Pythonデータ分析で使う NumPy・Pandas・Matplotlib チートシート

概観

NumPy       -> ndarray / 数値計算 / ベクトル化 / ブロードキャスト / 行列演算
Pandas      -> Series / DataFrame / ラベル付きデータ / 集計 / ピボット / 欠損値 / 結合
Matplotlib  -> plot / scatter / bar / hist / subplot / Figure / Axes
Seaborn     -> Matplotlib ベースの高水準可視化ライブラリ

データサイエンティストのためのPythonライブラリ応用（上級編）

第1部：NumPy

1. 位置づけ

キーワード：ndarray、ベクトル化、行列演算、ブロードキャスト、ユニバーサル関数、統計処理。

2. NumPy を使う場面

2.1 向いている場面

• 大量の数値計算
• for ループの大半が配列や行列の逐次処理になっている場面
• 行列積、ブロードキャスト、集計をまとめて行いたい場面

2.2 速い理由

• C 実装
• 連続したメモリ配置
• 同じ dtype をまとめて扱える
• Python レベルのループを減らせる
• 線形代数ライブラリの最適化を利用できる

2.3 優先して使いたい場面

• 同種の数値データをまとめて扱うとき
• 一括演算に置き換えられるとき
• ランダムデータや行列計算を多用するとき

3. NumPy 配列の作成

3.1 リストから作る

import numpy as np

np.array([1, 2, 3])                    # リストから ndarray を作成
np.array([1, 2, 3], dtype="float32")   # dtype を指定して作成

3.2 固定値の配列

np.zeros((2, 3))     # 0 で埋めた配列
np.ones((2, 3))      # 1 で埋めた配列
np.full((2, 3), 7)   # 指定値で埋めた配列
np.eye(3)            # 3x3 の単位行列

3.3 連番・等間隔の配列

np.arange(0, 10, 2)  # 左閉右開で等間隔の整数列
np.linspace(0, 1, 5) # 要素数を指定した等間隔列
np.logspace(0, 3, 4) # 対数スケールの等比列

3.4 乱数配列

np.random.seed(42)                 # 乱数シードを固定
np.random.random((2, 3))           # [0, 1) の一様乱数
np.random.randint(0, 10, 5)        # 乱数整数
np.random.permutation(5)           # 並び替えたコピーを返す
x = np.arange(5)
np.random.shuffle(x)               # 元の配列をその場でシャッフル
np.random.choice([1, 2, 3], 2)     # 抽出

4. NumPy 配列の基本

4.1 属性

arr.shape  # 形状
arr.ndim   # 次元数
arr.size   # 要素数
arr.dtype  # データ型

4.2 インデックス

x[0]     # 先頭要素
x[-1]    # 末尾要素
x[0, 0]  # 2 次元配列の推奨書式
x[0][0]  # 2 段階でも取れるが通常は上を使う

4.3 スライス

• スライスは通常ビューを返す。独立したコピーが必要なら copy() を使う。

x[1:5:2]         # 1 次元スライス
x[:2, :3]        # 2 次元スライス
x[1]             # 2 行目
x[:, 2]          # 3 列目
x[:2, :3].copy() # 独立コピー

4.4 形状変更

x.reshape(2, 3)  # 形状を変更
x.reshape(-1)    # 1 次元へ展開
x.ravel()        # 可能ならビューとして展開
x.flatten()      # コピーとして展開

4.5 結合

np.hstack([a, b])  # 水平方向に結合
np.vstack([a, b])  # 垂直方向に結合
np.c_[a, b]        # 列方向の簡易結合
np.r_[a, b]        # 行方向の簡易結合

4.6 分割

np.split(x, 2)        # 汎用分割
np.hsplit(x, 2)       # 水平方向に分割
np.vsplit(x, 2)       # 垂直方向に分割
np.array_split(x, 3)  # 等分できない場合の分割

5. NumPy の基本演算

5.1 ベクトル化演算

x + 5      # 全要素にスカラーを加える
x * 2      # 全要素を 2 倍する
x1 + x2    # 同じ形状どうしの要素ごとの加算
np.exp(x)  # 指数関数
np.log(x)  # 自然対数

