-08 502668 494927 513768 489213
# 8 2017-10-09 521692 502668 539816 497525
# 9 2017-10-10 529605 521316 543653 509183
# 10 2017-10-11 535745 529605 579834 522659
# 11 2017-10-12 603830 535745 608320 526535
# 12 2017-10-13 626833 603830 679763 535514
# 13 2017-10-14 641376 626833 679763 579459
# 14 2017-10-15 640736 641376 649894 613526
# 15 2017-10-16 646682 640736 657214 613343
# 16 2017-10-17 634682 646682 656551 628475
# 17 2017-10-18 638945 634682 656831 597587
# 18 2017-10-19 639563 638945 652154 595464
# 19 2017-10-20 680935 639563 681990 634207
# 20 2017-10-21 683720 680935 705656 642202
# 21 2017-10-22 674718 683720 705573 666582
# 22 2017-10-23 688504 674718 699988 657828
# 23 2017-10-24 647263 688504 717500 635624
# 24 2017-10-25 661909 647263 675796 630626
# 25 2017-10-26 656882 661909 692724 617153
# 26 2017-10-27 662773 672772 692997 652498
# 27 2017-10-28 663574 662773 681126 652498
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718


列の削除

df.drop(['date'], axis=1)

# open high low close
# 0 488197 489003 489723 466627
# 1 489139 488197 493590 473007
# 2 487987 489139 495358 478978
# 3 480618 487987 491477 472229
# 4 490673 480618 491379 468064
# 5 487560 490673 496803 469707
# 6 494927 487560 495221 482922
# 7 502668 494927 513768 489213
# 8 521692 502668 539816 497525
# 9 529605 521316 543653 509183
# 10 535745 529605 579834 522659
# 11 603830 535745 608320 526535
# 12 626833 603830 679763 535514
# 13 641376 626833 679763 579459
# 14 640736 641376 649894 613526
# 15 646682 640736 657214 613343
# 16 634682 646682 656551 628475
# 17 638945 634682 656831 597587
# 18 639563 638945 652154 595464
# 19 680935 639563 681990 634207
# 20 683720 680935 705656 642202
# 21 674718 683720 705573 666582
# 22 688504 674718 699988 657828
# 23 647263 688504 717500 635624
# 24 661909 647263 675796 630626
# 25 656882 661909 692724 617153
# 26 662773 672772 692997 652498
# 27 663574 662773 681126 652498
# 28 704915 663574 711090 653967
# 29 689863 704915 718159 656695
# 30 729017 689863 733024 687718


列をDatetime型に変換

df.date

# 0 2017-10-01
# 1 2017-10-02
# 2 2017-10-03
# 3 2017-10-04
# 4 2017-10-05
# 5 2017-10-06
# 6 2017-10-07
# 7 2017-10-08
# 8 2017-10-09
# 9 2017-10-10
# 10 2017-10-11
# 11 2017-10-12
# 12 2017-10-13
# 13 2017-10-14
# 14 2017-10-15
# 15 2017-10-16
# 16 2017-10-17
# 17 2017-10-18
# 18 2017-10-19
# 19 2017-10-20
# 20 2017-10-21
# 21 2017-10-22
# 22 2017-10-23
# 23 2017-10-24
# 24 2017-10-25
# 25 2017-10-26
# 26 2017-10-27
# 27 2017-10-28
# 28 2017-10-29
# 29 2017-10-30
# 30 2017-10-31
# Name: date, dtype: object

df['date'] = pd.to_datetime(df['date'])

df.date

# 0 2017-10-01
# 1 2017-10-02
# 2 2017-10-03
# 3 2017-10-04
# 4 2017-10-05
# 5 2017-10-06
# 6 2017-10-07
# 7 2017-10-08
# 8 2017-10-09
# 9 2017-10-10
# 10 2017-10-11
# 11 2017-10-12
# 12 2017-10-13
# 13 2017-10-14
# 14 2017-10-15
# 15 2017-10-16
# 16 2017-10-17
# 17 2017-10-18
# 18 2017-10-19
# 19 2017-10-20
# 20 2017-10-21
# 21 2017-10-22
# 22 2017-10-23
# 23 2017-10-24
# 24 2017-10-25
# 25 2017-10-26
# 26 2017-10-27
# 27 2017-10-28
# 28 2017-10-29
# 29 2017-10-30
# 30 2017-10-31
# Name: date, dtype: datetime64[ns]


