SASとの比較#
SASからpandasに移行しようとしているユーザーのために、このページでは、SASのさまざまな操作がpandasでどのように実行されるかを説明します。
pandasを初めて使用する場合は、まず10 Minutes to pandasを一読して、ライブラリに慣れることをお勧めします。
慣例どおり、pandasとNumPyを次のようにインポートします。
In [1]: import pandas as pd
In [2]: import numpy as np
データ構造#
一般的な用語の翻訳#
pandas |
SAS |
|---|---|
|
データセット |
列 |
変数 |
行 |
観測 |
groupby |
BYグループ |
|
|
DataFrame#
pandasのDataFrameは、SASデータセットに似ています。これは、異なる型を持つ可能性のあるラベル付きの列を持つ2次元データソースです。このドキュメントで示すように、SASのDATAステップを使用してデータセットに適用できるほとんどすべての操作は、pandasでも実行できます。
Series#
Seriesは、DataFrameの1つの列を表すデータ構造です。SASには単一の列に対する個別のデータ構造はありませんが、一般に、Seriesを操作することは、DATAステップで列を参照することに似ています。
Index#
すべてのDataFrameとSeriesにはIndexがあります。これはデータの行のラベルです。SASには正確に対応する概念はありません。データセットの行は、DATAステップ（_N_）中にアクセスできる暗黙的な整数インデックスを除いて、基本的にラベル付けされていません。
pandasでは、インデックスが指定されていない場合、整数インデックスもデフォルトで使用されます（最初の行= 0、2番目の行= 1など）。ラベル付きのIndexまたはMultiIndexを使用すると、高度な分析が可能になり、最終的にはpandasを理解するための重要な部分になりますが、この比較では、基本的にIndexを無視し、DataFrameを列のコレクションとして扱います。 Indexを効果的に使用する方法の詳細については、インデックス付けに関するドキュメントを参照してください。
コピーとインプレース操作#
ほとんどのpandas操作は、Series/DataFrameのコピーを返します。変更を「永続化」するには、新しい変数に割り当てるか
sorted_df = df.sort_values("col1")
または元のものを上書きする必要があります。
df = df.sort_values("col1")
注記
一部のメソッドでは、inplace=Trueまたはcopy=Falseキーワード引数が使用可能であることがわかります
df.replace(5, inplace=True)
inplaceおよびcopyは、ごく一部のメソッド（replaceなど）を除いて、ほとんどのメソッド（例：dropna）で非推奨になり、削除されるという活発な議論があります。Copy-on-Writeのコンテキストでは、両方のキーワードはもう必要ありません。提案はこちらにあります。
データ入力/出力#
値からDataFrameを構築する#
SASデータセットは、datalinesステートメントの後にデータを配置し、列名を指定することで、指定された値から構築できます。
data df;
input x y;
datalines;
1 2
3 4
5 6
;
run;
pandasのDataFrameはさまざまな方法で構築できますが、少数の値の場合、キーが列名で値がデータであるPythonディクショナリとして指定すると便利なことがよくあります。
In [1]: df = pd.DataFrame({"x": [1, 3, 5], "y": [2, 4, 6]})
In [2]: df
Out[2]:
x y
0 1 2
1 3 4
2 5 6
外部データの読み取り#
SASと同様に、pandasは多くの形式でデータを読み込むためのユーティリティを提供しています。 pandasテスト（csv）内にあるtipsデータセットは、以下の例の多くで使用されます。
SASは、csvデータをデータセットに読み込むためにPROC IMPORTを提供しています。
proc import datafile='tips.csv' dbms=csv out=tips replace;
getnames=yes;
run;
pandasのメソッドはread_csv()であり、同様に機能します。
In [3]: url = (
...: "https://raw.githubusercontent.com/pandas-dev/"
...: "pandas/main/pandas/tests/io/data/csv/tips.csv"
...: )
...:
In [4]: tips = pd.read_csv(url)
In [5]: tips
Out[5]:
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
3 23.68 3.31 Male No Sun Dinner 2
4 24.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 29.03 5.92 Male No Sat Dinner 3
240 27.18 2.00 Female Yes Sat Dinner 2
241 22.67 2.00 Male Yes Sat Dinner 2
242 17.82 1.75 Male No Sat Dinner 2
243 18.78 3.00 Female No Thur Dinner 2
[244 rows x 7 columns]