5.2 行列演算

x.T       # 転置
x.dot(y)  # 内積 / 行列積
x @ y     # 行列積の簡潔な書き方

5.3 ブロードキャスト

• 末尾の次元から比較し、次元が同じか、どちらかが 1 なら拡張される。

np.arange(3) + 5               # 1 次元配列 + スカラー
np.ones((3, 3)) + np.arange(3) # 行方向に拡張して加算
np.ones((3, 1)) + np.arange(3) # 列ベクトルと行ベクトルの加算

5.4 比較演算とマスク

用途：条件抽出、異常値確認、条件付き置換。

mask = x > 3            # ブールマスク
x[mask]                 # 条件に合う要素だけ抽出
x[(x > 3) & (x < 8)]    # 条件の組み合わせ
np.where(x > 3, 1, 0)   # 条件に応じた値の切り替え

5.5 ファンシーインデックス

用途：非連続な位置の一括取得。

x[[0, 2, 4]]         # 1 次元の位置指定取得
x[row, col]          # 行列の座標指定取得
x[[0, 1], [1, 2]]    # (0,1) と (1,2) を取得
np.take(x, [0, 2])   # インデックス配列で取得

6. NumPy の汎用関数と統計

6.1 ソート

np.sort(x)     # ソート後の値
np.argsort(x)  # ソート順のインデックス

6.2 最大値・最小値

np.max(x)     # 最大値
np.min(x)     # 最小値
np.argmax(x)  # 最大値の位置
np.argmin(x)  # 最小値の位置

6.3 合計・積

np.sum(x)          # 合計
np.prod(x)         # 総積
np.sum(x, axis=0)  # 縦方向に集約
np.sum(x, axis=1)  # 横方向に集約

6.4 基本統計量

np.mean(x)    # 平均
np.var(x)     # 分散
np.std(x)     # 標準偏差
np.median(x)  # 中央値

7. NumPy 要点ツリー

NumPy
├─ 使いどころ
│  ├─ 大量の数値計算
│  └─ ベクトル化 / ブロードキャスト / 行列演算
├─ 配列作成
│  ├─ リスト: np.array
│  ├─ 固定値: np.zeros / np.ones / np.full / np.eye
│  ├─ 連番: np.arange / np.linspace / np.logspace
│  └─ 乱数: np.random.seed / np.random.random / np.random.randint / np.random.permutation / np.random.shuffle / np.random.choice
├─ 配列の基本
│  ├─ 属性: arr.shape / arr.ndim / arr.size / arr.dtype
│  ├─ インデックス: x[0] / x[-1] / x[0, 0]
│  ├─ スライス: x[1:5:2] / x[:2, :3] / copy()
│  ├─ 形状変更: reshape / ravel / flatten
│  ├─ 結合: np.hstack / np.vstack / np.c_ / np.r_
│  └─ 分割: np.split / np.hsplit / np.vsplit / np.array_split
├─ 演算
│  ├─ ベクトル化: + - * / // % / np.exp / np.log
│  ├─ 行列演算: T / dot / @
│  ├─ ブロードキャスト: スカラー拡張 / 次元 1 の拡張
│  ├─ 比較とマスク: > < == / x[mask] / np.where
│  └─ ファンシーインデックス: x[[...]] / x[row, col] / np.take
└─ 統計
   ├─ ソート: np.sort / np.argsort
   ├─ 極値: np.max / np.min / np.argmax / np.argmin
   ├─ 集約: np.sum / np.prod / axis
   └─ 基本統計: np.mean / np.var / np.std / np.median

第2部：Pandas

1. 位置づけ

キーワード：Series、DataFrame、ラベル付きデータ、欠損値処理、結合、グループ化、ピボットテーブル。

2. Pandas の特徴

NumPy  -> 配列中心の数値計算
Pandas -> 表形式データの操作、ラベルによる参照、集計と整形

3. Pandas オブジェクトの作成

3.1 1 次元オブジェクト：Series

import numpy as np
import pandas as pd

pd.Series([1, 2, 3])             # リストから Series を作成
pd.Series({"a": 1, "b": 2})    # 辞書から Series を作成
pd.Series(np.array([1, 2, 3]))   # ndarray から Series を作成

