まずpandasパッケージをインポートする．慣例に従い pd という別名をつけておく．
import pandas as pd
import numpy as np
データ読み込み
次にデータを読む． URLを直接入れてWeb経由でも読むことができる．
ここでは UCI機械学習レポジトリ https://archive.ics.uci.edu/ml/ で配布されているiris（あやめ）のデータを読んでみる．
ブラウザで http://logopt.com/data/iris.data をみてデータを確認すると，列の名前（ヘッダー）がついておらず、データだけがカンマ区切りで並んでいるようだ．
これはcsv (comma-separated valueの略）ファイルと呼ばれるタイプのテキストファイルなので，read_csv関数で読むことができる．返値はデータを表形式で保管するデータ構造であるデータフレームである．（ここでは df という名前の変数に保管しておく．）
ついでに列名をnames引数で指定してあげよう．これは列名を表す文字列のリストとして与える． データは順に「"がく片長","がく片幅","花びら長","花びら幅", "種類"」である．
# import ssl
# ssl._create_default_https_context = ssl._create_unverified_context
df = pd.read_csv(
"http://logopt.com/data/iris.data", names=["がく片長", "がく片幅", "花びら長", "花びら幅", "種類"]
)
df.head() # headメソッドで最初の5つだけを表示（最後を表示するにはtailを使う；やってみよう！）
もう１つの例題としてUFOの目撃情報のデータを読み込んでみよう。データはhttp://logopt.com/data/ufo.csv にある。
このデータはヘッダーが付いているので、namesで列名を指定せずに読み込むことができる。ただし、最初の列が抜けているので、Unnamed:0 と表示される。
ufo = pd.read_csv("http://logopt.com/data/ufo.csv")
ufo.head()
問題（ワイン）
ワインに関するデータセットから，wineデータを読み込んで，wineという名前でデータフレームに保管せよ．
元データはこちらに格納されている．
http://logopt.com/data/wine.data
列名は https://archive.ics.uci.edu/ml/datasets/Wine で解説されているが，必要ならば以下のリストを用いて，列名を設定して読み込め．
L = [ 'Alcohol', 'Malic','Ash', 'Alcalinity', 'Magnesium', 'Phenols', 'Flavanoids', 'Nonflavanoid', 'Proanthocyanins', 'Color', 'Hue', 'OD280', 'OD315', 'Proline']
さらに，最後の5つのデータを表示させて確認せよ．
問題（ビデオゲーム）
ビデオゲームのセールスデータを http://logopt.com/data/vgsales.csv から読み込み、データフレームに保管せよ。ただし、このデータにはヘッダーが付いている。
問題（車）
車の燃費に関するデータセットから，Auto MPGデータを読み込んで，carという名前でデータフレームに保管せよ．
元データはこちらに格納されている．
http://logopt.com/data/auto-mpg.data
データを確認してみると，このデータはカンマ(,)区切り（これがread_csv関数の既定値）ではなく，空白で区切られている．
このような場合には，read_csvの引数の delim_whitespace をTrueに設定しておく必要がある．
列名は https://archive.ics.uci.edu/ml/datasets/Auto+MPG で解説されているが，必要ならば以下のリストを用いて，列名を設定して読み込め．
L = ['mpg', 'cylinders', 'displacement', 'horsepower','weight', 'acceleration','year','origin', 'name']
さらに，最初と最後の5つのデータを表示させて確認せよ．
df = pd.read_csv(
"http://logopt.com/data/iris.data", names=["がく片長", "がく片幅", "花びら長", "花びら幅", "種類"]
)
print(df.index) # インデックスは0から149までの整数であることが表示される．
df.head()
インデックスとなる列を指定しないと、上のように0から始める整数が自動的に付加される。インデックス列を指定するには、read_csvを用いてデータを読み込む際に、index_col引数で指定することができる。列の番号もしくは列名を与えることによって、指定した列がインデックスになる。
UFOの目撃情報のデータで最初の列（0番目の列）をインデックスとして指定して読み込んでみる。
ufo = pd.read_csv("http://logopt.com/data/ufo.csv", index_col=0) # column
ufo.head()
列の名前は，番上に表示されている太字の行であり，これはcolumns属性でアクセスできる．
ufo.columns
データ自身は，データフレームのvalues属性に保管されている．これはNumPyの多次元配列(ndarray)である(type関数を用いて確認してみる）． したがって，データの最初の行を表示させるには，df.values[0]とすればよい． 0行4列目（最初のアヤメの名前）を表示させるには，df.values[0,4]（もしくは df.values[0][4]）とすればよい．
