Help us understand the problem. What is going on with this article?

データ分析で頻出のPandas基本操作

はじめに

機械学習や深層学習が人気の昨今ですが、それらのモデルの精度に最もクリティカルに影響するのはインプットするデータの質です。データの質は、データを適切に把握し、不要なデータを取り除いたり、必要なデータを精査する前処理を行うことで高めることができます。

本頁では、データ処理の基本ツールとしてPandasの使い方を紹介します。Pandasには便利な機能がたくさんありますが、特に分析業務で頻出のPandas関数・メソッドを重点的に取り上げました。

Pandasに便利なメソッドがたくさんあることは知っている、でもワイが知りたいのは分析に最低限必要なやつだけなんや…!、という人のためのPandasマニュアルです。

また、単に機能を説明するだけでは実際の処理動作がわかりにくいため、ここではSIGNATE(旧DeepAnalytics)のお弁当の需要予想を行うコンペのデータを拝借し、このデータに対して一貫してPandasの処理を適応していくことで、一連のPandas操作(前処理のプロセス)を体験できるようにしています。

※ 以下ではPandas関数の処理に注力して説明しているため、特に意味のない(必要性のない)集計やダミー化などを行っている箇所もあります。"前処理の模範解答"を行っているわけではないのでご留意ください。

※ 同内容はGitHubにてJupyter Notebook形式でも公開しています。実際に手を動かしながらやりたい方はこちらからcloneしていただいた方が便利です。

pandas.jpg

Pandasについて

  • 公式ドキュメント:http://pandas.pydata.org/pandas-docs/stable/
  • pandasは、Pythonにおいて、データ解析を支援する機能を提供するライブラリである。特に、数表および時系列データを操作するためのデータ構造と演算を提供する。
  • pandasの特長
    • データ操作のための高速で効率的なデータフレーム (DataFrame) オブジェクト
    • メモリ内のデータ構造とその他のフォーマットのデータ間で相互に読み書きするためのツール群。フォーマット例: CSV、テキストファイル、Excel、SQLデータベース、HDF5フォーマットなど
    • かしこいデータのアライメントおよび統合された欠損値処理
    • データセットの柔軟な変形およびピボット
    • ラベルに基づいたスライス、fancyインデクシング、巨大なデータセットのサブセット取得
    • データセットに対するsplit-apply-combine操作を可能にするエンジンが提供するpowerful groupを使ったデータの集計および変換
    • 高性能なデータセットのマージと結合
    • 時系列データ: 日付範囲生成、周波数変換、移動窓を用いた統計値や線形回帰、シフトと遅延、など
    • パフォーマンスのための高度な最適化。重要なコードはCythonまたはC言語で実装されている。

本頁で紹介するPandasメソッド一覧

① Pythonのバージョン確認、モジュールのimport、データの読み込み

  • pd.read_csv()
  • df.head()
  • df.tail()

② 簡単にデータの状態を確認する(行数列数カウント・データの選択的表示・重複の有無など)

  • df.shape
  • df.index
  • df.columns
  • df.dtypes
  • df.loc[]
  • df.iloc[]
  • df.query()
  • df.unique()
  • df.drop_duplicates()
  • df.describe()

③ データの整形(データ型変更、列名変更、並び替えなど)

  • df.set_index()
  • df.rename()
  • df.sort_values()
  • df.to_datetime()
  • df.sort_index()
  • df.resample()
  • df.apply()
  • pd.cut()

④ データの欠損状態の確認

  • df.isnull()
  • df.any()

⑤ 値(欠損)の置き換えや削除

  • df.fillna()
  • df.dropna()
  • df.replace()
  • df.mask()
  • df.drop()

⑥ 集計

  • df.value_counts()
  • df.groupby()
  • df.diff()
  • df.rolling()
  • df.pct_change()

⑦ 可視化

  • df.plot()
  • df.corr()
  • df.pivot()

⑧ 変数の前処理

  • pd.get_dummies()

⑨ 最後に、出来たデータをもう一度眺める

  • df.to_csv()

① Pythonのバージョン確認、モジュールのimport、データの読み込み

まずはpandasと今回使うデータのimportを行い表示してみます。
データの内容はこちらにあります。

# pythonのバージョン確認
!python -V
Python 3.5.2 :: Anaconda custom (x86_64)
# 一般的にpandasはpdと名前を付けてimportされる
import pandas as pd
# read_csvメソッドでお弁当需要予想に関するデータをcsvファイルとして読み込む
df = pd.read_csv('./data/lunch_box.csv', sep=',')
# データの確認をする(最初の3行を表示)
df.head(3)
datetime y week soldout name kcal remarks event payday weather precipitation temperature
0 2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8
1 2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0
2 2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5

各列の説明

データ詳細ページ: https://signate.jp/competitions/24/data

No. 列名 内容 説明
1 datetime 日付 インデックスとして使用
2 y 販売数 目的変数
3 week 曜日 月~金
4 soldout 完売フラグ 0:完売せず、1:完売
5 name メインメニュー マルチバイト文字列(日本語)
6 kcal カロリー(kcal) 整数。存在しないレコードあり
7 remarks 特記事項 自由記述
8 event 13時開始お弁当持ち込み可イベント 社内イベントの有無。存在しないレコードあり
9 payday 給料日フラグ 1:給料日
10 weather 天気 マルチバイト文字列(日本語)
11 precipitation 降水量 実数。降水量 0 は "--" と表記
12 temperature 気温 実数

pandas_dataframe.png

# 先頭の5行を表示
df.head()
datetime y week soldout name kcal remarks event payday weather precipitation temperature
0 2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8
1 2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0
2 2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5
3 2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2
4 2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1
# 最後尾の5行を表示
df.tail()
datetime y week soldout name kcal remarks event payday weather precipitation temperature
202 2014-9-24 59 1 白身魚のマスタード焼き 408.0 NaN NaN NaN 0 24.8
203 2014-9-25 50 0 牛カルビ焼き肉 394.0 NaN NaN NaN 0 25.4
204 2014-9-26 45 0 ランチビュッフェ NaN スペシャルメニュー(800円) キャリアアップ支援セミナー NaN 晴れ -- 27.1
205 2014-9-29 56 1 豚肉と玉子の炒め 404.0 NaN NaN NaN 快晴 -- 26.6
206 2014-9-30 40 0 鶏肉とカシューナッツ炒め 398.0 NaN NaN NaN 快晴 -- 28.1

