データ構造入門#
まず、pandas の基本的なデータ構造について、手早く、包括的ではない概要から始めます。データ型、インデックス、軸ラベル、およびアラインメントに関する基本的な動作は、すべてのオブジェクトに適用されます。開始するには、NumPy をインポートし、pandas を名前空間にロードします。
In [1]: import numpy as np
In [2]: import pandas as pd
基本的に、データのアラインメントは本質的です。ラベルとデータの間のリンクは、ユーザーが明示的にそうしない限り、壊れることはありません。
まず、データ構造の簡単な紹介を行い、その後、さまざまな機能とメソッドのカテゴリを個別のセクションで検討します。
Series#
Series は、任意のデータ型 (整数、文字列、浮動小数点数、Python オブジェクトなど) を保持できる 1 次元ラベル付き配列です。軸ラベルは、まとめて インデックス と呼ばれます。Series を作成する基本的な方法は、次を呼び出すことです。
s = pd.Series(data, index=index)
ここで、data はさまざまなものにできます。
Python の dict
ndarray
スカラー値 (5 など)
渡された index は軸ラベルのリストです。したがって、これは data が何か によって、いくつかのケースに分かれます。
ndarray から
data が ndarray の場合、index は data と同じ長さである必要があります。インデックスが渡されない場合、[0, ..., len(data) - 1] の値を持つインデックスが作成されます。
In [3]: s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])
In [4]: s
Out[4]:
a 0.469112
b -0.282863
c -1.509059
d -1.135632
e 1.212112
dtype: float64
In [5]: s.index
Out[5]: Index(['a', 'b', 'c', 'd', 'e'], dtype='object')
In [6]: pd.Series(np.random.randn(5))
Out[6]:
0 -0.173215
1 0.119209
2 -1.044236
3 -0.861849
4 -2.104569
dtype: float64
注
pandas は一意でないインデックス値をサポートしています。重複インデックス値をサポートしない操作が試行された場合、その時点で例外が発生します。
dict から
Series は dict からインスタンス化できます。
In [7]: d = {"b": 1, "a": 0, "c": 2}
In [8]: pd.Series(d)
Out[8]:
b 1
a 0
c 2
dtype: int64
インデックスが渡された場合、インデックス内のラベルに対応するデータ内の値が抽出されます。
In [9]: d = {"a": 0.0, "b": 1.0, "c": 2.0}
In [10]: pd.Series(d)
Out[10]:
a 0.0
b 1.0
c 2.0
dtype: float64
In [11]: pd.Series(d, index=["b", "c", "d", "a"])
Out[11]:
b 1.0
c 2.0
d NaN
a 0.0
dtype: float64
注
NaN (Not a Number) は、pandas で使用される標準の欠損データマーカーです。
スカラー値から
data がスカラー値の場合、インデックスを指定する必要があります。値は、index の長さに一致するように繰り返されます。
In [12]: pd.Series(5.0, index=["a", "b", "c", "d", "e"])
Out[12]:
a 5.0
b 5.0
c 5.0
d 5.0
e 5.0
dtype: float64
Series は ndarray のようなもの#
Series は ndarray と非常に似た動作をし、ほとんどの NumPy 関数の有効な引数です。ただし、スライスなどの操作では、インデックスもスライスされます。
In [13]: s.iloc[0]
Out[13]: 0.4691122999071863
In [14]: s.iloc[:3]
Out[14]:
a 0.469112
b -0.282863
c -1.509059
dtype: float64
In [15]: s[s > s.median()]
Out[15]:
a 0.469112
e 1.212112
dtype: float64
In [16]: s.iloc[[4, 3, 1]]
Out[16]:
e 1.212112
d -1.135632
b -0.282863
dtype: float64
In [17]: np.exp(s)
Out[17]:
a 1.598575
b 0.753623
c 0.221118
d 0.321219
e 3.360575
dtype: float64
注
s.iloc[[4, 3, 1]] のような配列ベースのインデックスについては、インデックスに関するセクションで説明します。
NumPy 配列と同様に、pandas の Series は、単一の dtype を持ちます。
In [18]: s.dtype
Out[18]: dtype('float64')
これは多くの場合、NumPy の dtype です。ただし、pandas およびサードパーティライブラリは、いくつかの場所で NumPy の型システムを拡張します。その場合、dtype は ExtensionDtype になります。pandas 内の例としては、カテゴリカルデータと Nullable 整数データ型があります。詳細については、dtypes を参照してください。
Series をバックアップする実際の配列が必要な場合は、Series.array を使用します。