print(type(df.values)) # values属性はNumPyのn次元配列である．
df.values[0, 4] # 0行4列目の要素は 'Iris-sentosa'である．
df.values[0, 4]
データの概要を知るためのメソッドが describe() である （メソッドなので関数と同じように最後に ()を付けるのを忘れずに）．
df.describe() # count（データ数），mean（平均），std（標準偏差），min（最小値）など
df["がく片長"][3:10] # 列名が'がく片長'の列の最初の9個のデータから成るシリーズ（series：インデックスとデータの組）
df.がく片長[:3]
行の切り出しはインデックスで切り出す． たとえば，1行目から3行目までを切り出すには，以下のようにする．
df[1:4]
行列の要素（Excelのセルに相当）へのアクセス
行と列を指定して要素を抽出するには，ilocもしくはloc属性を用いる．
文法はいずれも同じで，以下の通り．
df.iloc[行の切り出し,列の切り出し] #番号でのアクセス
df.loc[行の切り出し,列の切り出し] #ラベルを用いたアクセス
行と列はラベルもしくは番号でアクセスできる．ラベルとは，行に対してはインデックス，列に対しては列名を指す．
- ilocは番号によるアクセスを行う．
切り出しは，リストと同様に，番号 $i:j$ とすると $i$番目から$j-1$番目までが抽出される．
- locはラベルによるアクセスを行う．
切り出しは，リストやilocと異なり，境界も含んだものになる．すなわち，$i:j$ とするとラベル $i$からラベル $j$ までが抽出される．
切り出しを行うかわりに，抽出したい列名のリストを用いて，["がく片長", "花びら幅"]などと切り出しをしてもよい．
通常のスライシングと同様に，すべての行もしくは列を抽出したい場合には， $ : $ と記述すればよい．
たとえば，1列目から2列目までから成るデータフレームを切り出すには，
df.iloc[ : , 1:3]
とすればよい．
df.iloc[1:5, 1:4] # 1行目から4行目まで，1列目から3列目までを抽出
df.loc[1:5, "がく片長":"花びら幅"] # 行をインデックスで，}列を列名で指定（最後が含まれることに注意！）
df.loc[1:5, ["がく片長", "花びら幅"]] # 列をリストで指定
jp = pd.read_csv("http://logopt.com/data/50on.csv", index_col=0)
jp
行は番号のスライシングで切り出すことができる．
jp[2:4]
列はラベルでアクセスできる．
jp["カ列"]
ラベルのリストを与えることによって複数の列を切り出せる．
jp[["カ列", "タ列"]]
ilocメソッドを使うと行番号と列番号，もしくは行番号と列番号のスライシングで値を抽出できる．スライシングは終了の番号の値は含まないことに注意．
jp.iloc[2, 2]
jp.iloc[2:4, 1:3]
locメソッドを使うと行ラベルと列ラベル，もしくは行ラベルと列ラベルのスライシングで値を抽出できる．スライシングは終了のラベルの値を含むことに注意．
jp.loc["ウ行", "サ列"]
jp.loc["ウ行":"エ行", "カ列":"サ列"]
L = [
"mpg",
"cylinders",
"displacement",
"horsepower",
"weight",
"acceleration",
"year",
"origin",
"name",
]
car = pd.read_csv(
"http://logopt.com/data/auto-mpg.data", delim_whitespace=True, names=L
)
car.sort_values("mpg", ascending=False).head()
df[df.がく片長 >= 7.0]
df[(df.がく片長 >= 7.0) & (df.花びら長 >= 5.0)]
df[(df.がく片長 < 4.8) | (df.花びら長 < 1.3)]
df.groupby("種類").sum()
df.groupby("種類").describe()
import pandas as pd
df = pd.read_csv("http://logopt.com/data/class.csv")
df
df.groupby("クラス名").sum()
df.groupby(["クラス名", "性別"])[["身長", "体重"]].agg(["sum", "max"])
drinks = pd.read_csv("http://logopt.com/data/drinks.csv")
drinks.head()
drinks = pd.read_csv("http://logopt.com/data/drinks.csv")
drinks.head()
drinks.drop("continent", axis=1).head() # 大陸(continent)の列を削除
drinks.drop(2, axis=0).head() # インデックス２の行を削除
drinks.drop([3, 5], axis=0).head() # インデックス3が,5の行を削除したいときには、引数にリストを入れる
ufo = pd.read_csv("http://logopt.com/data/ufo.csv", index_col=0)
ufo.tail()
データには多くのNaN（欠損値）を含まれる．
欠損値のある行を削除するには dropnaメソッド を用いる．
ufo.dropna().tail()
欠損値を適当な値で置き換えたい場合にはfillnaメソッドを用いる．
たとえば，欠損値NaNを "Unknown" で置き換えたい場合には，以下のようにする．
ufo.fillna("Unknown").tail()