② 簡単にデータの状態を確認する(行数列数カウント・データの選択的表示・重複の有無など)

読み込んだデータがどんなものなのか、簡単に概要を掴むための操作を行います。

print('dataframeの行数・列数の確認==>\n', df.shape)
print('indexの確認==>\n', df.index)
print('columnの確認==>\n', df.columns)
print('dataframeの各列のデータ型を確認==>\n', df.dtypes)
dataframeの行数・列数の確認==>
 (207, 12)
indexの確認==>
 RangeIndex(start=0, stop=207, step=1)
columnの確認==>
 Index(['datetime', 'y', 'week', 'soldout', 'name', 'kcal', 'remarks', 'event',
       'payday', 'weather', 'precipitation', 'temperature'],
      dtype='object')
dataframeの各列のデータ型を確認==>
 datetime          object
y                  int64
week              object
soldout            int64
name              object
kcal             float64
remarks           object
event             object
payday           float64
weather           object
precipitation     object
temperature      float64
dtype: object
# 任意の列だけ取り出したい場合
df[['name', 'kcal']].head()
name kcal
datetime
2014-01-09 鶏チリソース 435.0
2014-01-10 手作りロースカツ 440.0
2014-01-14 鶏の照り焼きマスタード 376.0
2014-01-15 さんま辛味焼 450.0
2014-01-16 カレイ唐揚げ野菜あんかけ 415.0
# 100行目から105行目まで表示したい場合
df[100:106]
datetime y week soldout name kcal remarks event payday weather precipitation temperature
100 2014-4-22 78 1 マーボ豆腐 382.0 NaN NaN NaN -- 18.8
101 2014-4-23 63 0 手作りひれかつ 340.0 NaN NaN NaN 快晴 -- 19.4
102 2014-4-24 56 1 鶏の照り焼きマヨ 360.0 NaN NaN NaN 晴れ -- 19.9
103 2014-4-25 80 0 中華丼 NaN お楽しみメニュー NaN NaN 晴れ -- 20.8
104 2014-4-28 54 0 タンドリーチキン 342.0 NaN NaN NaN 晴れ -- 22.7
105 2014-4-30 97 1 豚味噌メンチカツ 368.0 NaN NaN NaN 0.5 17.5
# indexが100の行だけ取得したい場合
df.loc[100]
datetime         2014-4-22
y                       78
week                     火
soldout                  1
name                 マーボ豆腐
kcal                   382
remarks                NaN
event                  NaN
payday                 NaN
weather                  曇
precipitation           --
temperature           18.8
Name: 100, dtype: object
# もっとピンポイントに抽出したい場合
# 例: 1,2,4 行目と 0-2 列目を取得
df.iloc[[1,2,4],[0,2]]
datetime week
1 2013-11-19
2 2013-11-20
4 2013-11-22
# 条件を指定して抽出
df[df['kcal'] > 450]
datetime y week soldout name kcal remarks event payday weather precipitation temperature
29 2014-1-8 128 0 豚肉の生姜焼 462.0 NaN NaN NaN -- 9.8
45 2014-1-31 92 1 メダイ照り焼 460.0 NaN NaN NaN 快晴 -- 14.1
193 2014-9-9 63 0 ハンバーグデミソース 460.0 NaN NaN NaN 晴れ -- 26.8
# queryメソッドを使うと、複数条件の指定で、特定カラムだけ出力もできる
df[['name', 'kcal']].query('kcal > 450 and name == "豚肉の生姜焼"') #query内のシングル/ダブルクオーテーションの使い方に注意
name kcal
29 豚肉の生姜焼 462.0
# 'remarks(備考)'には例えばどんなデータが入っているか確認
df['remarks'].unique()
array([nan, '鶏のレモンペッパー焼(50食)、カレー(42食)', '酢豚(28食)、カレー(85食)', 'お楽しみメニュー',
       '料理長のこだわりメニュー', '手作りの味', 'スペシャルメニュー(800円)'], dtype=object)
# datatime単位で重複したデータが存在しないか確認
print(len(df) == len(df['datetime'].unique()))
True
#行方向で重複行を削除
df.drop_duplicates() 
print(df.shape) # 重複が存在しないので数は変わらないはず
(207, 12)
# 要約統計量の表示
df.describe()
y soldout kcal payday temperature
count 207.000000 207.000000 166.000000 10.0 207.000000
mean 86.623188 0.449275 404.409639 1.0 19.252174
std 32.882448 0.498626 29.884641 0.0 8.611365
min 29.000000 0.000000 315.000000 1.0 1.200000
25% 57.000000 0.000000 386.000000 1.0 11.550000
50% 78.000000 0.000000 408.500000 1.0 19.800000
75% 113.000000 1.000000 426.000000 1.0 26.100000
max 171.000000 1.000000 462.000000 1.0 34.600000

③ データの整形(データ型変更、列名変更、並び替えなど)