In [19]: s.array
Out[19]:
<NumpyExtensionArray>
[ 0.4691122999071863, -0.2828633443286633, -1.5090585031735124,
-1.1356323710171934, 1.2121120250208506]
Length: 5, dtype: float64
配列へのアクセスは、インデックスなしで何らかの操作を実行する必要がある場合 (たとえば、自動アラインメントを無効にする場合) に役立ちます。
Series.array は常に ExtensionArray になります。簡単に言えば、ExtensionArray は、numpy.ndarray のような 1 つ以上の具体的な配列を薄くラップしたものです。pandas は、ExtensionArray を取得し、Series または DataFrame の列に格納する方法を認識しています。詳細については、dtypes を参照してください。
Series は ndarray のようなものですが、実際の ndarray が必要な場合は、Series.to_numpy() を使用します。
In [20]: s.to_numpy()
Out[20]: array([ 0.4691, -0.2829, -1.5091, -1.1356, 1.2121])
Series が ExtensionArray でバックアップされている場合でも、Series.to_numpy() は NumPy ndarray を返します。
Series は dict のようなもの#
Series は、インデックスラベルで値を取得および設定できる点で、固定サイズの dict のようなものでもあります。
In [21]: s["a"]
Out[21]: 0.4691122999071863
In [22]: s["e"] = 12.0
In [23]: s
Out[23]:
a 0.469112
b -0.282863
c -1.509059
d -1.135632
e 12.000000
dtype: float64
In [24]: "e" in s
Out[24]: True
In [25]: "f" in s
Out[25]: False
ラベルがインデックスに含まれていない場合、例外が発生します。
In [26]: s["f"]
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3805, in Index.get_loc(self, key)
3804 try:
-> 3805 return self._engine.get_loc(casted_key)
3806 except KeyError as err:
File index.pyx:167, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:196, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7081, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7089, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'f'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[26], line 1
----> 1 s["f"]
File ~/work/pandas/pandas/pandas/core/series.py:1112, in Series.__getitem__(self, key)
1109 return self._values[key]
1111 elif key_is_scalar:
-> 1112 return self._get_value(key)
1114 # Convert generator to list before going through hashable part
1115 # (We will iterate through the generator there to check for slices)
1116 if is_iterator(key):
File ~/work/pandas/pandas/pandas/core/series.py:1228, in Series._get_value(self, label, takeable)
1225 return self._values[label]
1227 # Similar to Index.get_value, but we do not fall back to positional
-> 1228 loc = self.index.get_loc(label)
1230 if is_integer(loc):
1231 return self._values[loc]
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3812, in Index.get_loc(self, key)
3807 if isinstance(casted_key, slice) or (
3808 isinstance(casted_key, abc.Iterable)
3809 and any(isinstance(x, slice) for x in casted_key)
3810 ):
3811 raise InvalidIndexError(key)
-> 3812 raise KeyError(key) from err
3813 except TypeError:
3814 # If we have a listlike key, _check_indexing_error will raise
3815 # InvalidIndexError. Otherwise we fall through and re-raise
3816 # the TypeError.