データ参照

df[df.date == '2017-10-20'][['date', 'open']]

# date open
# 19 2017-10-20 680935

df.loc[5:8, ['date', 'open', 'close']]

# date open close
# 5 2017-10-06 487560 469707
# 6 2017-10-07 494927 482922
# 7 2017-10-08 502668 489213
# 8 2017-10-09 521692 497525

df.iloc[5:8, 0:3]

# date open high
# 5 2017-10-06 487560 490673
# 6 2017-10-07 494927 487560
# 7 2017-10-08 502668 494927

df.query('open > 70000 & close > 680000')

# date open high low close
# 30 2017-10-31 729017 689863 733024 687718


ソート

df.sort_values(by='open', ascending=True).head(5)

# date open high low close
# 3 2017-10-04 480618 487987 491477 472229
# 5 2017-10-06 487560 490673 496803 469707
# 2 2017-10-03 487987 489139 495358 478978
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007

df.sort_values(by='open', ascending=False).head(5)

# date open high low close
# 30 2017-10-31 729017 689863 733024 687718
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 22 2017-10-23 688504 674718 699988 657828
# 20 2017-10-21 683720 680935 705656 642202


DataFrameのインデックス


インデックスを取得

df.index

# RangeIndex(start=0, stop=31, step=1)


インデックスのリセット

df = df.sort_values(by='high', ascending=False)

df.head(5)

# date open high low close
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718
# 23 2017-10-24 647263 688504 717500 635624
# 21 2017-10-22 674718 683720 705573 666582
# 20 2017-10-21 683720 680935 705656 642202

df = df.sort_values(by='high', ascending=False)

new_df = df.reset_index(drop=True)

new_df.head(5)

# date open high low close
# 0 2017-10-30 689863 704915 718159 656695
# 1 2017-10-31 729017 689863 733024 687718
# 2 2017-10-24 647263 688504 717500 635624
# 3 2017-10-22 674718 683720 705573 666582
# 4 2017-10-21 683720 680935 705656 642202


ピボットテーブル

インデックスをdate列、カラムをlow列、値をhigh列として、欠損値は0.0で埋めて、ピボットテーブルを作成

pd.pivot_table(df, values='high', index='date', columns='low', fill_value=0.0)

# low 489723 491379 491477 493590 495221 495358 496803 513768 539816 543653 ... 681990 692724 692997 699988 705573 705656 711090 717500 718159 733024
# date
# 2017-10-01 489003 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-02 0 0 0 488197 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-03 0 0 0 0 0 489139 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-04 0 0 487987 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-05 0 480618 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-06 0 0 0 0 0 0 490673 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-07 0 0 0 0 487560 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-08 0 0 0 0 0 0 0 494927 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-09 0 0 0 0 0 0 0 0 502668 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-10 0 0 0 0 0 0 0 0 0 521316 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-11 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-12 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-13 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-14 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-15 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-16 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-17 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-18 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-19 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-20 0 0 0 0 0 0 0 0 0 0 ... 639563 0 0 0 0 0 0 0 0 0
# 2017-10-21 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 680935 0 0 0 0
# 2017-10-22 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 683720 0 0 0 0 0
# 2017-10-23 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 674718 0 0 0 0 0 0
# 2017-10-24 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 688504 0 0
# 2017-10-25 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-26 0 0 0 0 0 0 0 0 0 0 ... 0 661909 0 0 0 0 0 0 0 0
# 2017-10-27 0 0 0 0 0 0 0 0 0 0 ... 0 0 672772 0 0 0 0 0 0 0
# 2017-10-28 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
# 2017-10-29 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 663574 0 0 0
# 2017-10-30 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 704915 0
# 2017-10-31 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 689863