PROC IMPORTと同様に、read_csvは、データの解析方法を指定するための多くのパラメーターを受け取ることができます。たとえば、データがタブ区切りで、列名がない場合、pandasコマンドは次のようになります。
tips = pd.read_csv("tips.csv", sep="\t", header=None)
# alternatively, read_table is an alias to read_csv with tab delimiter
tips = pd.read_table("tips.csv", header=None)
テキスト/csvに加えて、pandasはExcel、HDF5、SQLデータベースなど、さまざまなデータ形式をサポートしています。これらはすべて、pd.read_*関数を介して読み取られます。詳細については、IOドキュメントを参照してください。
出力の制限#
デフォルトでは、pandasは大きなDataFrameの出力を切り捨てて、最初と最後の行を表示します。これは、pandasオプションを変更するか、DataFrame.head()またはDataFrame.tail()を使用することでオーバーライドできます。
In [1]: tips.head(5)
Out[1]:
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
3 23.68 3.31 Male No Sun Dinner 2
4 24.59 3.61 Female No Sun Dinner 4
SASでの同等のものは次のようになります。
proc print data=df(obs=5);
run;
データのエクスポート#
SASのPROC IMPORTの逆はPROC EXPORTです
proc export data=tips outfile='tips2.csv' dbms=csv;
run;
同様にpandasでは、read_csvの反対はto_csv()であり、他のデータ形式も同様のAPIに従います。
tips.to_csv("tips2.csv")
データ操作#
列の操作#
DATAステップでは、任意の数式を新規または既存の列で使用できます。
data tips;
set tips;
total_bill = total_bill - 2;
new_bill = total_bill / 2;
run;
pandasは、DataFrameで個々のSeriesを指定することにより、ベクトル化された操作を提供します。新しい列は同じ方法で割り当てることができます。DataFrame.drop()メソッドは、DataFrameから列を削除します。
In [1]: tips["total_bill"] = tips["total_bill"] - 2
In [2]: tips["new_bill"] = tips["total_bill"] / 2
In [3]: tips
Out[3]:
total_bill tip sex smoker day time size new_bill
0 14.99 1.01 Female No Sun Dinner 2 7.495
1 8.34 1.66 Male No Sun Dinner 3 4.170
2 19.01 3.50 Male No Sun Dinner 3 9.505
3 21.68 3.31 Male No Sun Dinner 2 10.840
4 22.59 3.61 Female No Sun Dinner 4 11.295
.. ... ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3 13.515
240 25.18 2.00 Female Yes Sat Dinner 2 12.590
241 20.67 2.00 Male Yes Sat Dinner 2 10.335
242 15.82 1.75 Male No Sat Dinner 2 7.910
243 16.78 3.00 Female No Thur Dinner 2 8.390
[244 rows x 8 columns]
In [4]: tips = tips.drop("new_bill", axis=1)
フィルタリング#
SASでのフィルタリングは、1つ以上の列に対して、if または where ステートメントで行われます。
data tips;
set tips;
if total_bill > 10;
run;
data tips;
set tips;
where total_bill > 10;
/* equivalent in this case - where happens before the
DATA step begins and can also be used in PROC statements */
run;
DataFrameのフィルタリングには複数の方法がありますが、最も直感的なのはブールインデックスを使用する方法です。
In [1]: tips[tips["total_bill"] > 10]
Out[1]:
total_bill tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
5 23.29 4.71 Male No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[204 rows x 7 columns]
上記のステートメントは、単にTrue/FalseオブジェクトのSeriesをDataFrameに渡すだけで、Trueのすべての行を返します。
In [2]: is_dinner = tips["time"] == "Dinner"
In [3]: is_dinner
Out[3]:
0 True
1 True
2 True
3 True
4 True
...