3817 self._check_indexing_error(key)
KeyError: 'f'
Series.get() メソッドを使用すると、欠落しているラベルは None または指定されたデフォルトを返します。
In [27]: s.get("f")
In [28]: s.get("f", np.nan)
Out[28]: nan
これらのラベルは、属性を使用してアクセスすることもできます。
Series によるベクトル化された操作とラベルのアラインメント#
生の NumPy 配列を操作する場合、通常、値を 1 つずつループ処理する必要はありません。pandas の Series を操作する場合も同様です。Series は、ndarray を予期するほとんどの NumPy メソッドにも渡すことができます。
In [29]: s + s
Out[29]:
a 0.938225
b -0.565727
c -3.018117
d -2.271265
e 24.000000
dtype: float64
In [30]: s * 2
Out[30]:
a 0.938225
b -0.565727
c -3.018117
d -2.271265
e 24.000000
dtype: float64
In [31]: np.exp(s)
Out[31]:
a 1.598575
b 0.753623
c 0.221118
d 0.321219
e 162754.791419
dtype: float64
Series と ndarray の主な違いは、Series 間の操作では、ラベルに基づいてデータが自動的にアラインメントされることです。したがって、関与する Series が同じラベルを持っているかどうかを考慮せずに計算を記述できます。
In [32]: s.iloc[1:] + s.iloc[:-1]
Out[32]:
a NaN
b -0.565727
c -3.018117
d -2.271265
e NaN
dtype: float64
アラインメントされていないSeries間の演算の結果は、関係するインデックスの和集合になります。あるSeriesまたは別のSeriesでラベルが見つからない場合、結果は欠損値NaNとしてマークされます。明示的なデータアラインメントを行わずにコードを記述できることで、インタラクティブなデータ分析や研究において非常に大きな自由度と柔軟性が得られます。pandasのデータ構造に組み込まれたデータアラインメント機能は、ラベル付きデータを扱うための関連ツールの大部分とは一線を画しています。
注
一般的に、異なるインデックスを持つオブジェクト間の演算のデフォルトの結果をインデックスの和集合にすることを選択したのは、情報の損失を避けるためです。データが欠損しているとしても、インデックスラベルを持つことは、通常、計算の一部として重要な情報です。もちろん、dropna関数を使用して、欠損データを持つラベルを削除することもできます。
名前属性#
Seriesには、name属性もあります。
In [33]: s = pd.Series(np.random.randn(5), name="something")
In [34]: s
Out[34]:
0 -0.494929
1 1.071804
2 0.721555
3 -0.706771
4 -1.039575
Name: something, dtype: float64
In [35]: s.name
Out[35]: 'something'
Seriesのnameは、多くの場合、特にDataFrameから単一の列を選択する場合に自動的に割り当てられ、nameには列ラベルが割り当てられます。
Seriesの名前を変更するには、pandas.Series.rename()メソッドを使用します。
In [36]: s2 = s.rename("different")
In [37]: s2.name
Out[37]: 'different'
sとs2は異なるオブジェクトを参照することに注意してください。
DataFrame#
DataFrameは、潜在的に異なる型の列を持つ2次元のラベル付きデータ構造です。これは、スプレッドシートやSQLテーブル、またはSeriesオブジェクトの辞書のように考えることができます。一般的に、最もよく使用されるpandasオブジェクトです。Seriesと同様に、DataFrameはさまざまな種類の入力を受け付けます。
1次元ndarray、リスト、辞書、または
Seriesの辞書2次元numpy.ndarray
構造化またはレコードndarray
データとともに、オプションでindex（行ラベル）とcolumns（列ラベル）引数を渡すことができます。インデックスや列を渡すと、結果のDataFrameのインデックスや列が保証されます。したがって、Seriesの辞書に特定のインデックスを加えると、渡されたインデックスに一致しないすべてのデータが破棄されます。
軸ラベルが渡されない場合、常識的なルールに基づいて入力データから構築されます。
Seriesまたは辞書の辞書から#