3.2 2 次元オブジェクト：DataFrame

pd.DataFrame({"name": ["A", "B"], "score": [90, 85]})             # 辞書から作成
pd.DataFrame([{"a": 1, "b": 2}, {"a": 3, "b": 4}])               # 辞書のリストから作成
pd.DataFrame(np.array([[1, 2], [3, 4]]), columns=["a", "b"])         # 2 次元 ndarray から作成

4. Pandas の属性

df.values   # 実データ
df.index    # 行ラベル
df.columns  # 列ラベル
df.shape    # 形状
df.size     # 要素数
df.dtypes   # 各列の型

5. DataFrame の参照・スライス・代入

5.1 列の取得

df["name"]               # 1 列を取得
df[["name", "score"]]   # 複数列を取得
df.name                   # 属性形式で取得できる場合もある

5.2 行の取得

df.loc["a"]                 # ラベルで行を取得
df.iloc[0]                  # 位置で行を取得
df.loc["a":"c", ["name"]] # 行と列を同時に指定

5.3 行スライス

df["a":"c"]  # ラベルによる行スライス
df.iloc[0:3]   # 位置による行スライス

5.4 列スライス

df.loc[:, "col1":"col3"]  # ラベルによる列スライス
df.iloc[:, 0:3]             # 位置による列スライス

5.5 比較演算とブールインデックス

用途：条件抽出、部分集合の作成、異常値の確認。

df["score"] > 80                  # 条件式
df[df["score"] > 80]              # 条件に合う行を抽出
df.query("score > 80")            # query による抽出
df.loc[df["score"] > 80, "name"]  # 条件付きで特定列を取得

5.6 代入

df["new_col"] = value                      # 列を追加 / 上書き
df.loc[df["score"] > 80, "level"] = "A"  # 条件付き代入
df.iloc[0, 0] = "X"                        # 位置指定代入

5.7 index と columns の変更

df.index = ["a", "b"]                          # 行ラベルを直接変更
df.columns = ["name", "score"]                # 列ラベルを直接変更
df.rename(columns={"score": "final_score"})   # 列名変更
df.reset_index(drop=True)                       # インデックスを振り直す
df.set_index("name")                           # 列をインデックスにする

6. データ確認

df.head()  # 先頭 5 行
df.tail()  # 末尾 5 行
df.info()  # 列名、件数、型を確認

7. Pandas の数値演算と統計

7.1 ベクトル化演算

df["sum"] = df["a"] + df["b"]     # 列どうしの演算
df["ratio"] = df["a"] / df["b"]   # 要素ごとの割り算

7.2 NumPy 関数との併用

np.log(df["x"])  # Series に対して対数を計算
np.exp(df["x"])  # Series に対して指数を計算

7.3 行列的な計算

df[["a", "b"]] * 2                       # 複数列を一括変換
df[["a", "b"]].dot(np.array([0.3, 0.7]))  # 重み付き和

7.4 ブロードキャストと自動整列

df + 1                                   # スカラー加算
df.sub(df.mean(numeric_only=True))       # 列名をそろえて減算
s = pd.Series({"a": 1, "b": 2})
df[["a", "b"]].add(s, axis="columns")   # 列ラベルをそろえて加算

8. カテゴリ集計と並べ替え

8.1 カテゴリ集計

df["col"].unique()         # 一意な値
df["col"].nunique()        # 一意な値の個数
df["col"].value_counts()   # 出現回数

8.2 並べ替え

df.sort_values(by="col")                                      # 1 列で並べ替え
df.sort_values(by=["col1", "col2"], ascending=[False, True])  # 複数列で並べ替え

9. 基本統計量

df.count()                      # 非欠損数
df.sum()                        # 合計
df.max()                        # 最大値
df.min()                        # 最小値
df.mean(numeric_only=True)      # 平均
df.var(numeric_only=True)       # 分散
df.std(numeric_only=True)       # 標準偏差
df.median(numeric_only=True)    # 中央値
df.mode()                       # 最頻値
df.quantile(0.75)               # 分位点
df.corr(numeric_only=True)      # 相関係数
df.cov(numeric_only=True)       # 共分散
df.describe()                   # 要約統計量