なんとなくのデータの雰囲気はわかったので、次は自分が操作しやすいように列名を変更したり、処理しやすいようにデータ型を変更したりしてみます。

# datetime列をindexにする
df.set_index('datetime', inplace=True)
df.head()
y week soldout name kcal remarks event payday weather precipitation temperature
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1
df.index
Index(['2013-11-18', '2013-11-19', '2013-11-20', '2013-11-21', '2013-11-22',
       '2013-11-25', '2013-11-26', '2013-11-27', '2013-11-28', '2013-11-29',
       ...
       '2014-9-16', '2014-9-17', '2014-9-18', '2014-9-19', '2014-9-22',
       '2014-9-24', '2014-9-25', '2014-9-26', '2014-9-29', '2014-9-30'],
      dtype='object', name='datetime', length=207)
# カラム名を変更する(y を sales に変換)
df.rename(columns={'y': 'sales'}, inplace=True)
df.head()
sales week soldout name kcal remarks event payday weather precipitation temperature
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1
# 'sales'列を降順で並び替えもできる
df.sort_values(by="sales", ascending=True).head() # ascending=Trueで昇順
sales week soldout name kcal event payday weather precipitation temperature month day period temperature_diff temperature_rolling_mean temperature_pct_change
datetime
2014-09-22 29 0 筑前煮 395.0 NaN 0.0 晴れ 0.0 25.2 9 22 下旬 1.6 24.300000 0.067797
2014-08-01 38 0 豚肉の生姜焼き 380.0 NaN 0.0 薄曇 0.0 32.7 8 1 上旬 0.2 31.933333 0.006154
2014-08-29 39 0 チキンの辛味噌焼き 398.0 NaN 0.0 0.0 25.1 8 29 下旬 3.5 22.566667 0.162037
2014-08-12 40 1 厚切ハムカツ 400.0 NaN 0.0 0.0 29.4 8 12 中旬 -3.0 31.300000 -0.092593
2014-09-30 40 0 鶏肉とカシューナッツ炒め 398.0 NaN 0.0 快晴 0.0 28.1 9 30 下旬 1.5 26.700000 0.056391
2014-09-05 43 0 メンチカツ 380.0 NaN 0.0 晴れ 0.0 30.2 9 5 上旬 3.7 27.800000 0.139623
2014-08-11 45 0 サーモンフライ・タルタル 411.0 NaN 0.0 晴れ 0.0 32.4 8 11 中旬 0.3 33.033333 0.009346
2014-09-19 45 0 厚切イカフライ 400.0 NaN 0.0 薄曇 0.0 23.6 9 19 中旬 -0.5 24.233333 -0.020747
2014-09-18 46 0 カレイ唐揚げ 甘酢あん 395.0 NaN 0.0 0.0 24.1 9 18 中旬 -0.9 25.966667 -0.036000
2014-05-02 47 0 鶏の天ぷら 420.0 NaN 0.0 晴れ 0.0 23.3 5 2 上旬 -0.7 21.600000 -0.029167
# sort_valuesは複数の列に対しても実行できる
df.sort_values(['sales', 'temperature'], ascending=False).head() # ascending=Falseで昇順
sales week soldout name kcal event payday weather precipitation temperature month day period temperature_diff temperature_rolling_mean temperature_pct_change
datetime
2014-02-03 139 1 ハンバーグカレーソース 445.0 NaN 0.0 晴れ 0.0 15.9 2 3 上旬 1.8 15.100000 0.127660
2014-02-17 137 1 チンジャオロース 416.0 NaN 0.0 晴れ 0.0 11.6 2 17 中旬 10.4 6.400000 8.666667
2014-02-10 137 0 鶏の唐揚げおろしソース 423.0 NaN 1.0 0.0 7.8 2 10 上旬 2.3 5.833333 0.418182
2014-01-15 134 0 さんま辛味焼 450.0 NaN 0.0 0.0 2.9 1 15 中旬 -2.9 4.600000 -0.500000
2014-03-03 131 0 ハンバーグカレーソース 407.0 NaN 0.0 0.0 7.8 3 3 上旬 -9.9 11.333333 -0.559322
2014-03-17 129 0 鶏の唐揚げおろしソース 382.0 NaN 0.0 快晴 0.0 14.0 3 17 中旬 2.5 13.566667 0.217391
2014-01-09 129 1 鶏チリソース 435.0 NaN 0.0 0.0 10.9 1 9 上旬 1.1 9.333333 0.112245
2014-01-21 129 1 サバ焼味噌掛け 447.0 NaN 0.0 快晴 0.0 10.4 1 21 下旬 3.9 8.233333 0.600000
2014-02-24 129 1 ポークハヤシ 408.0 NaN 0.0 0.0 6.6 2 24 下旬 -1.9 6.833333 -0.223529
2014-01-14 129 1 鶏の照り焼きマスタード 376.0 NaN 0.0 晴れ 0.0 5.8 1 14 中旬 0.7 7.266667 0.137255
# indexのデータ型を確認してみる
df.index #  dtype='object'であることがわかる
Index(['2013-11-18', '2013-11-19', '2013-11-20', '2013-11-21', '2013-11-22',
       '2013-11-25', '2013-11-26', '2013-11-27', '2013-11-28', '2013-11-29',
       ...
       '2014-9-16', '2014-9-17', '2014-9-18', '2014-9-19', '2014-9-22',
       '2014-9-24', '2014-9-25', '2014-9-26', '2014-9-29', '2014-9-30'],
      dtype='object', name='datetime', length=207)
# indexであるdatetimeのdtype='object' を dtype='datetime64[ns]' に変更
df.index = pd.to_datetime(df.index, format='%Y-%m-%d')
df.index # dtype='datetime64[ns]'になった
DatetimeIndex(['2013-11-18', '2013-11-19', '2013-11-20', '2013-11-21',
               '2013-11-22', '2013-11-25', '2013-11-26', '2013-11-27',
               '2013-11-28', '2013-11-29',
               ...
               '2014-09-16', '2014-09-17', '2014-09-18', '2014-09-19',
               '2014-09-22', '2014-09-24', '2014-09-25', '2014-09-26',
               '2014-09-29', '2014-09-30'],
              dtype='datetime64[ns]', name='datetime', length=207, freq=None)

indexがdatetime型のときにできること

# indexに対してsortを行う
df.sort_index().head() # object型のままだと正しくsortされない
sales week soldout name kcal event payday weather precipitation temperature month day period temperature_diff temperature_rolling_mean temperature_pct_change
datetime
2014-01-09 129 1 鶏チリソース 435.0 NaN 0.0 0.0 10.9 1 9 上旬 1.1 9.333333 0.112245
2014-01-10 87 0 手作りロースカツ 440.0 NaN 1.0 快晴 0.0 5.1 1 10 上旬 -5.8 8.600000 -0.532110
2014-01-14 129 1 鶏の照り焼きマスタード 376.0 NaN 0.0 晴れ 0.0 5.8 1 14 中旬 0.7 7.266667 0.137255
2014-01-15 134 0 さんま辛味焼 450.0 NaN 0.0 0.0 2.9 1 15 中旬 -2.9 4.600000 -0.500000
2014-01-16 107 0 カレイ唐揚げ野菜あんかけ 415.0 NaN 0.0 快晴 0.0 7.0 1 16 中旬 4.1 5.233333 1.413793
# resampleメソッドで、日単位や月単位で簡単に集計できる
df.resample('M').mean() #月単位で平均値を出力
sales soldout kcal payday temperature
datetime
2013-11-30 124.600000 0.500000 NaN NaN 16.060000
2013-12-31 139.722222 0.444444 NaN 1.0 10.844444
2014-01-31 115.222222 0.611111 427.555556 1.0 8.716667
2014-02-28 107.842105 0.526316 420.947368 1.0 7.815789
2014-03-31 89.350000 0.450000 382.157895 1.0 12.505000
2014-04-30 85.761905 0.476190 360.000000 1.0 18.176190
2014-05-31 74.200000 0.550000 419.111111 1.0 22.505000
2014-06-30 67.285714 0.333333 423.315789 1.0 25.409524
2014-07-31 61.363636 0.454545 397.200000 1.0 29.350000
2014-08-31 61.166667 0.333333 403.187500 1.0 30.227778
2014-09-30 55.550000 0.300000 408.611111 1.0 25.935000
# 簡単にmonth列やday列を作れるようになる
df['month'] = list(pd.Series(df.index).apply(lambda x: x.month))
df['day'] = list(pd.Series(df.index).apply(lambda x: x.day))