239 True
240 True
241 True
242 True
243 True
Name: time, Length: 244, dtype: bool
In [4]: is_dinner.value_counts()
Out[4]:
time
True 176
False 68
Name: count, dtype: int64
In [5]: tips[is_dinner]
Out[5]:
total_bill tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
1 8.34 1.66 Male No Sun Dinner 3
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[176 rows x 7 columns]
if/thenロジック#
SASでは、if/thenロジックを使って新しい列を作成できます。
data tips;
set tips;
format bucket $4.;
if total_bill < 10 then bucket = 'low';
else bucket = 'high';
run;
pandasで同じ操作を行うには、numpyのwhereメソッドを使用します。
In [1]: tips["bucket"] = np.where(tips["total_bill"] < 10, "low", "high")
In [2]: tips
Out[2]:
total_bill tip sex smoker day time size bucket
0 14.99 1.01 Female No Sun Dinner 2 high
1 8.34 1.66 Male No Sun Dinner 3 low
2 19.01 3.50 Male No Sun Dinner 3 high
3 21.68 3.31 Male No Sun Dinner 2 high
4 22.59 3.61 Female No Sun Dinner 4 high
.. ... ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3 high
240 25.18 2.00 Female Yes Sat Dinner 2 high
241 20.67 2.00 Male Yes Sat Dinner 2 high
242 15.82 1.75 Male No Sat Dinner 2 high
243 16.78 3.00 Female No Thur Dinner 2 high
[244 rows x 8 columns]
日付機能#
SASは、日付/日時列に対する操作を行うためのさまざまな関数を提供しています。
data tips;
set tips;
format date1 date2 date1_plusmonth mmddyy10.;
date1 = mdy(1, 15, 2013);
date2 = mdy(2, 15, 2015);
date1_year = year(date1);
date2_month = month(date2);
* shift date to beginning of next interval;
date1_next = intnx('MONTH', date1, 1);
* count intervals between dates;
months_between = intck('MONTH', date1, date2);
run;
pandasでの同等の操作を以下に示します。これらの関数に加えて、pandasはBase SASでは利用できない他の時系列機能（リサンプリングやカスタムオフセットなど）もサポートしています。詳細については、時系列のドキュメントを参照してください。
In [1]: tips["date1"] = pd.Timestamp("2013-01-15")
In [2]: tips["date2"] = pd.Timestamp("2015-02-15")
In [3]: tips["date1_year"] = tips["date1"].dt.year
In [4]: tips["date2_month"] = tips["date2"].dt.month
In [5]: tips["date1_next"] = tips["date1"] + pd.offsets.MonthBegin()
In [6]: tips["months_between"] = tips["date2"].dt.to_period("M") - tips[
...: "date1"
...: ].dt.to_period("M")
...:
In [7]: tips[
...: ["date1", "date2", "date1_year", "date2_month", "date1_next", "months_between"]
...: ]
...:
Out[7]:
date1 date2 date1_year date2_month date1_next months_between
0 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
1 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
2 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
3 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
4 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
.. ... ... ... ... ... ...
239 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
240 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
241 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
242 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
243 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds>
[244 rows x 6 columns]
列の選択#
SASは、DATAステップで列を選択、ドロップ、および名前を変更するためのキーワードを提供しています。
data tips;
set tips;
keep sex total_bill tip;
run;
data tips;
set tips;
drop sex;
run;
data tips;
set tips;
rename total_bill=total_bill_2;
run;
pandasでは、同じ操作が以下のように表現されます。
特定の列を保持する#
In [1]: tips[["sex", "total_bill", "tip"]]
Out[1]:
sex total_bill tip
0 Female 14.99 1.01
1 Male 8.34 1.66
2 Male 19.01 3.50
3 Male 21.68 3.31
4 Female 22.59 3.61
.. ... ... ...