10. apply によるカスタム処理

用途：列単位の変換、行単位の判定、文字列処理。

df["col"].apply(func)   # 1 列に関数を適用
df.apply(func, axis=1)  # 行単位で関数を適用
df.applymap(func)       # DataFrame 全体を要素単位で変換

11. 欠損値処理

11.1 欠損値の削除

df.dropna()                   # 欠損を含む行を削除
df.dropna(axis=1)             # 欠損を含む列を削除
df.dropna(subset=["score"])   # 特定列を基準に削除

11.2 欠損値の補完

df.fillna(0)                              # 定数で補完
df["score"].fillna(df["score"].mean())   # 平均値で補完
df.ffill()                               # 前方補完
df.bfill()                               # 後方補完

12. データ結合

12.1 concat

pd.concat([df1, df2], axis=0, ignore_index=True)  # 縦方向に結合
pd.concat([df1, df2], axis=1)                     # 横方向に結合

12.2 merge

pd.merge(df1, df2, on="key", how="inner")  # 内部結合
pd.merge(df1, df2, on="key", how="left")   # 左結合
pd.merge(df1, df2, on="key", how="outer")  # 外部結合

12.3 整列

s1 + s2                      # インデックスで自動整列
df1.add(df2, fill_value=0)   # 整列してから演算
df1.align(df2, join="outer")  # 明示的に整列

13. グループ化とピボットテーブル

13.1 groupby

用途：集約、比較、グループごとのカスタム処理。

df.groupby("group")["value"].mean()                    # 単一集約
df.groupby("group").agg({"value": ["mean", "sum"]})   # 複数集約
df.groupby("group").apply(func)                        # 任意処理

13.2 pivot_table

用途：クロス集計、集計表の作成。

pd.pivot_table(
    df,
    values="value",
    index="row_key",
    columns="col_key",
    aggfunc="mean",
    margins=True  # 合計行・合計列を追加
)

14. Pandas の補足機能

14.1 文字列のベクトル化処理

df["name"].str.lower()             # 小文字化
df["name"].str.contains("abc")    # 部分一致
df["name"].str.extract(r"(\d+)")   # 正規表現で抽出

14.2 時系列処理

pd.to_datetime(df["date"])                  # 日付型へ変換
df.set_index("date").resample("M").sum()   # 月単位で再集計
df["value"].rolling(7).mean()              # 7 期間の移動平均

14.3 MultiIndex

df.set_index(["store", "date"])  # 多重インデックスを設定
df.reset_index()                   # 通常の列に戻す
df.swaplevel()                     # 階層の順序を入れ替える
df.sort_index()                    # インデックスで並べ替える

14.4 eval と query

df.eval("c = a + b")            # 式を文字列で評価
df.query("a > 10 and b < 5")   # 条件式で抽出