結果のindexは、さまざまなSeriesのインデックスの和集合になります。ネストされた辞書がある場合、これらは最初にSeriesに変換されます。列が渡されない場合、列は辞書のキーの順序付きリストになります。
In [38]: d = {
....: "one": pd.Series([1.0, 2.0, 3.0], index=["a", "b", "c"]),
....: "two": pd.Series([1.0, 2.0, 3.0, 4.0], index=["a", "b", "c", "d"]),
....: }
....:
In [39]: df = pd.DataFrame(d)
In [40]: df
Out[40]:
one two
a 1.0 1.0
b 2.0 2.0
c 3.0 3.0
d NaN 4.0
In [41]: pd.DataFrame(d, index=["d", "b", "a"])
Out[41]:
one two
d NaN 4.0
b 2.0 2.0
a 1.0 1.0
In [42]: pd.DataFrame(d, index=["d", "b", "a"], columns=["two", "three"])
Out[42]:
two three
d 4.0 NaN
b 2.0 NaN
a 1.0 NaN
行と列のラベルには、それぞれindex属性とcolumns属性にアクセスすることでアクセスできます。
注
特定の列のセットがデータの辞書とともに渡されると、渡された列は辞書のキーをオーバーライドします。
In [43]: df.index
Out[43]: Index(['a', 'b', 'c', 'd'], dtype='object')
In [44]: df.columns
Out[44]: Index(['one', 'two'], dtype='object')
ndarray/リストの辞書から#
すべてのndarrayは同じ長さを共有する必要があります。インデックスが渡される場合は、配列と同じ長さである必要もあります。インデックスが渡されない場合、結果はrange(n)になります。ここで、nは配列の長さです。
In [45]: d = {"one": [1.0, 2.0, 3.0, 4.0], "two": [4.0, 3.0, 2.0, 1.0]}
In [46]: pd.DataFrame(d)
Out[46]:
one two
0 1.0 4.0
1 2.0 3.0
2 3.0 2.0
3 4.0 1.0
In [47]: pd.DataFrame(d, index=["a", "b", "c", "d"])
Out[47]:
one two
a 1.0 4.0
b 2.0 3.0
c 3.0 2.0
d 4.0 1.0
構造化またはレコード配列から#
このケースは、配列の辞書と同じように処理されます。
In [48]: data = np.zeros((2,), dtype=[("A", "i4"), ("B", "f4"), ("C", "a10")])
In [49]: data[:] = [(1, 2.0, "Hello"), (2, 3.0, "World")]
In [50]: pd.DataFrame(data)
Out[50]:
A B C
0 1 2.0 b'Hello'
1 2 3.0 b'World'
In [51]: pd.DataFrame(data, index=["first", "second"])
Out[51]:
A B C
first 1 2.0 b'Hello'
second 2 3.0 b'World'
In [52]: pd.DataFrame(data, columns=["C", "A", "B"])
Out[52]:
C A B
0 b'Hello' 1 2.0
1 b'World' 2 3.0
注
DataFrameは、2次元のNumPy ndarrayとまったく同じように動作することを意図していません。
辞書のリストから#
In [53]: data2 = [{"a": 1, "b": 2}, {"a": 5, "b": 10, "c": 20}]
In [54]: pd.DataFrame(data2)
Out[54]:
a b c
0 1 2 NaN
1 5 10 20.0
In [55]: pd.DataFrame(data2, index=["first", "second"])
Out[55]:
a b c
first 1 2 NaN
second 5 10 20.0
In [56]: pd.DataFrame(data2, columns=["a", "b"])
Out[56]:
a b
0 1 2
1 5 10
タプルの辞書から#
タプルの辞書を渡すことで、MultiIndexedフレームを自動的に作成できます。
In [57]: pd.DataFrame(
....: {
....: ("a", "b"): {("A", "B"): 1, ("A", "C"): 2},
....: ("a", "a"): {("A", "C"): 3, ("A", "B"): 4},
....: ("a", "c"): {("A", "B"): 5, ("A", "C"): 6},