239 Male 27.03 5.92
240 Female 25.18 2.00
241 Male 20.67 2.00
242 Male 15.82 1.75
243 Female 16.78 3.00
[244 rows x 3 columns]
列をドロップする#
In [2]: tips.drop("sex", axis=1)
Out[2]:
total_bill tip smoker day time size
0 14.99 1.01 No Sun Dinner 2
1 8.34 1.66 No Sun Dinner 3
2 19.01 3.50 No Sun Dinner 3
3 21.68 3.31 No Sun Dinner 2
4 22.59 3.61 No Sun Dinner 4
.. ... ... ... ... ... ...
239 27.03 5.92 No Sat Dinner 3
240 25.18 2.00 Yes Sat Dinner 2
241 20.67 2.00 Yes Sat Dinner 2
242 15.82 1.75 No Sat Dinner 2
243 16.78 3.00 No Thur Dinner 2
[244 rows x 6 columns]
列の名前を変更する#
In [3]: tips.rename(columns={"total_bill": "total_bill_2"})
Out[3]:
total_bill_2 tip sex smoker day time size
0 14.99 1.01 Female No Sun Dinner 2
1 8.34 1.66 Male No Sun Dinner 3
2 19.01 3.50 Male No Sun Dinner 3
3 21.68 3.31 Male No Sun Dinner 2
4 22.59 3.61 Female No Sun Dinner 4
.. ... ... ... ... ... ... ...
239 27.03 5.92 Male No Sat Dinner 3
240 25.18 2.00 Female Yes Sat Dinner 2
241 20.67 2.00 Male Yes Sat Dinner 2
242 15.82 1.75 Male No Sat Dinner 2
243 16.78 3.00 Female No Thur Dinner 2
[244 rows x 7 columns]
値によるソート#
SASでのソートは、PROC SORTで行われます。
proc sort data=tips;
by sex total_bill;
run;
pandasには、ソートする列のリストを受け取るDataFrame.sort_values()メソッドがあります。
In [1]: tips = tips.sort_values(["sex", "total_bill"])
In [2]: tips
Out[2]:
total_bill tip sex smoker day time size
67 1.07 1.00 Female Yes Sat Dinner 1
92 3.75 1.00 Female Yes Fri Dinner 2
111 5.25 1.00 Female No Sat Dinner 1
145 6.35 1.50 Female No Thur Lunch 2
135 6.51 1.25 Female No Thur Lunch 2
.. ... ... ... ... ... ... ...
182 43.35 3.50 Male Yes Sun Dinner 3
156 46.17 5.00 Male No Sun Dinner 6
59 46.27 6.73 Male No Sat Dinner 4
212 46.33 9.00 Male No Sat Dinner 4
170 48.81 10.00 Male Yes Sat Dinner 3
[244 rows x 7 columns]
文字列処理#
文字列の長さを取得する#
SASは、LENGTHN関数とLENGTHC関数を使用して、文字列の長さを決定します。LENGTHNは末尾の空白を除外し、LENGTHCは末尾の空白を含めます。
data _null_;
set tips;
put(LENGTHN(time));
put(LENGTHC(time));
run;
文字列の長さは、Series.str.len()で取得できます。Python 3では、すべての文字列はUnicode文字列です。lenは末尾の空白を含みます。末尾の空白を除外するには、lenとrstripを使用します。
In [1]: tips["time"].str.len()
Out[1]:
67 6
92 6
111 6
145 5
135 5
..
182 6
156 6
59 6
212 6
170 6
Name: time, Length: 244, dtype: int64
In [2]: tips["time"].str.rstrip().str.len()
Out[2]:
67 6
92 6
111 6
145 5
135 5
..
182 6
156 6
59 6
212 6
170 6
Name: time, Length: 244, dtype: int64
部分文字列の位置を検索する#
SASは、FINDW関数を使用して、文字列内の文字の位置を決定します。FINDWは、最初の引数で定義された文字列を受け取り、2番目の引数として指定した部分文字列の最初の位置を検索します。
data _null_;
set tips;
put(FINDW(sex,'ale'));
run;
文字列の列内の文字の位置は、Series.str.find()メソッドで検索できます。findは、部分文字列の最初の位置を検索します。部分文字列が見つかった場合、このメソッドはその位置を返します。見つからない場合は、-1を返します。Pythonのインデックスはゼロベースであることに注意してください。
In [1]: tips["sex"].str.find("ale")
Out[1]:
67 3
92 3
111 3
145 3
135 3
..