df.head()
sales week soldout name kcal remarks event payday weather precipitation temperature month day
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8 11 18
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0 11 19
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5 11 20
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2 11 21
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1 11 22
# cutメソッドでヒストグラムのビン指定的な処理ができる
labels = ['上旬', '中旬', '下旬']
df['period'] = pd.cut(list(df['day']),  bins=[0,10,20,31], labels=labels, right=True) # 0<day≦10, 10<day≦20, 20<day≦31

df.head()
sales week soldout name kcal remarks event payday weather precipitation temperature month day period
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8 11 18 中旬
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0 11 19 中旬
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5 11 20 中旬
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2 11 21 下旬
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1 11 22 下旬

④ データの欠損状態の確認

データに欠損値NaN(not a number)があるともろもろ問題がでてきます。今のデータにどれくらい欠損があるかをまずはざっと確認します。

# 列単位で 欠損値NaN(not a number)が入っている個数をカウントする (正確には、isnull()でtrueが返ってくる個数をカウントしている)
df.isnull().sum()
sales              0
week               0
soldout            0
name               0
kcal              41
remarks          186
event            193
payday           197
weather            0
precipitation      0
temperature        0
month              0
day                0
period             0
dtype: int64
# 1つでもNaNが含まれる行だけを抽出(最初の5行のみ表示)
print(df[df.isnull().any(axis=1)].shape)
df[df.isnull().any(axis=1)].head()
(207, 14)
sales week soldout name kcal remarks event payday weather precipitation temperature month day period
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN NaN 快晴 -- 19.8 11 18 中旬
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN NaN 快晴 -- 17.0 11 19 中旬
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN NaN 快晴 -- 15.5 11 20 中旬
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN NaN 快晴 -- 15.2 11 21 下旬
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN NaN 快晴 -- 16.1 11 22 下旬

⑤ 値(欠損)の置き換えや削除

確認できた欠損値をなくすために欠損の削除や別の値への置き換えを行います。

# 'payday'列にあるNaNを'0.0'に置き換える
df.fillna(value={'payday': 0.0}, inplace=True)
df.head()
sales week soldout name kcal remarks event payday weather precipitation temperature month day period
datetime
2013-11-18 90 0 厚切りイカフライ NaN NaN NaN 0.0 快晴 -- 19.8 11 18 中旬
2013-11-19 101 1 手作りヒレカツ NaN NaN NaN 0.0 快晴 -- 17.0 11 19 中旬
2013-11-20 118 0 白身魚唐揚げ野菜あん NaN NaN NaN 0.0 快晴 -- 15.5 11 20 中旬
2013-11-21 120 1 若鶏ピリ辛焼 NaN NaN NaN 0.0 快晴 -- 15.2 11 21 下旬
2013-11-22 130 1 ビッグメンチカツ NaN NaN NaN 0.0 快晴 -- 16.1 11 22 下旬
df.isnull().sum() # 'payday'が0になった
sales              0
week               0
soldout            0
name               0
kcal              41
remarks          186
event            193
payday             0
weather            0
precipitation      0
temperature        0
month              0
day                0
period             0
dtype: int64
# 'kcal'列にNaNがある行を削除する
df.dropna(subset=['kcal'], axis=0, inplace=True)
print(df.shape) # 207-166=41行のデータを削除した
(166, 14)
df.isnull().sum() # kcal'がNaNがなくなって0になっていることがわかる
sales              0
week               0
soldout            0
name               0
kcal               0
remarks          158
event            155
payday             0
weather            0
precipitation      0
temperature        0
month              0
day                0
period             0
dtype: int64
# 'precipitation' 列の '--' を 0に置き換える
df['precipitation'] = df['precipitation'].str.replace('--', 0).astype(float)
df.head()
sales week soldout name kcal remarks event payday weather precipitation temperature month day period
datetime
2014-01-07 131 0 カレー入りソーセージカツ 404.0 NaN NaN 0.0 快晴 0.0 7.3 1 7 上旬
2014-01-08 128 0 豚肉の生姜焼 462.0 NaN NaN 0.0 0.0 9.8 1 8 上旬
2014-01-09 129 1 鶏チリソース 435.0 NaN NaN 0.0 0.0 10.9 1 9 上旬
2014-01-10 87 0 手作りロースカツ 440.0 NaN NaN 1.0 快晴 0.0 5.1 1 10 上旬
2014-01-14 129 1 鶏の照り焼きマスタード 376.0 NaN NaN 0.0 晴れ 0.0 5.8 1 14 中旬
# maskメソッドを使う例。'sales'列が80よりも大きければ、その値を100に置換する
pd.DataFrame(df['sales'].mask(df['sales'] > 80, 100)).head()
sales
datetime
2014-01-07 100
2014-01-08 100
2014-01-09 100
2014-01-10 100
2014-01-14 100
# 'remarks(備考)'はデータとして不要な気がするので、データから列ごと削除
df.drop(['remarks'], axis=1, inplace=True)
df.head()
sales week soldout name kcal event payday weather precipitation temperature month day period
datetime
2014-01-07 131 0 カレー入りソーセージカツ 404.0 NaN 0.0 快晴 0.0 7.3 1 7 上旬
2014-01-08 128 0 豚肉の生姜焼 462.0 NaN 0.0 0.0 9.8 1 8 上旬
2014-01-09 129 1 鶏チリソース 435.0 NaN 0.0 0.0 10.9 1 9 上旬
2014-01-10 87 0 手作りロースカツ 440.0 NaN 1.0 快晴 0.0 5.1 1 10 上旬
2014-01-14 129 1 鶏の照り焼きマスタード 376.0 NaN 0.0 晴れ 0.0 5.8 1 14 中旬