....: ("b", "a"): {("A", "C"): 7, ("A", "B"): 8},
....: ("b", "b"): {("A", "D"): 9, ("A", "B"): 10},
....: }
....: )
....:
Out[57]:
a b
b a c a b
A B 1.0 4.0 5.0 8.0 10.0
C 2.0 3.0 6.0 7.0 NaN
D NaN NaN NaN NaN 9.0
Seriesから#
結果は、入力Seriesと同じインデックスを持ち、列名が指定されていない場合に、元のSeriesの名前を列名とする1つの列を持つDataFrameになります。
In [58]: ser = pd.Series(range(3), index=list("abc"), name="ser")
In [59]: pd.DataFrame(ser)
Out[59]:
ser
a 0
b 1
c 2
namedtupleのリストから#
リスト内の最初のnamedtupleのフィールド名によって、DataFrameの列が決まります。残りのnamedtuple（またはタプル）は単にアンパックされ、その値がDataFrameの行に供給されます。これらのタプルのいずれかが最初のnamedtupleよりも短い場合、対応する行の後続の列は欠損値としてマークされます。いずれかが最初のnamedtupleよりも長い場合、ValueErrorが発生します。
In [60]: from collections import namedtuple
In [61]: Point = namedtuple("Point", "x y")
In [62]: pd.DataFrame([Point(0, 0), Point(0, 3), (2, 3)])
Out[62]:
x y
0 0 0
1 0 3
2 2 3
In [63]: Point3D = namedtuple("Point3D", "x y z")
In [64]: pd.DataFrame([Point3D(0, 0, 0), Point3D(0, 3, 5), Point(2, 3)])
Out[64]:
x y z
0 0 0 0.0
1 0 3 5.0
2 2 3 NaN
dataclassesのリストから#
PEP557で導入されたData Classesは、DataFrameコンストラクターに渡すことができます。dataclassesのリストを渡すことは、辞書のリストを渡すことと同等です。
リスト内のすべての値はdataclassesである必要があり、リスト内の型を混在させるとTypeErrorが発生することに注意してください。
In [65]: from dataclasses import make_dataclass
In [66]: Point = make_dataclass("Point", [("x", int), ("y", int)])
In [67]: pd.DataFrame([Point(0, 0), Point(0, 3), Point(2, 3)])
Out[67]:
x y
0 0 0
1 0 3
2 2 3
欠損データ
欠損データを含むDataFrameを構築するには、欠損値を表すためにnp.nanを使用します。または、numpy.MaskedArrayをDataFrameコンストラクターへのデータ引数として渡し、そのマスクされたエントリが欠損と見なされます。詳細については、欠損データを参照してください。
代替コンストラクター#
DataFrame.from_dict
DataFrame.from_dict()は、辞書の辞書または配列のようなシーケンスの辞書を受け取り、DataFrameを返します。これは、デフォルトで'columns'であるorientパラメーターを除いて、DataFrameコンストラクターのように動作します。ただし、辞書のキーを行ラベルとして使用するために'index'に設定できます。
In [68]: pd.DataFrame.from_dict(dict([("A", [1, 2, 3]), ("B", [4, 5, 6])]))
Out[68]:
A B
0 1 4
1 2 5
2 3 6
orient='index'を渡すと、キーは行ラベルになります。この場合、必要な列名を渡すこともできます。
In [69]: pd.DataFrame.from_dict(
....: dict([("A", [1, 2, 3]), ("B", [4, 5, 6])]),
....: orient="index",
....: columns=["one", "two", "three"],
....: )
....:
Out[69]:
one two three
A 1 2 3
B 4 5 6
DataFrame.from_records
DataFrame.from_records()は、タプルのリストまたは構造化dtypeのndarrayを受け取ります。これは、通常のDataFrameコンストラクターと同様に動作します。ただし、結果のDataFrameインデックスは構造化dtypeの特定のフィールドになる可能性があります。