182 1
156 1
59 1
212 1
170 1
Name: sex, Length: 244, dtype: int64
位置による部分文字列の抽出#
SASは、SUBSTR関数を使用して、文字列内の位置に基づいて部分文字列を抽出します。
data _null_;
set tips;
put(substr(sex,1,1));
run;
pandasでは、位置によって文字列から部分文字列を抽出するために[]表記を使用できます。Pythonのインデックスはゼロベースであることに注意してください。
In [1]: tips["sex"].str[0:1]
Out[1]:
67 F
92 F
111 F
145 F
135 F
..
182 M
156 M
59 M
212 M
170 M
Name: sex, Length: 244, dtype: object
n番目の単語を抽出する#
SASのSCAN関数は、文字列からn番目の単語を返します。最初の引数は解析する文字列で、2番目の引数は抽出する単語を指定します。
data firstlast;
input String $60.;
First_Name = scan(string, 1);
Last_Name = scan(string, -1);
datalines2;
John Smith;
Jane Cook;
;;;
run;
pandasで単語を抽出する最も簡単な方法は、スペースで文字列を分割し、インデックスで単語を参照することです。必要に応じて、より強力なアプローチもあります。
In [1]: firstlast = pd.DataFrame({"String": ["John Smith", "Jane Cook"]})
In [2]: firstlast["First_Name"] = firstlast["String"].str.split(" ", expand=True)[0]
In [3]: firstlast["Last_Name"] = firstlast["String"].str.rsplit(" ", expand=True)[1]
In [4]: firstlast
Out[4]:
String First_Name Last_Name
0 John Smith John Smith
1 Jane Cook Jane Cook
大文字小文字の変更#
SASのUPCASE、LOWCASE、PROPCASE関数は、引数の大文字小文字を変更します。
data firstlast;
input String $60.;
string_up = UPCASE(string);
string_low = LOWCASE(string);
string_prop = PROPCASE(string);
datalines2;
John Smith;
Jane Cook;
;;;
run;
pandasの同等のメソッドは、Series.str.upper()、Series.str.lower()、およびSeries.str.title()です。
In [1]: firstlast = pd.DataFrame({"string": ["John Smith", "Jane Cook"]})
In [2]: firstlast["upper"] = firstlast["string"].str.upper()
In [3]: firstlast["lower"] = firstlast["string"].str.lower()
In [4]: firstlast["title"] = firstlast["string"].str.title()
In [5]: firstlast
Out[5]:
string upper lower title
0 John Smith JOHN SMITH john smith John Smith
1 Jane Cook JANE COOK jane cook Jane Cook
マージ#
次の表は、マージの例で使用されます。
In [1]: df1 = pd.DataFrame({"key": ["A", "B", "C", "D"], "value": np.random.randn(4)})
In [2]: df1
Out[2]:
key value
0 A 0.469112
1 B -0.282863
2 C -1.509059
3 D -1.135632
In [3]: df2 = pd.DataFrame({"key": ["B", "D", "D", "E"], "value": np.random.randn(4)})
In [4]: df2
Out[4]:
key value
0 B 1.212112
1 D -0.173215
2 D 0.119209
3 E -1.044236
SASでは、マージする前にデータを明示的にソートする必要があります。さまざまなタイプの結合は、入力フレームの1つまたは両方で一致が見つかったかどうかを追跡するために、in=ダミー変数を使用して行われます。
proc sort data=df1;
by key;
run;
proc sort data=df2;
by key;
run;
data left_join inner_join right_join outer_join;
merge df1(in=a) df2(in=b);
if a and b then output inner_join;
if a then output left_join;
if b then output right_join;
if a or b then output outer_join;
run;
pandas DataFrameには、同様の機能を提供するmerge()メソッドがあります。データは事前にソートする必要はなく、さまざまな結合タイプは、howキーワードを使用して行われます。
In [1]: inner_join = df1.merge(df2, on=["key"], how="inner")
In [2]: inner_join
Out[2]:
key value_x value_y
0 B -0.282863 1.212112
1 D -1.135632 -0.173215
2 D -1.135632 0.119209
In [3]: left_join = df1.merge(df2, on=["key"], how="left")
In [4]: left_join
Out[4]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
In [5]: right_join = df1.merge(df2, on=["key"], how="right")
In [6]: right_join
Out[6]:
key value_x value_y
0 B -0.282863 1.212112
1 D -1.135632 -0.173215
2 D -1.135632 0.119209