連結


行方向連結

new_df = pd.DataFrame([

['2017-11-01', 729017, 787179, 693575, 775693],
['2017-11-02', 775693, 869998, 707769, 805927],
['2017-11-03', 781055, 904306, 777738, 828976],
['2017-11-04', 828976, 889949, 789065, 861002],
['2017-11-05', 861002, 865634, 818642, 844983],
['2017-11-06', 844983, 865141, 791010, 797783],
['2017-11-07', 797783, 856412, 787884, 827687],
['2017-11-08', 827687, 890823, 807321, 866073],
['2017-11-09', 866073, 890715, 806285, 806632],
['2017-11-10', 806632, 866885, 751096, 765882]
], columns=['date', 'open', 'high', 'low', 'close'])

pd.concat([df, new_df])

# date open high low close
# 0 2017-10-01 488197 489003 489723 466627
# 1 2017-10-02 489139 488197 493590 473007
# 2 2017-10-03 487987 489139 495358 478978
# 3 2017-10-04 480618 487987 491477 472229
# 4 2017-10-05 490673 480618 491379 468064
# 5 2017-10-06 487560 490673 496803 469707
# 6 2017-10-07 494927 487560 495221 482922
# 7 2017-10-08 502668 494927 513768 489213
# 8 2017-10-09 521692 502668 539816 497525
# 9 2017-10-10 529605 521316 543653 509183
# 10 2017-10-11 535745 529605 579834 522659
# 11 2017-10-12 603830 535745 608320 526535
# 12 2017-10-13 626833 603830 679763 535514
# 13 2017-10-14 641376 626833 679763 579459
# 14 2017-10-15 640736 641376 649894 613526
# 15 2017-10-16 646682 640736 657214 613343
# 16 2017-10-17 634682 646682 656551 628475
# 17 2017-10-18 638945 634682 656831 597587
# 18 2017-10-19 639563 638945 652154 595464
# 19 2017-10-20 680935 639563 681990 634207
# 20 2017-10-21 683720 680935 705656 642202
# 21 2017-10-22 674718 683720 705573 666582
# 22 2017-10-23 688504 674718 699988 657828
# 23 2017-10-24 647263 688504 717500 635624
# 24 2017-10-25 661909 647263 675796 630626
# 25 2017-10-26 656882 661909 692724 617153
# 26 2017-10-27 662773 672772 692997 652498
# 27 2017-10-28 663574 662773 681126 652498
# 28 2017-10-29 704915 663574 711090 653967
# 29 2017-10-30 689863 704915 718159 656695
# 30 2017-10-31 729017 689863 733024 687718
# 0 2017-11-01 729017 787179 693575 775693
# 1 2017-11-02 775693 869998 707769 805927
# 2 2017-11-03 781055 904306 777738 828976
# 3 2017-11-04 828976 889949 789065 861002
# 4 2017-11-05 861002 865634 818642 844983
# 5 2017-11-06 844983 865141 791010 797783
# 6 2017-11-07 797783 856412 787884 827687
# 7 2017-11-08 827687 890823 807321 866073
# 8 2017-11-09 866073 890715 806285 806632
# 9 2017-11-10 806632 866885 751096 765882


列方向連結

new_df = pd.DataFrame([

[-0.16], [0.19], [-0.24], [-1.51], [2.09], [-0.63],
[1.51], [1.56], [3.78], [1.52], [1.16], [12.71],
[3.81], [2.32], [-0.1], [0.93], [-1.86], [0.67],
[0.1], [6.47], [0.41], [-1.32], [2.04], [-5.99],
[2.26], [-0.76], [0.9], [0.12], [6.23], [-2.14],
[5.68]
], columns=['ratio'])

df.join(new_df, how='inner')