In [70]: data
Out[70]:
array([(1, 2., b'Hello'), (2, 3., b'World')],
dtype=[('A', '<i4'), ('B', '<f4'), ('C', 'S10')])
In [71]: pd.DataFrame.from_records(data, index="C")
Out[71]:
A B
C
b'Hello' 1 2.0
b'World' 2 3.0
列の選択、追加、削除#
DataFrameは、同じインデックスを持つSeriesオブジェクトの辞書のように意味的に扱うことができます。列の取得、設定、削除は、対応する辞書操作と同じ構文で動作します。
In [72]: df["one"]
Out[72]:
a 1.0
b 2.0
c 3.0
d NaN
Name: one, dtype: float64
In [73]: df["three"] = df["one"] * df["two"]
In [74]: df["flag"] = df["one"] > 2
In [75]: df
Out[75]:
one two three flag
a 1.0 1.0 1.0 False
b 2.0 2.0 4.0 False
c 3.0 3.0 9.0 True
d NaN 4.0 NaN False
列は、辞書のように削除またはポップできます。
In [76]: del df["two"]
In [77]: three = df.pop("three")
In [78]: df
Out[78]:
one flag
a 1.0 False
b 2.0 False
c 3.0 True
d NaN False
スカラー値を挿入すると、当然、列を埋めるために伝播されます。
In [79]: df["foo"] = "bar"
In [80]: df
Out[80]:
one flag foo
a 1.0 False bar
b 2.0 False bar
c 3.0 True bar
d NaN False bar
DataFrameと同じインデックスを持たないSeriesを挿入すると、DataFrameのインデックスに適合されます。
In [81]: df["one_trunc"] = df["one"][:2]
In [82]: df
Out[82]:
one flag foo one_trunc
a 1.0 False bar 1.0
b 2.0 False bar 2.0
c 3.0 True bar NaN
d NaN False bar NaN
生のndarrayを挿入できますが、その長さはDataFrameのインデックスの長さと一致する必要があります。
デフォルトでは、列は最後に挿入されます。DataFrame.insert()は、列の特定の位置に挿入します。
In [83]: df.insert(1, "bar", df["one"])
In [84]: df
Out[84]:
one bar flag foo one_trunc
a 1.0 1.0 False bar 1.0
b 2.0 2.0 False bar 2.0
c 3.0 3.0 True bar NaN
d NaN NaN False bar NaN
メソッドチェーンでの新しい列の割り当て#
dplyrのmutate動詞に触発されて、DataFrameには、既存の列から派生する可能性のある新しい列を簡単に作成できるassign()メソッドがあります。
In [85]: iris = pd.read_csv("data/iris.data")
In [86]: iris.head()
Out[86]:
SepalLength SepalWidth PetalLength PetalWidth Name
0 5.1 3.5 1.4 0.2 Iris-setosa
1 4.9 3.0 1.4 0.2 Iris-setosa
2 4.7 3.2 1.3 0.2 Iris-setosa
3 4.6 3.1 1.5 0.2 Iris-setosa
4 5.0 3.6 1.4 0.2 Iris-setosa
In [87]: iris.assign(sepal_ratio=iris["SepalWidth"] / iris["SepalLength"]).head()
Out[87]:
SepalLength SepalWidth PetalLength PetalWidth Name sepal_ratio
0 5.1 3.5 1.4 0.2 Iris-setosa 0.686275
1 4.9 3.0 1.4 0.2 Iris-setosa 0.612245
2 4.7 3.2 1.3 0.2 Iris-setosa 0.680851
3 4.6 3.1 1.5 0.2 Iris-setosa 0.673913
4 5.0 3.6 1.4 0.2 Iris-setosa 0.720000
上記の例では、事前に計算された値を挿入しました。また、代入される DataFrame で評価される 1 つの引数を持つ関数を渡すこともできます。