⑥ 集計

ここまででデータはある程度きれいになった気がするので簡単に集計をしてみます。

# weather列の集計
df['weather'].value_counts()
曇     44
晴れ    41
快晴    34
薄曇    23
雨     22
雷電     1
雪      1
Name: weather, dtype: int64
# groupbyメソッドで、'week'列ごとに'soldout'の数をカウントする
df.groupby(['week'])['soldout'].count()
week
月    34
木    37
水    37
火    35
金    23
Name: soldout, dtype: int64
# groupbyメソッドは複数列に対しても行える
# groupbyメソッドで、'month', 'period'列ごとに'sales'の数を合計する
df.groupby(['month', 'period'])['sales'].sum()
month  period
1      上旬         475
       中旬         581
       下旬        1018
2      上旬         725
       中旬         715
       下旬         609
3      上旬         614
       中旬         698
       下旬         369
4      上旬         792
       中旬         344
       下旬         457
5      上旬         316
       中旬         406
       下旬         517
6      上旬         467
       中旬         440
       下旬         311
7      上旬         460
       中旬         277
       下旬         406
8      上旬         288
       中旬         250
       下旬         334
9      上旬         468
       中旬         249
       下旬         234
Name: sales, dtype: int64
# wetherごとにtemperatureの平均値を出す
df.groupby(['weather'])['temperature'].mean()
weather
快晴    15.294118
晴れ    22.558537
曇     19.377273
薄曇    23.926087
雨     18.813636
雪      1.200000
雷電    19.000000
Name: temperature, dtype: float64
# 前行との差分が欲しい時は .diff() を使う
df['temperature_diff'] = df['temperature'].diff(periods=1)
df[['temperature','temperature_diff']].head()
temperature temperature_diff
datetime
2014-01-07 7.3 NaN
2014-01-08 9.8 2.5
2014-01-09 10.9 1.1
2014-01-10 5.1 -5.8
2014-01-14 5.8 0.7
# 'temperature'列について、頭からwindowサイズ3で移動平均を計算する
df['temperature_rolling_mean'] = df['temperature'].rolling(window=3).mean()
df[['temperature', 'temperature_diff', 'temperature_rolling_mean']].head()
temperature temperature_diff temperature_rolling_mean
datetime
2014-01-07 7.3 NaN NaN
2014-01-08 9.8 2.5 NaN
2014-01-09 10.9 1.1 9.333333
2014-01-10 5.1 -5.8 8.600000
2014-01-14 5.8 0.7 7.266667
df['temperature_pct_change'] = df['temperature'].pct_change()
df[['temperature', 'temperature_diff', 'temperature_rolling_mean', 'temperature_pct_change']].head()
temperature temperature_diff temperature_rolling_mean temperature_pct_change
datetime
2014-01-07 7.3 NaN NaN NaN
2014-01-08 9.8 2.5 NaN 0.342466
2014-01-09 10.9 1.1 9.333333 0.112245
2014-01-10 5.1 -5.8 8.600000 -0.532110
2014-01-14 5.8 0.7 7.266667 0.137255
# 'temperature'列に一つでもNaNがある行を削除
df.dropna(subset=['temperature_diff', 'temperature_rolling_mean', 'temperature_pct_change'], axis=0, inplace=True)
# 改めて、各列にNaNが入っていないか確認
df.isnull().sum() 
sales                         0
week                          0
soldout                       0
name                          0
kcal                          0
event                       153
payday                        0
weather                       0
precipitation                 0
temperature                   0
month                         0
day                           0
period                        0
temperature_diff              0
temperature_rolling_mean      0
temperature_pct_change        0
dtype: int64
df.head()
sales week soldout name kcal event payday weather precipitation temperature month day period temperature_diff temperature_rolling_mean temperature_pct_change
datetime
2014-01-09 129 1 鶏チリソース 435.0 NaN 0.0 0.0 10.9 1 9 上旬 1.1 9.333333 0.112245
2014-01-10 87 0 手作りロースカツ 440.0 NaN 1.0 快晴 0.0 5.1 1 10 上旬 -5.8 8.600000 -0.532110
2014-01-14 129 1 鶏の照り焼きマスタード 376.0 NaN 0.0 晴れ 0.0 5.8 1 14 中旬 0.7 7.266667 0.137255
2014-01-15 134 0 さんま辛味焼 450.0 NaN 0.0 0.0 2.9 1 15 中旬 -2.9 4.600000 -0.500000
2014-01-16 107 0 カレイ唐揚げ野菜あんかけ 415.0 NaN 0.0 快晴 0.0 7.0 1 16 中旬 4.1 5.233333 1.413793

⑦ 可視化

Pythonでデータから図を描写(可視化)する際はmatplotlibがよく使われますが、matplotlibは図を描写するために細かいパラメータが複数必要となり、初学者にとっては本質的ではないところ時間を取られすぎることがよくあります。

そこで、ここではpandasがメソッドとして用意しているplot機能を使います。
Pandasのplot機能は、作成したデータフレームを対象にして少ない引数で簡単に図を描写できるため、「とにかく図を確認したいだけ」という場合はお手軽で便利です。

(とは言いつつ、matplotlibの方が細かい調整がきくため時間がある時に勉強して操作法は知っておいた方が良いです。)

#jupyternotebook内でmatplotlibで図を描写するときの必須のおまじない
%matplotlib inline 
import matplotlib.pyplot as plt

# おまじない: 以下を実行するとプロットスタイルが変更されていい感じになる
plt.style.use('ggplot') 

※注意点
以下の作図では、グラフタイトルや凡例などで図中に日本語を表示する必要があります。
しかし、デフォルト環境では日本語を表示するためのフォントが存在しないため文字化けします(豆腐みたいな記号が表示されます)
日本語フォントを指定する方法はいくつかありますが、ここではこちらの方法にて表示しています。
ただ、日本語表示のための設定はやや面倒なので、「軸名はどうでもよくて図さえ作成できればいい」という人は適宜日本語箇所を適当なアルファベットに書き換えてください。