3 E NaN -1.044236
In [7]: outer_join = df1.merge(df2, on=["key"], how="outer")
In [8]: outer_join
Out[8]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E NaN -1.044236
欠損データ#
pandasとSASの両方に、欠損データの表現があります。
pandasは、欠損データを特別な浮動小数点値NaN（非数）で表現します。意味論の多くは同じです。たとえば、欠損データは数値演算を通じて伝播し、集計ではデフォルトで無視されます。
In [1]: outer_join
Out[1]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E NaN -1.044236
In [2]: outer_join["value_x"] + outer_join["value_y"]
Out[2]:
0 NaN
1 0.929249
2 NaN
3 -1.308847
4 -1.016424
5 NaN
dtype: float64
In [3]: outer_join["value_x"].sum()
Out[3]: -3.5940742896293765
1つの違いは、欠損データをセンチネル値と比較できないことです。たとえば、SASでは、次のようにして欠損値をフィルタリングできます。
data outer_join_nulls;
set outer_join;
if value_x = .;
run;
data outer_join_no_nulls;
set outer_join;
if value_x ^= .;
run;
pandasでは、Series.isna()とSeries.notna()を使用して、行をフィルタリングできます。
In [1]: outer_join[outer_join["value_x"].isna()]
Out[1]:
key value_x value_y
5 E NaN -1.044236
In [2]: outer_join[outer_join["value_x"].notna()]
Out[2]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 NaN
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
pandasは、欠損データを扱うためのさまざまなメソッドを提供しています。以下にいくつかの例を示します。
欠損値のある行を削除する#
In [3]: outer_join.dropna()
Out[3]:
key value_x value_y
1 B -0.282863 1.212112
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
前の行から前方埋めする#
In [4]: outer_join.ffill()
Out[4]:
key value_x value_y
0 A 0.469112 NaN
1 B -0.282863 1.212112
2 C -1.509059 1.212112
3 D -1.135632 -0.173215
4 D -1.135632 0.119209
5 E -1.135632 -1.044236
欠損値を指定された値で置換する#
平均値を使用する
In [5]: outer_join["value_x"].fillna(outer_join["value_x"].mean())
Out[5]:
0 0.469112
1 -0.282863
2 -1.509059
3 -1.135632
4 -1.135632
5 -0.718815
Name: value_x, dtype: float64
GroupBy#
集計#
SASのPROC SUMMARYは、1つ以上のキー変数でグループ化し、数値列で集計を計算するために使用できます。
proc summary data=tips nway;
class sex smoker;
var total_bill tip;
output out=tips_summed sum=;
run;
pandasは、同様の集計を可能にする柔軟なgroupbyメカニズムを提供します。詳細と例については、groupbyドキュメントを参照してください。
In [1]: tips_summed = tips.groupby(["sex", "smoker"])[["total_bill", "tip"]].sum()
In [2]: tips_summed
Out[2]:
total_bill tip
sex smoker
Female No 869.68 149.77
Yes 527.27 96.74
Male No 1725.75 302.00
Yes 1217.07 183.07
変換#
SASでは、グループ集計を元のフレームで使用する必要がある場合は、元のフレームにマージする必要があります。たとえば、喫煙者グループごとに各観測値の平均値を減算する場合などです。
proc summary data=tips missing nway;
class smoker;
var total_bill;
output out=smoker_means mean(total_bill)=group_bill;
run;
proc sort data=tips;
by smoker;
run;
data tips;
merge tips(in=a) smoker_means(in=b);
by smoker;
adj_total_bill = total_bill - group_bill;
if a and b;
run;
pandasは、このタイプの操作を1回の操作で簡潔に表現できる変換メカニズムを提供します。
In [1]: gb = tips.groupby("smoker")["total_bill"]
In [2]: tips["adj_total_bill"] = tips["total_bill"] - gb.transform("mean")
In [3]: tips
Out[3]:
total_bill tip sex smoker day time size adj_total_bill
67 1.07 1.00 Female Yes Sat Dinner 1 -17.686344
92 3.75 1.00 Female Yes Fri Dinner 2 -15.006344
111 5.25 1.00 Female No Sat Dinner 1 -11.938278
145 6.35 1.50 Female No Thur Lunch 2 -10.838278
135 6.51 1.25 Female No Thur Lunch 2 -10.678278
.. ... ... ... ... ... ... ... ...