ufo.mode()
これはデータフレームであるので，1行目は ufo.mode().iloc[0] で抽出できる．
これを fillnaメソッドの引数で与えると，NaNが各列の最頻値（モード）に置換される． このテクニックは，機械学習の前処理でしばしば使われる．
ufo.fillna(ufo.mode().iloc[0]).tail()
df = pd.DataFrame(
{
"name": ["Kitty", "Pika", "Dora"],
"favorite": ["apple", "apple", "dorayaki"],
"friend": [np.nan, "Satoshi", "Nobita"],
"birthday": [np.nan, np.nan, np.nan],
}
)
df
普通に dropna を使うと、全部消してしまう。dropnaのaxis引数の既定値は 0 (もしくは "index") であるので、各行を調べて NaN がある行は全て消してしまうからだ。 誕生日を表す列 birthday は、全員が不明なので、何も残らないのだ。
df.dropna()
引数の axisを1（もしくは列を表す "columns"）にすると、列に NaN が含まれているものが削除される。 好みの食べ物を表す列 favorite だけが残る。
df.dropna(axis=1) # or axis="columns"
dropnaメソッドの引数には how （どのようにして） というのがある。既定値は "any" であり、いずれかの要素が NaN なら削除される。 howに "all" を指定すると、すべての要素が NaN のものだけ削除される。 すべての列が NaN の人はいないので、元のデータフレームと同じものが得られる。
df.dropna(how="all")
列に対して howを "all" に指定して、dropnaメソッドを呼ぶと、birthday列が削除される。 誕生日列 birthday はすべて NaN だからだ。
df.dropna(axis=1, how="all")
drinks = pd.read_csv("http://logopt.com/data/drinks.csv")
drinks.dtypes
beer_servingの列は整数になっているが，astypeメソッドを用いて，データ型を浮動小数点数floatに変えてみよう．
drinks["beer_servings"] = drinks.beer_servings.astype(float)
drinks.dtypes
read_csv関数で読み込むときに，データ型を指定することもできる．
引数のdtypeに列名をキー，データ型を値とした辞書で指定する．
drinks = pd.read_csv(
"http://logopt.com/data/drinks.csv",
dtype={"beer_servings": float, "spirit_servings": float},
)
drinks.dtypes
drinks.head()
データに文字列の操作を行いたいときには，strを付加してから，文字列のメソッドを書く．
たとえば，国名(country)を大文字に変換したいときには， str.upper() とする．
drinks["country"] = drinks.country.str.upper()
drinks.head()
ufo = pd.read_csv("http://logopt.com/data/ufo.csv", index_col=0)
ufo.dtypes
Time列のデータ型は一般の object となっているようだ．
これを日付時刻型 datetime に変換するには，pandasのpd.to_datetime関数を用いる．
変換した列を新たに DateTime 列に保管しておく．
ufo["DateTime"] = pd.to_datetime(ufo.Time)
ufo.head()
ufo.dtypes # データ型を確認
time_delta = ufo.DateTime.max() - ufo.DateTime.min()
time_delta.seconds
インデックスを日付時刻型をもつDateTimeに設定する．
ufo.set_index("DateTime", inplace=True)
ufo.head()
日付時刻型をもつインデックスに対しては，resampleによって指定した時間幅で集約できる．以下では月次に集約し，その件数を計算し，プロットしている．
ufo.resample("M").count().plot()
D = {"name": ["Pikacyu", "Mickey", "Kitty"], "color": ["Yellow", "Black", "White"]}
pd.DataFrame(D)
リストのリスト（入れ子のリスト）として与えることもできるが，列名は別途columnsで与える必要がある．
L = [["Pikacyu", "Yellow"], ["Mickey", "Black"], ["Kitty", "White"]]
pd.DataFrame(L, columns=["name", "color"])
NumPyの配列からもデータフレームを生成できる．
例として2つのサイコロを5回ずつ振ったときの目をランダムに生成した配列に代入し，そこからデータフレームを生成する．
Dice = np.random.randint(1, 7, size=(5, 2)) # 引数の（low, high）はhighを含まないことに注意
dicedf = pd.DataFrame(Dice, columns=["dice1", "dice2"])
dicedf
同様に，コインを5回投げたときの表裏を0,1で表した配列を生成する．
Coin = np.random.randint(0, 2, size=(5, 2)) # 引数の（low, high）はhighを含まないことに注意