# 日本語フォントの設定
from matplotlib.font_manager import FontProperties
font_path = '/Users/ysdyt/Downloads/TakaoPGothic.ttf'  #DLしたフォントのパスを指定
font_prop = FontProperties(fname=font_path)
#超単純な折れ線グラフ
df['sales'].plot()

plot1.png

売上個数は右肩下がり

# 少しだけ情報量の多い折れ線グラフ
df.plot(y=['temperature', 'temperature_rolling_mean', 'temperature_pct_change'],  figsize=(16,4), alpha=0.5) # x軸がindexである場合は明記しなくても可
plt.title('気温変化に関する図', fontproperties=font_prop) # fontpropertiesは日本語表示に必要

plot2.png

# ヒストグラム
df.plot(kind='hist', y='sales' , bins=10, figsize=(16,4), alpha=0.5)

plot3.png

頻度的には、
- 日別で60個くらい売れている日が多いらしい
- 最大で140個くらい売れている日もあることがわかる など

# 散布図
df.plot(kind='scatter', x='kcal', y='sales')

plot4.png

  • 「売上個数」と「カロリー」には相関がなさそう など
# ちなみに相関係数はcorrメソッドで簡単に表示できる
df[['kcal', 'sales']].corr()
kcal sales
kcal 1.000000 0.129521
sales 0.129521 1.000000
# ちょっとだけ複雑な集計 例: 月別・期間別の売上個数の状況を可視化したい場合
monthly_df = pd.DataFrame(df.groupby(['month', 'period'])['sales'].sum())
pivot_monthly_df = monthly_df.reset_index().pivot(index='month', columns='period', values='sales')
pivot_monthly_df
period 上旬 中旬 下旬
month
1 216 581 1018
2 725 715 609
3 614 698 369
4 792 344 457
5 316 406 517
6 467 440 311
7 460 277 406
8 288 250 334
9 468 249 234
# 棒グラフ
pivot_monthly_df.plot(kind='bar', alpha=0.6, figsize=(12,3)).legend(prop=font_prop) # legend(prop=font_prop)は日本語表示に必要
plt.title('月別・期間別の売上個数', fontproperties=font_prop) # fontpropertiesは日本語表示に必要

plot5.png

  • 1月は下旬(20日から31日まで)に売上個数が増える傾向
  • 4月だと上旬(1日から10日まで)が売上多い
  • 月が進むほど、期間に関係なく売上個数が少なくなっていく傾向 など

⑧ 変数の前処理

dummy化について

get_dummies.PNG

# 現在のcolumnを確認
print(df.columns)
print(len(df.columns))
Index(['sales', 'week', 'soldout', 'name', 'kcal', 'event', 'payday',
       'weather', 'precipitation', 'temperature', 'month', 'day', 'period',
       'temperature_diff', 'temperature_rolling_mean',
       'temperature_pct_change'],
      dtype='object')
16
# テキストデータが入っている列全てをdummy化する
dummy_df = pd.get_dummies(df, columns=['week', 'name', 'event', 'weather', 'period'])
dummy_df.head()
sales soldout kcal payday precipitation temperature month day temperature_diff temperature_rolling_mean ... weather_快晴 weather_晴れ weather_曇 weather_薄曇 weather_雨 weather_雪 weather_雷電 period_上旬 period_中旬 period_下旬
datetime
2014-01-09 129 1 435.0 0.0 0.0 10.9 1 9 1.1 9.333333 ... 0 0 1 0 0 0 0 1 0 0
2014-01-10 87 0 440.0 1.0 0.0 5.1 1 10 -5.8 8.600000 ... 1 0 0 0 0 0 0 1 0 0
2014-01-14 129 1 376.0 0.0 0.0 5.8 1 14 0.7 7.266667 ... 0 1 0 0 0 0 0 0 1 0
2014-01-15 134 0 450.0 0.0 0.0 2.9 1 15 -2.9 4.600000 ... 0 0 1 0 0 0 0 0 1 0
2014-01-16 107 0 415.0 0.0 0.0 7.0 1 16 4.1 5.233333 ... 1 0 0 0 0 0 0 0 1 0