182 43.35 3.50 Male Yes Sun Dinner 3 24.593656
156 46.17 5.00 Male No Sun Dinner 6 28.981722
59 46.27 6.73 Male No Sat Dinner 4 29.081722
212 46.33 9.00 Male No Sat Dinner 4 29.141722
170 48.81 10.00 Male Yes Sat Dinner 3 30.053656
[244 rows x 8 columns]
グループごとの処理#
集計に加えて、pandasのgroupbyを使用して、SASからのグループごとの他のほとんどの処理を複製できます。たとえば、このDATAステップでは、性別/喫煙者グループごとにデータを読み取り、それぞれ最初の項目にフィルタリングします。
proc sort data=tips;
by sex smoker;
run;
data tips_first;
set tips;
by sex smoker;
if FIRST.sex or FIRST.smoker then output;
run;
pandasでは、これは次のように記述されます。
In [4]: tips.groupby(["sex", "smoker"]).first()
Out[4]:
total_bill tip day time size adj_total_bill
sex smoker
Female No 5.25 1.00 Sat Dinner 1 -11.938278
Yes 1.07 1.00 Sat Dinner 1 -17.686344
Male No 5.51 2.00 Thur Lunch 2 -11.678278
Yes 5.25 5.15 Sun Dinner 2 -13.506344
その他の考慮事項#
ディスク対メモリ#
pandasはメモリ内でのみ動作しますが、SASデータセットはディスク上に存在します。つまり、pandasにロードできるデータのサイズはマシンのメモリによって制限されますが、そのデータに対する操作は高速になる可能性があります。
コア外処理が必要な場合、1つの可能性は、dask.dataframeライブラリ（現在開発中）を使用することです。これは、オンディスクのDataFrameに対するpandas機能のサブセットを提供します。
データ相互運用#
pandasは、XPORTまたはSAS7BDATバイナリ形式で保存されたSASデータを読み込むことができるread_sas()メソッドを提供します。
libname xportout xport 'transport-file.xpt';
data xportout.tips;
set tips(rename=(total_bill=tbill));
* xport variable names limited to 6 characters;
run;
df = pd.read_sas("transport-file.xpt")
df = pd.read_sas("binary-file.sas7bdat")
ファイル形式を直接指定することもできます。デフォルトでは、pandasは拡張子に基づいてファイル形式を推測しようとします。
df = pd.read_sas("transport-file.xpt", format="xport")
df = pd.read_sas("binary-file.sas7bdat", format="sas7bdat")
XPORTは比較的制限された形式であり、その解析は他のpandasリーダーほど最適化されていません。SASとpandasの間でデータを相互運用する別の方法は、csvにシリアル化することです。
# version 0.17, 10M rows
In [8]: %time df = pd.read_sas('big.xpt')
Wall time: 14.6 s
In [9]: %time df = pd.read_csv('big.csv')
Wall time: 4.86 s