• データが大きいほど、式をまとめて書ける利点が出やすい。

15. Pandas 要点ツリー

Pandas
├─ オブジェクト
│  ├─ Series: pd.Series
│  └─ DataFrame: pd.DataFrame
├─ 属性
│  ├─ df.values / df.index / df.columns
│  └─ df.shape / df.size / df.dtypes
├─ 参照とスライス
│  ├─ 列取得: df["col"] / df[[...]]
│  ├─ 行取得: df.loc[...] / df.iloc[...]
│  ├─ 行スライス: df["a":"c"] / df.iloc[0:3]
│  ├─ 列スライス: df.loc[:, ...] / df.iloc[:, ...]
│  ├─ ブールインデックス: df[cond] / query()
│  └─ 代入: df[col] = ... / df.loc[...] = ... / df.iloc[...] = ...
├─ 確認と統計
│  ├─ 確認: head() / tail() / info()
│  ├─ カテゴリ: unique() / nunique() / value_counts()
│  ├─ 並べ替え: sort_values()
│  ├─ 基本統計: count() / sum() / max() / min() / mean() / var() / std() / median() / mode() / quantile() / describe()
│  └─ 関係性: corr() / cov()
├─ データ処理
│  ├─ 欠損値: dropna() / fillna() / ffill() / bfill()
│  ├─ 結合: concat() / merge() / align()
│  ├─ グループ化: groupby() / agg() / apply()
│  └─ ピボット: pivot_table()
├─ 応用機能
│  ├─ 文字列: str.lower() / str.contains() / str.extract()
│  ├─ 時系列: to_datetime() / set_index() / resample() / rolling()
│  ├─ MultiIndex: set_index() / reset_index() / swaplevel() / sort_index()
│  └─ 式評価: eval() / query()
└─ 演算
   ├─ ベクトル化: 列どうしの直接演算
   ├─ 行列的な計算: dot()
   ├─ 整列付き演算: add() / sub() / align()
   └─ カスタム処理: apply() / applymap()

第3部：Matplotlib

1. 位置づけ

キーワード：plot、scatter、bar、hist、subplot、スタイル、注釈、Figure、Axes。

2. 環境設定

2.1 Jupyter / IPython

%matplotlib inline  # Notebook 上に画像を直接表示

2.2 PyCharm / スクリプト

import matplotlib.pyplot as plt

plt.show()  # ウィンドウに描画して表示

2.3 plt.show() を使う場面

• Notebook / IPython では %matplotlib inline を使うことが多い
• スクリプトや IDE では plt.show() が必要になることが多い

3. スタイル設定

plt.style.use("ggplot")  # 全体のスタイルを設定

with plt.style.context("seaborn-v0_8"):
    ...                   # 一時的にスタイルを切り替える

4. 画像保存

plt.savefig("figure.png", dpi=300, bbox_inches="tight")  # 余白を詰めて高解像度で保存

5. 代表的なグラフ

5.1 折れ線グラフ plot

用途：推移、時系列、連続量の変化。

plt.plot(x, y)  # 折れ線グラフ

5.2 散布図 scatter

用途：相関、外れ値、分布の確認。

plt.scatter(x, y)  # 散布図

5.3 棒グラフ bar

用途：カテゴリ比較、順位比較、集計結果の表示。

plt.bar(x, height)  # 棒グラフ

5.4 ヒストグラム hist

用途：分布、度数、偏りの確認。

plt.hist(x, bins=20)  # ヒストグラム

5.5 誤差付きグラフ errorbar

用途：誤差幅、信頼区間、不確実性の表示。

plt.errorbar(x, y, yerr=error)  # 誤差付きグラフ

6. サブプロット

用途：1 枚の図に複数グラフを並べて比較する。

plt.subplot(2, 2, 1)       # pyplot スタイル
fig, axes = plt.subplots(2, 2)  # オブジェクト指向スタイル

7. グラフの見た目の調整

7.1 線の色・種類・太さ

plt.plot(x, y, color="red", linestyle="--", linewidth=2)  # 色 / 線種 / 線幅

7.2 マーカーの形・大きさ・色

plt.plot(x, y, marker="o", markersize=5, markerfacecolor="blue")  # マーカー設定

7.3 凡例

plt.plot(x, y, label="sales")
plt.legend()  # 凡例を表示

7.4 テキストと注釈

plt.text(x0, y0, "peak")               # 文字を配置
plt.annotate("outlier", xy=(x0, y0))  # 注釈を追加

7.5 タイトルと軸ラベル

plt.title("title")  # タイトルを設定
plt.xlabel("x")     # x 軸ラベルを設定
plt.ylabel("y")     # y 軸ラベルを設定

8. オブジェクト指向の描画

fig, ax = plt.subplots()
ax.plot(x, y, label="sales")  # Axes に描画
ax.set_title("title")   # タイトル
ax.set_xlabel("x")      # x 軸ラベル
ax.set_ylabel("y")      # y 軸ラベル
ax.legend()             # 凡例

9. 3 次元描画

fig = plt.figure()
ax = fig.add_subplot(111, projection="3d")  # 3 次元の Axes を作成
ax.scatter(x, y, z)                          # 3 次元散布図