5 rows × 157 columns

# jupyter notebookにおいて、pandasで表示が省略されるのを防ぐ
pd.set_option('display.max_columns', 160) # 160番目の列まで全て強制表示
print(dummy_df.shape)
dummy_df.head()
(164, 157)
sales soldout kcal payday precipitation temperature month day temperature_diff temperature_rolling_mean temperature_pct_change week_月 week_木 week_水 week_火 week_金 name_いか天ぷら name_かじきの甘辛煮 name_きのこソースハンバーグ name_さわら焼味噌掛け name_さんま辛味焼 name_たっぷりベーコンフライ name_ぶりレモンペッパー焼き name_ますのマスタードソース name_アジ唐揚げ南蛮ソース name_エビフライ name_カレイの唐揚げ name_カレイ唐揚げ 甘酢あん name_カレイ唐揚げ夏野菜あん name_カレイ唐揚げ野菜あんかけ name_カレイ唐揚げ野菜餡かけ name_カレイ野菜あんかけ name_キスと野菜の天ぷら name_キーマカレー name_ゴーヤチャンプルー name_サバ焼味噌掛け name_サーモンのムニエル2色ソース name_サーモンフライ・タルタル name_ジャンボチキンカツ name_ジューシーメンチカツ name_タンドリーチキン name_チキンのコーンクリーム焼き name_チキンの辛味噌焼き name_チキンクリームシチュー name_チキンステーキ・きのこソース name_チキンフリカッセ name_チキン南蛮 name_チキン香草焼きマスタードソース name_チャプチェ name_チンジャオロース name_チーズハンバーグ name_チーズメンチカツ name_チーズ入りハンバーグ name_チーズ入りメンチカツ name_ハンバーグカレーソース name_ハンバーグケッチャップソース name_ハンバーグデミソース name_ハンバーグ和風きのこソース name_ハンバーグ(デミきのこバター) name_バーベキューチキン name_ビーフカレー name_ビーフシチュー name_ビーフストロガノフ name_ビーフトマト煮 name_プルコギ name_ホタテクリ―ムシチュー name_ボローニャ風カツ name_ポークソテー韓国ソース name_ポークハヤシ name_ポーク生姜焼き name_マーボ茄子 name_マーボ豆腐 name_メダイ照り焼 name_メンチカツ name_ロース甘味噌焼き name_八宝菜 name_厚切イカフライ name_厚切ハムカツ name_名古屋味噌カツ name_和風ソースハンバーグ name_和風ハンバーグ name_回鍋肉 name_手作りひれかつ name_手作りひれかつとカレー name_手作りチキンカツ name_手作りトンカツ name_手作りロースカツ name_洋食屋さんのメンチカツ name_海老クリーミ―クノーデル name_海老フライとホタテ串カツ name_海老フライタルタル name_炊き込みご飯 name_牛すき焼き風 name_牛カルビ焼き肉 name_牛スキヤキ name_牛丼風煮 name_牛肉すき焼き風 name_牛肉コロッケ name_牛肉ニンニクの芽炒め name_牛肉筍煮 name_白身魚のマスタード焼き name_白身魚の南部焼き name_白身魚フライ name_白身魚ムニエル name_白身魚唐揚げ野菜あんかけ name_白身魚唐揚げ野菜餡かけ name_筑前煮 name_肉じゃが name_肉団子のシチュー name_肉団子クリームシチュー name_親子煮 name_豚すき焼き name_豚の冷しゃぶ name_豚キムチ炒め name_豚ロースのピザ風チーズ焼き name_豚冷シャブ野菜添え name_豚味噌メンチカツ name_豚肉と玉子の炒め name_豚肉と茄子のピリ辛炒め name_豚肉のマスタード焼き name_豚肉の生姜焼き name_豚肉の胡麻シャブ name_越冬キャベツのメンチカツ name_酢豚 name_酢豚orカレー name_青梗菜牛肉炒め name_青椒肉絲 name_鶏のから揚げねぎ塩炒めソース name_鶏のから揚げスイートチリソース name_鶏のカッシュナッツ炒め name_鶏のトマトシチュー name_鶏のピリ辛焼き name_鶏のレモンペッパー焼orカレー name_鶏の味噌漬け焼き name_鶏の唐揚げ name_鶏の唐揚げおろしソース name_鶏の塩から揚げ name_鶏の天ぷら name_鶏の照り焼きマスタード name_鶏の照り焼きマヨ name_鶏の親子煮 name_鶏チリソース name_鶏肉とカシューナッツ炒め name_鶏肉のカレー唐揚 name_鶏肉の山賊焼き event_キャリアアップ支援セミナー event_ママの会 weather_快晴 weather_晴れ weather_曇 weather_薄曇 weather_雨 weather_雪 weather_雷電 period_上旬 period_中旬 period_下旬
datetime
2014-01-09 129 1 435.0 0.0 0.0 10.9 1 9 1.1 9.333333 0.112245 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
2014-01-10 87 0 440.0 1.0 0.0 5.1 1 10 -5.8 8.600000 -0.532110 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0
2014-01-14 129 1 376.0 0.0 0.0 5.8 1 14 0.7 7.266667 0.137255 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0
2014-01-15 134 0 450.0 0.0 0.0 2.9 1 15 -2.9 4.600000 -0.500000 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
2014-01-16 107 0 415.0 0.0 0.0 7.0 1 16 4.1 5.233333 1.413793 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0

⑨ 最後に、出来たデータをもう一度眺める

欠損値が残っていないかなどを改めて確認し、問題なさそうであれば一旦CSVファイルとして保存しておきます。

(簡易式ではありますが、)これでひとまずの前処理は完了です!