coindf = pd.DataFrame(Coin, columns=["coin1", "coin2"])
coindf
2つのデータフレームをconcatを用いて合体させる．列方向で合併したいので，axis=1と設定する．
pd.concat([dicedf, coindf], axis=1)
D1 = {"name": ["スヌー", "チーズ", "ドラ"], "おもちゃ": ["積木", "人形", "ロボット"]}
D2 = {"name": ["ケッタイ", "モロ", "ドラ"], "ぬいぐるみ": ["猫", "狼", "狸"]}
df1 = pd.DataFrame(D1)
df2 = pd.DataFrame(D2)
df1
df2
pd.merge(df1, df2, on="name", how="inner")
pd.merge(df1, df2, on="name", how="outer")
pd.merge(df1, df2, on="name", how="left")
ピボットテーブル
ビデオゲームのセールスデータ http://logopt.com/data/vgsales.csv をピボットテーブルを用いて集計する．
pandasの pivot_table 関数は，引数としてデータフレーム，集計する値(values)，行（index），列(columns），集計関数(aggfunc)を与えると，ピボットテーブルを返す．
例としてビデオゲームのデータに対して，行を年(Year)，列をジャンル(Genre)とし，世界中での売り上げ(Global_Sales)を合計（sum)したピボットテーブルを生成する．
集計の方法は引数 aggfunc で与える．既定値はNumPyの mean （平均）である．
import pandas as pd
sales = pd.read_csv("http://logopt.com/data/vgsales.csv")
sales.head()
pivot = pd.pivot_table(
sales, values="Global_Sales", index="Year", columns="Genre", aggfunc="sum"
)
pivot.head() # ピボットテーブル自身がデータフレームオブジェクトなので，最初の5行だけ表示するにはheadメソッドが使える．
%matplotlib inline
pivot.plot()
# ピボットテーブル自身がデータフレームオブジェクトなので，plotメソッドで描画もできる．
df = pd.read_csv("http://logopt.com/data/class.csv")
df
df.pivot_table(index="クラス名", columns="性別", values="身長", aggfunc=[sum, max])
pivot = df.pivot_table(index=["クラス名", "性別"], values="身長", aggfunc=sum)
pivot
pivot.xs("猫組", axis=0, level=0)
問題（ポケモン）
ポケモンデータ http://logopt.com/data/Pokemon.csv" に対して，メインタイプ（Type 1)と世代(Generation)別の攻撃力（Attack）と守備力（Defense）の平均を集計せよ．
（ヒント：pivot_tableで，集計値に複数の値を設定するには，引数 values にデータフレームの列名をリストとして与える）
poke = pd.read_csv("http://logopt.com/data/Pokemon.csv", index_col=0)
poke.head()
問題（映画）
映画のデータ http://logopt.com/data/movie_metadata.csv に対して，主演俳優の列（actor_1_name）がジョニー・デップ（Johnny Depp）のものを抽出し，年度（title_year）別の予算（budget）と興行収入（gross）を線グラフで表示せよ．
(ヒント：行には年度を，列には何も指定しないでピボットテーブルを生成し，plotメソッドでグラフを生成する)
movie = pd.read_csv("http://logopt.com/data/movie_metadata.csv")
movie.head()
forループによる反復処理
Pandasでは、できるだけ反復処理はしない方が高速に処理ができるが、反復処理をした方が簡単にプログラムが書けることもある。 大規模なデータを扱うのでなければ、多少の処理時間はかかっても、コードを書く時間を短縮した方が良い場合が多い。 ここでは、そのような場合に用いる反復処理の方法について学ぶ。
データフレームにfor文を用いて反復を行う最も簡単で効率的な方法は、itertuplesメソッドを用いる方法であり、 このように記述する。
for 行 in データフレーム.itertuples():
反復の中身
（行は列名を属性とした名前付きタプル）
映画のデータ http://logopt.com/data/movie_metadata.csv を用いた、以下の例題を考える。
あなたは最近観た面白い映画の名前をど忘れした。確か、タイトルに"Super"が入っていた低予算映画だったと思うのだが、 そのディレクターを無性に知りたくなった。どうやって検索すれば良いだろうか？
itertuples を用いた反復を使って、タイトル(movie_title)に"Super"が入っていて、予算(budget列の数字）が100000以下のものを検索する。
movie = pd.read_csv("http://logopt.com/data/movie_metadata.csv")
for row in movie.itertuples():
if "Super" in row.movie_title and row.budget <= 100000:
print(row.movie_title, row.director_name)
そうだ、映画のタイトルは "Super Size Me" だった。ディレクターも無事に判明した。
今度は、多少高速な方法で検索してみよう。これは、必要な列だけを切り出してきて、それをzip関数で合わせたものを作成して反復を行う。
for title, budget, director in zip(
movie.movie_title, movie.budget, movie.director_name
):
if "Super" in title and budget <= 100000:
print(title, director)
同じ結果が得られた。いずれの方法でも良いが、itertuplesを用いた方が簡単で可読性も良い。 一方。列の切り出しとzipを用いた方法は、列がたくさんあるときには高速になる。
問題（ポケモン）
ポケモンデータ http://logopt.com/data/Pokemon.csv に対して，伝説のポケモン（Legendaryが真）で、攻撃力（Attack）が防御力（Defense）より小さく、攻撃力が $90$ 以下、速度（Speed）が $110$ 以上のものを探せ。
poke = pd.read_csv("http://logopt.com/data/Pokemon.csv", index_col=0)
poke.head()
ufo = pd.read_csv("http://logopt.com/data/ufo.csv", index_col=0)
ufo.rename(columns={"Time": "日付", "Shape Reported": "形"}, inplace=True)
ufo.head()
簡易分析パッケージ PandasGUI
最近では，pandasのデータフレームをGUIで分析できるツールが出てきている．
例として，PandasGUI https://github.com/adamerose/pandasgui を紹介する．
このパッケージには，ポケモンデータを含む代表的なデータセットが入っている． すべてのデータセット all_datasets をインポートして，それをshow関数を用いて表示する．
from pandasgui import show
from pandasgui.datasets import iris, all_datasets
all_datasets.keys()
サンプルデータの概要
- 'pokemon': ポケモン
- 'googleplaystore': Google Play Store
- 'googleplaystore_reviews': Google Play Storeのレビュー
- 'netflix_titles': Netflixの番組タイトルやキャスト
- 'trump_tweets': トランプのツイート
- 'harry_potter_characters': ハリーポッターのキャラクター
- 'happiness': 国別の幸福度
- 'country_indicators': 国の指標
- 'us_shooting_incidents': 米国の銃の事件
- 'stockdata': 株価
- 'gapminder': 国別の寿命やGDPの変化
- 'anscombe': 可視化の重要性を理解するための4つのデータ
- 'attention': 注意とスコア
- 'brain_networks': 脳ネットワーク
- 'diamonds': ダイヤモンドの価格
- 'dots': 発火率
- 'exercise': エクササイズ
- 'flights': 航空機の乗客数
- 'fmri': Magnetic resonance imaging (MRI)データ
- 'gammas': gamma反応
- 'geyser': 噴火期間と待ち時間
- 'iris': アヤメ
- 'mpg': 車の燃費
- 'penguins': ペンギン
- 'planets': 惑星
- 'tips': チップ
- 'titanic': タイタニック号での生存確率
- 'seinfeld_episodes': ドラマ Seinfeld のエピソード
- 'seinfeld_scripts': ドラマ Seinfeld の台詞
- 'mi_manufacturing': 製造データ（複数インデックス，複数列）
- 'simple': 小さなデータ
- 'multiindex': 複数インデックスの小さなデータ
- 'small': 小さな例題
- 'unhashable': データに複合データ（リストやタプルや辞書）の情報を含んだデータ
show(**all_datasets);
#irisデータだけを表示する場合
#show(iris);
簡易分析パッケージ pandas-profiling
GUIベースのものが嫌いな人は， htmlを生成する pandas-profiling https://github.com/ydataai/pandas-profiling を使うとよい．
ProfileReportクラスをインポートして，そこにpandasのデータフレームを入れると分析したhtmlファイルが生成される．
以下に，irisデータを入れて相関分析のタブを押したときの画面を示す．
from pandas_profiling import ProfileReport
ProfileReport(iris)
簡易分析パッケージ pygwalker
より洗練された(tableau形式の）GUIとしてpygwalker https://github.com/Kanaries/pygwalker がある．
Juputer上だけでなく， streamlitにも簡単に組み込める．
以下に，irisデータに対する散布図の描画の例を示す．
import pygwalker as pyg
irisgui = pyg.walk(iris)