10. Seaborn

import seaborn as sns

sns.lineplot(data=df, x="x", y="y")        # 高水準の折れ線グラフ
sns.scatterplot(data=df, x="x", y="y")     # 高水準の散布図
sns.histplot(data=df, x="x")               # ヒストグラム
sns.barplot(data=df, x="cat", y="value")   # 棒グラフ

• Matplotlib を土台にしつつ、見た目と統計グラフの扱いやすさを高めたライブラリ。

11. Pandas の plot メソッド

df.plot()                              # 既定では折れ線グラフ
df.plot(kind="line")                  # 折れ線グラフ
df.plot(kind="scatter", x="a", y="b")  # 散布図
df.plot(kind="bar")                   # 棒グラフ
df.plot(subplots=True)                 # 列ごとに分けて描画

12. Matplotlib 要点ツリー

Matplotlib
├─ 環境設定
│  ├─ Notebook: %matplotlib inline
│  ├─ 表示: plt.show()
│  └─ 保存: plt.savefig()
├─ スタイル
│  ├─ 全体: plt.style.use
│  └─ 一時切替: plt.style.context
├─ グラフ
│  ├─ 折れ線: plt.plot
│  ├─ 散布図: plt.scatter
│  ├─ 棒グラフ: plt.bar
│  ├─ ヒストグラム: plt.hist
│  └─ 誤差表示: plt.errorbar
├─ サブプロット
│  ├─ pyplot: plt.subplot
│  └─ OOP: plt.subplots()
├─ 見た目の調整
│  ├─ タイトルと軸: plt.title / plt.xlabel / plt.ylabel
│  ├─ 線: color / linestyle / linewidth
│  ├─ マーカー: marker / markersize / markerfacecolor
│  ├─ 凡例: label / plt.legend / ax.legend
│  └─ 注釈: plt.text / plt.annotate
├─ オブジェクト指向
│  ├─ plt.subplots()
│  └─ ax.plot / ax.set_title / ax.set_xlabel / ax.set_ylabel / ax.legend
├─ 3 次元
│  └─ fig.add_subplot(..., projection="3d") / ax.scatter
└─ 関連ツール
   ├─ Seaborn: sns.lineplot / sns.scatterplot / sns.histplot / sns.barplot
   └─ Pandas の plot メソッド: df.plot() / df.plot(kind="line") / df.plot(kind="scatter") / df.plot(kind="bar") / df.plot(subplots=True)

第4部：3ライブラリの関係

1. 役割分担

基礎計算：NumPy
表データ処理：Pandas
可視化：Matplotlib
手早い可視化と見た目の調整：Seaborn / Pandas の plot メソッド

2. データ分析フローでの位置

データ準備
├─ NumPy：配列、行列、乱数、数値計算
└─ Pandas：読み込み、確認、整形、欠損値処理、結合

データ分析
├─ NumPy：ベクトル化、ブロードキャスト、統計関数
└─ Pandas：グループ化、ピボット、記述統計、apply、query

データ可視化
├─ Matplotlib：基本グラフ、サブプロット、スタイル、注釈
├─ Pandas の plot メソッド：手早い可視化
└─ Seaborn：統計グラフと見た目の調整

3. コアオブジェクトの比較

ライブラリ	コアオブジェクト	主な用途
NumPy	ndarray	多次元配列、数値計算、行列演算
Pandas	Series / DataFrame	表データ、ラベル参照、集計と整形
Matplotlib	Figure / Axes	描画、グラフ管理、可視化出力

4. 連携の基本例

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 100)            # NumPy で数値列を作成
y = np.sin(x)                          # NumPy で計算
df = pd.DataFrame({"x": x, "y": y})   # Pandas で表にまとめる
plt.plot(df["x"], df["y"])            # Matplotlib で描画
plt.show()                           # 表示