# 改めて、各列にNaNが入っていないか確認
print(dummy_df.isnull().sum()) 
dummy_df.head()
sales                       0
soldout                     0
kcal                        0
payday                      0
precipitation               0
temperature                 0
month                       0
day                         0
temperature_diff            0
temperature_rolling_mean    0
temperature_pct_change      0
week_月                      0
week_木                      0
week_水                      0
week_火                      0
week_金                      0
name_いか天ぷら                  0
name_かじきの甘辛煮                0
name_きのこソースハンバーグ            0
name_さわら焼味噌掛け               0
name_さんま辛味焼                 0
name_たっぷりベーコンフライ            0
name_ぶりレモンペッパー焼き            0
name_ますのマスタードソース            0
name_アジ唐揚げ南蛮ソース             0
name_エビフライ                  0
name_カレイの唐揚げ                0
name_カレイ唐揚げ 甘酢あん            0
name_カレイ唐揚げ夏野菜あん            0
name_カレイ唐揚げ野菜あんかけ           0
                           ..
name_鶏のから揚げねぎ塩炒めソース         0
name_鶏のから揚げスイートチリソース        0
name_鶏のカッシュナッツ炒め            0
name_鶏のトマトシチュー              0
name_鶏のピリ辛焼き                0
name_鶏のレモンペッパー焼orカレー        0
name_鶏の味噌漬け焼き               0
name_鶏の唐揚げ                  0
name_鶏の唐揚げおろしソース            0
name_鶏の塩から揚げ                0
name_鶏の天ぷら                  0
name_鶏の照り焼きマスタード            0
name_鶏の照り焼きマヨ               0
name_鶏の親子煮                  0
name_鶏チリソース                 0
name_鶏肉とカシューナッツ炒め           0
name_鶏肉のカレー唐揚               0
name_鶏肉の山賊焼き                0
event_キャリアアップ支援セミナー         0
event_ママの会                  0
weather_快晴                  0
weather_晴れ                  0
weather_曇                   0
weather_薄曇                  0
weather_雨                   0
weather_雪                   0
weather_雷電                  0
period_上旬                   0
period_中旬                   0
period_下旬                   0
dtype: int64
sales soldout kcal payday precipitation temperature month day temperature_diff temperature_rolling_mean temperature_pct_change week_月 week_木 week_水 week_火 week_金 name_いか天ぷら name_かじきの甘辛煮 name_きのこソースハンバーグ name_さわら焼味噌掛け name_さんま辛味焼 name_たっぷりベーコンフライ name_ぶりレモンペッパー焼き name_ますのマスタードソース name_アジ唐揚げ南蛮ソース name_エビフライ name_カレイの唐揚げ name_カレイ唐揚げ 甘酢あん name_カレイ唐揚げ夏野菜あん name_カレイ唐揚げ野菜あんかけ name_カレイ唐揚げ野菜餡かけ name_カレイ野菜あんかけ name_キスと野菜の天ぷら name_キーマカレー name_ゴーヤチャンプルー name_サバ焼味噌掛け name_サーモンのムニエル2色ソース name_サーモンフライ・タルタル name_ジャンボチキンカツ name_ジューシーメンチカツ name_タンドリーチキン name_チキンのコーンクリーム焼き name_チキンの辛味噌焼き name_チキンクリームシチュー name_チキンステーキ・きのこソース name_チキンフリカッセ name_チキン南蛮 name_チキン香草焼きマスタードソース name_チャプチェ name_チンジャオロース name_チーズハンバーグ name_チーズメンチカツ name_チーズ入りハンバーグ name_チーズ入りメンチカツ name_ハンバーグカレーソース name_ハンバーグケッチャップソース name_ハンバーグデミソース name_ハンバーグ和風きのこソース name_ハンバーグ(デミきのこバター) name_バーベキューチキン name_ビーフカレー name_ビーフシチュー name_ビーフストロガノフ name_ビーフトマト煮 name_プルコギ name_ホタテクリ―ムシチュー name_ボローニャ風カツ name_ポークソテー韓国ソース name_ポークハヤシ name_ポーク生姜焼き name_マーボ茄子 name_マーボ豆腐 name_メダイ照り焼 name_メンチカツ name_ロース甘味噌焼き name_八宝菜 name_厚切イカフライ name_厚切ハムカツ name_名古屋味噌カツ name_和風ソースハンバーグ name_和風ハンバーグ name_回鍋肉 name_手作りひれかつ name_手作りひれかつとカレー name_手作りチキンカツ name_手作りトンカツ name_手作りロースカツ name_洋食屋さんのメンチカツ name_海老クリーミ―クノーデル name_海老フライとホタテ串カツ name_海老フライタルタル name_炊き込みご飯 name_牛すき焼き風 name_牛カルビ焼き肉 name_牛スキヤキ name_牛丼風煮 name_牛肉すき焼き風 name_牛肉コロッケ name_牛肉ニンニクの芽炒め name_牛肉筍煮 name_白身魚のマスタード焼き name_白身魚の南部焼き name_白身魚フライ name_白身魚ムニエル name_白身魚唐揚げ野菜あんかけ name_白身魚唐揚げ野菜餡かけ name_筑前煮 name_肉じゃが name_肉団子のシチュー name_肉団子クリームシチュー name_親子煮 name_豚すき焼き name_豚の冷しゃぶ name_豚キムチ炒め name_豚ロースのピザ風チーズ焼き name_豚冷シャブ野菜添え name_豚味噌メンチカツ name_豚肉と玉子の炒め name_豚肉と茄子のピリ辛炒め name_豚肉のマスタード焼き name_豚肉の生姜焼き name_豚肉の胡麻シャブ name_越冬キャベツのメンチカツ name_酢豚 name_酢豚orカレー name_青梗菜牛肉炒め name_青椒肉絲 name_鶏のから揚げねぎ塩炒めソース name_鶏のから揚げスイートチリソース name_鶏のカッシュナッツ炒め name_鶏のトマトシチュー name_鶏のピリ辛焼き name_鶏のレモンペッパー焼orカレー name_鶏の味噌漬け焼き name_鶏の唐揚げ name_鶏の唐揚げおろしソース name_鶏の塩から揚げ name_鶏の天ぷら name_鶏の照り焼きマスタード name_鶏の照り焼きマヨ name_鶏の親子煮 name_鶏チリソース name_鶏肉とカシューナッツ炒め name_鶏肉のカレー唐揚 name_鶏肉の山賊焼き event_キャリアアップ支援セミナー event_ママの会 weather_快晴 weather_晴れ weather_曇 weather_薄曇 weather_雨 weather_雪 weather_雷電 period_上旬 period_中旬 period_下旬
datetime
2014-01-09 129 1 435.0 0.0 0.0 10.9 1 9 1.1 9.333333 0.112245 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0
2014-01-10 87 0 440.0 1.0 0.0 5.1 1 10 -5.8 8.600000 -0.532110 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0
2014-01-14 129 1 376.0 0.0 0.0 5.8 1 14 0.7 7.266667 0.137255 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0
2014-01-15 134 0 450.0 0.0 0.0 2.9 1 15 -2.9 4.600000 -0.500000 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
2014-01-16 107 0 415.0 0.0 0.0 7.0 1 16 4.1 5.233333 1.413793 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0
# 出来たデータをutf-8で保存する
dummy_df.to_csv('./data/processed_datamart.csv', encoding='utf-8')

きれいになったデータはこの後どう活用するのか?

例えば、'sales'を「目的変数」、それ以外の列を「説明変数」として、目的変数を予測する"モデル"を作成する などがよく行われる。

modeling.PNG

より目的変数に"効く"説明変数を作ることを特徴量エンジニアリングという

pandasを使った前処理とは、NaNや無関係な説明変数を削除しつつ、"効く"特徴量を探す(作成する)作業のこと

地味だが、モデルの精度を上げるうえでは非常に大切な作業!!!データ分析のほとんどの時間はここに使われる。

ここでは取り上げられなかったけど、よく分析で使うその他のPandas関数

  • df.where() ←df.mask()と反対の条件を対象にする。内容的には同じ処理。
  • df.merge()
  • df.concat()
  • df.melt() ← df.pivot()の逆操作をするもの

などなど、他にも便利でマニアックなメソッドがたくさんあります。

参考リンク(もうちょっといろいろ知りたい人用)

基本操作系

集計テクニック系

作図系

GitHub

同内容をGitHubにてJupyter Notebook形式でも公開しています。実際に手を動かしながらやりたい方はこちらからcloneしていただいた方が便利です。

ysdyt
ブレインパッドのデータサイエンティスト
https://ysdyt.github.io/ysdyt.net/portfolio/
brainpad
ブレインパッドは、2004年の創業以来、データによるビジネス創造と経営改善に向き合ってきたデータ活用・分析企業です。
http://www.brainpad.co.jp/
Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away