# date open high low close ratio
# 0 2017-10-01 488197 489003 489723 466627 -0.16
# 1 2017-10-02 489139 488197 493590 473007 0.19
# 2 2017-10-03 487987 489139 495358 478978 -0.24
# 3 2017-10-04 480618 487987 491477 472229 -1.51
# 4 2017-10-05 490673 480618 491379 468064 2.09
# 5 2017-10-06 487560 490673 496803 469707 -0.63
# 6 2017-10-07 494927 487560 495221 482922 1.51
# 7 2017-10-08 502668 494927 513768 489213 1.56
# 8 2017-10-09 521692 502668 539816 497525 3.78
# 9 2017-10-10 529605 521316 543653 509183 1.52
# 10 2017-10-11 535745 529605 579834 522659 1.16
# 11 2017-10-12 603830 535745 608320 526535 12.71
# 12 2017-10-13 626833 603830 679763 535514 3.81
# 13 2017-10-14 641376 626833 679763 579459 2.32
# 14 2017-10-15 640736 641376 649894 613526 -0.10
# 15 2017-10-16 646682 640736 657214 613343 0.93
# 16 2017-10-17 634682 646682 656551 628475 -1.86
# 17 2017-10-18 638945 634682 656831 597587 0.67
# 18 2017-10-19 639563 638945 652154 595464 0.10
# 19 2017-10-20 680935 639563 681990 634207 6.47
# 20 2017-10-21 683720 680935 705656 642202 0.41
# 21 2017-10-22 674718 683720 705573 666582 -1.32
# 22 2017-10-23 688504 674718 699988 657828 2.04
# 23 2017-10-24 647263 688504 717500 635624 -5.99
# 24 2017-10-25 661909 647263 675796 630626 2.26
# 25 2017-10-26 656882 661909 692724 617153 -0.76
# 26 2017-10-27 662773 672772 692997 652498 0.90
# 27 2017-10-28 663574 662773 681126 652498 0.12
# 28 2017-10-29 704915 663574 711090 653967 6.23
# 29 2017-10-30 689863 704915 718159 656695 -2.14
# 30 2017-10-31 729017 689863 733024 687718 5.68


型を指定して抽出

df.open.astype(float)

# 0 32631.0
# 1 32804.0
# 2 33104.0
# Name: open, dtype: float64


行列の反転

df.T

# 0 1 2 3 4 5 6 7 8 9 ... 21 22 23 24 25 26 27 28 29 30
# date 2017-10-01 00:00:00 2017-10-02 00:00:00 2017-10-03 00:00:00 2017-10-04 00:00:00 2017-10-05 00:00:00 2017-10-06 00:00:00 2017-10-07 00:00:00 2017-10-08 00:00:00 2017-10-09 00:00:00 2017-10-10 00:00:00 ... 2017-10-22 00:00:00 2017-10-23 00:00:00 2017-10-24 00:00:00 2017-10-25 00:00:00 2017-10-26 00:00:00 2017-10-27 00:00:00 2017-10-28 00:00:00 2017-10-29 00:00:00 2017-10-30 00:00:00 2017-10-31 00:00:00
# open 488197 489139 487987 480618 490673 487560 494927 502668 521692 529605 ... 674718 688504 647263 661909 656882 662773 663574 704915 689863 729017
# high 489003 488197 489139 487987 480618 490673 487560 494927 502668 521316 ... 683720 674718 688504 647263 661909 672772 662773 663574 704915 689863
# low 489723 493590 495358 491477 491379 496803 495221 513768 539816 543653 ... 705573 699988 717500 675796 692724 692997 681126 711090 718159 733024
# close 466627 473007 478978 472229 468064 469707 482922 489213 497525 509183 ... 666582 657828 635624 630626 617153 652498 652498 653967 656695 687718