第5部：項目一覧

NumPy

• C 実装 / 連続メモリ / 同一 dtype / ベクトル化
• リストから作る: np.array
• 固定値の配列: np.zeros / np.ones / np.full / np.eye
• 連番・等間隔の配列: np.arange / np.linspace / np.logspace
• 乱数配列: np.random.seed / np.random.random / np.random.randint / np.random.permutation / np.random.shuffle / np.random.choice
• 属性: arr.shape / arr.ndim / arr.size / arr.dtype
• インデックス: x[0] / x[-1] / x[0, 0]
• スライス: x[1:5:2] / x[:2, :3] / x[1] / x[:, 2]
• コピー: copy()
• 形状変更: reshape / ravel / flatten
• 結合: np.hstack / np.vstack / np.c_ / np.r_
• 分割: np.split / np.hsplit / np.vsplit / np.array_split
• ベクトル化演算: + / - / * / / / // / % / np.exp / np.log
• 行列演算: T / dot / @
• ブロードキャスト
• 比較演算とマスク: > / < / == / x[mask] / np.where
• ファンシーインデックス: x[[...]] / x[row, col] / np.take
• ソート: np.sort / np.argsort
• 最大値・最小値: np.max / np.min / np.argmax / np.argmin
• 合計・積: np.sum / np.prod / axis
• 基本統計量: np.mean / np.var / np.std / np.median

Pandas

• 表形式データ / ラベル参照 / 集計 / 整形
• Series の作成: pd.Series
• DataFrame の作成: pd.DataFrame
• 属性: df.values / df.index / df.columns / df.shape / df.size / df.dtypes
• 列の取得: df["name"] / df[["name", "score"]] / df.name
• 行の取得: df.loc["a"] / df.iloc[0] / df.loc["a":"c", ["name"]]
• 行スライス: df["a":"c"] / df.iloc[0:3]
• 列スライス: df.loc[:, "col1":"col3"] / df.iloc[:, 0:3]
• 比較演算とブールインデックス: df["score"] > 80 / df[cond] / query()
• 代入: df[col] = ... / df.loc[...] = ... / df.iloc[...] = ...
• index と columns の変更: df.index = ... / df.columns = ... / rename() / reset_index() / set_index()
• データ確認: head() / tail() / info()
• カテゴリ集計: unique() / nunique() / value_counts()
• 並べ替え: sort_values()
• 基本統計量: count() / sum() / max() / min() / mean() / var() / std() / median() / mode() / quantile() / describe()
• 関係性: corr() / cov()
• ベクトル化演算: + / - / * / /
• NumPy 関数との併用: np.log / np.exp
• 行列的な計算: df[["a", "b"]] * 2 / dot()
• ブロードキャストと自動整列: df + 1 / add() / sub() / align()
• apply によるカスタム処理: apply() / applymap()
• 欠損値の削除: dropna()
• 欠損値の補完: fillna() / ffill() / bfill()
• データ結合: concat() / merge() / align()
• グループ化: groupby() / agg() / apply()
• ピボットテーブル: pivot_table()
• 文字列のベクトル化処理: str.lower() / str.contains() / str.extract()
• 時系列処理: to_datetime() / set_index() / resample() / rolling()
• MultiIndex: set_index() / reset_index() / swaplevel() / sort_index()
• eval() と query()

Matplotlib

• Jupyter / IPython: %matplotlib inline
• PyCharm / スクリプト: plt.show()
• plt.show() を使う場面
• スタイル設定: plt.style.use / plt.style.context
• 画像保存: plt.savefig()
• 折れ線グラフ: plt.plot
• 散布図: plt.scatter
• 棒グラフ: plt.bar
• ヒストグラム: plt.hist
• 誤差付きグラフ: plt.errorbar
• サブプロット: plt.subplot / plt.subplots
• タイトルと軸ラベル: plt.title / plt.xlabel / plt.ylabel
• 線とマーカー: color / linestyle / linewidth / marker / markersize / markerfacecolor
• 凡例: label / plt.legend / ax.legend
• テキストと注釈: plt.text / plt.annotate
• オブジェクト指向の描画: plt.subplots() / ax.plot / ax.set_title / ax.set_xlabel / ax.set_ylabel / ax.legend
• 3 次元描画: fig.add_subplot(..., projection="3d") / ax.scatter
• Seaborn: sns.lineplot / sns.scatterplot / sns.histplot / sns.barplot
• Pandas の plot メソッド: df.plot() / df.plot(kind="line") / df.plot(kind="scatter") / df.plot(kind="bar") / df.plot(subplots=True)

第6部：要点ツリー

Python データ分析 3 ライブラリ
├─ NumPy
│  ├─ 作成: np.array / np.zeros / np.ones / np.full / np.eye / np.arange / np.linspace / np.logspace
│  ├─ 乱数: np.random.seed / np.random.random / np.random.randint / np.random.permutation / np.random.shuffle / np.random.choice
│  ├─ 属性: arr.shape / arr.ndim / arr.size / arr.dtype
│  ├─ インデックス: x[0] / x[-1] / x[0, 0]
│  ├─ スライスとコピー: x[1:5:2] / x[:2, :3] / copy()
│  ├─ 形状変更: reshape / ravel / flatten
│  ├─ 結合と分割: np.hstack / np.vstack / np.c_ / np.r_ / np.split / np.hsplit / np.vsplit / np.array_split
│  ├─ ベクトル化演算: + - * / / // % / np.exp / np.log
│  ├─ 行列演算: T / dot / @
│  ├─ ブロードキャスト: スカラー拡張 / 次元 1 の拡張
│  ├─ 比較とマスク: > / < / == / x[mask] / np.where
│  ├─ ファンシーインデックス: x[[...]] / x[row, col] / np.take
│  ├─ ソートと極値: np.sort / np.argsort / np.max / np.min / np.argmax / np.argmin
│  └─ 集約と統計: np.sum / np.prod / np.mean / np.var / np.std / np.median
├─ Pandas
│  ├─ 作成: pd.Series / pd.DataFrame
│  ├─ 属性: df.values / df.index / df.columns / df.shape / df.size / df.dtypes
│  ├─ 参照とスライス: df["col"] / df[[...]] / df.loc[...] / df.iloc[...] / df["a":"c"] / df.loc[:, ...]
│  ├─ 条件抽出と代入: df[cond] / query() / df[col] = ... / df.loc[...] = ... / df.iloc[...] = ...
│  ├─ index / columns の変更: df.index = ... / df.columns = ... / rename() / reset_index() / set_index()
│  ├─ 確認と集計: head() / tail() / info() / unique() / nunique() / value_counts() / sort_values()
│  ├─ 基本統計: count() / sum() / max() / min() / mean() / var() / std() / median() / mode() / quantile() / describe()
│  ├─ 関係性: corr() / cov()
│  ├─ 数値演算と整列: + - * / / np.log / np.exp / dot() / add() / sub() / align()
│  ├─ 欠損値と結合: dropna() / fillna() / ffill() / bfill() / concat() / merge()
│  ├─ 集約と変換: groupby() / agg() / apply() / pivot_table() / applymap()
│  └─ 応用: str.lower() / str.contains() / str.extract() / to_datetime() / resample() / rolling() / swaplevel() / sort_index() / eval() / query()
└─ Matplotlib
   ├─ 環境と保存: %matplotlib inline / plt.show() / plt.savefig()
   ├─ スタイル: plt.style.use / plt.style.context
   ├─ 基本グラフ: plt.plot / plt.scatter / plt.bar / plt.hist / plt.errorbar
   ├─ サブプロット: plt.subplot / plt.subplots
   ├─ 見た目の調整: plt.title / plt.xlabel / plt.ylabel / color / linestyle / linewidth / marker / markersize / markerfacecolor / label / plt.legend / plt.text / plt.annotate
   ├─ オブジェクト指向: plt.subplots() / ax.plot / ax.set_title / ax.set_xlabel / ax.set_ylabel / ax.legend
   ├─ 3 次元描画: fig.add_subplot(..., projection="3d") / ax.scatter
   └─ 関連: sns.lineplot / sns.scatterplot / sns.histplot / sns.barplot / df.plot() / df.plot(kind="line") / df.plot(kind="scatter") / df.plot(kind="bar") / df.plot(subplots=True)