In [88]: iris.assign(sepal_ratio=lambda x: (x["SepalWidth"] / x["SepalLength"])).head()
Out[88]:
SepalLength SepalWidth PetalLength PetalWidth Name sepal_ratio
0 5.1 3.5 1.4 0.2 Iris-setosa 0.686275
1 4.9 3.0 1.4 0.2 Iris-setosa 0.612245
2 4.7 3.2 1.3 0.2 Iris-setosa 0.680851
3 4.6 3.1 1.5 0.2 Iris-setosa 0.673913
4 5.0 3.6 1.4 0.2 Iris-setosa 0.720000
assign() は、常にデータのコピーを返し、元の DataFrame は変更しません。
挿入する実際の値の代わりに、呼び出し可能オブジェクトを渡すことは、手元に DataFrame への参照がない場合に便利です。これは、一連の操作で assign() を使用する場合によくあります。たとえば、Sepal Length が 5 より大きい観測値のみに DataFrame を制限し、比率を計算してプロットすることができます。
In [89]: (
....: iris.query("SepalLength > 5")
....: .assign(
....: SepalRatio=lambda x: x.SepalWidth / x.SepalLength,
....: PetalRatio=lambda x: x.PetalWidth / x.PetalLength,
....: )
....: .plot(kind="scatter", x="SepalRatio", y="PetalRatio")
....: )
....:
Out[89]: <Axes: xlabel='SepalRatio', ylabel='PetalRatio'>
関数が渡されるため、関数は代入される DataFrame で計算されます。重要なことは、これは sepal length が 5 より大きい行にフィルタリングされた DataFrame であるということです。フィルタリングが最初に行われ、次に比率の計算が行われます。これは、フィルタリングされた DataFrame への参照が利用できなかった例です。
assign() の関数シグネチャは、単に **kwargs です。キーは新しいフィールドの列名で、値は挿入する値（たとえば、Series または NumPy 配列）か、DataFrame で呼び出される 1 つの引数の関数です。新しい値が挿入された元の DataFrame のコピーが返されます。
**kwargs の順序は保持されます。これにより、**kwargs の後の式が、同じ assign() で前に作成された列を参照できる、依存割り当てが可能になります。
In [90]: dfa = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})
In [91]: dfa.assign(C=lambda x: x["A"] + x["B"], D=lambda x: x["A"] + x["C"])
Out[91]:
A B C D
0 1 4 5 6
1 2 5 7 9
2 3 6 9 12
2 番目の式では、x['C'] は、dfa['A'] + dfa['B'] と等しい、新しく作成された列を参照します。
インデックス/選択#
インデックス作成の基本は次のとおりです。
操作 |
構文 |
結果 |
|---|---|---|
列の選択 |
|
Series |
ラベルによる行の選択 |
|
Series |
整数位置による行の選択 |
|
Series |
行のスライス |
|
DataFrame |
ブールベクトルによる行の選択 |
|
DataFrame |
たとえば、行の選択は、インデックスが DataFrame の列である Series を返します。
In [92]: df.loc["b"]
Out[92]:
one 2.0
bar 2.0
flag False
foo bar
one_trunc 2.0
Name: b, dtype: object
In [93]: df.iloc[2]
Out[93]:
one 3.0
bar 3.0
flag True
foo bar
one_trunc NaN
Name: c, dtype: object
高度なラベルベースのインデックス作成とスライスの詳細については、インデックス作成に関するセクションを参照してください。ラベルの新しいセットへの再インデックス作成/適合の基本については、再インデックス作成に関するセクションで説明します。
データ整列と算術演算#
DataFrame オブジェクト間のデータ整列は、列とインデックス (行ラベル) の両方で自動的に整列します。繰り返しますが、結果のオブジェクトには、列と行のラベルの和集合が含まれます。
In [94]: df = pd.DataFrame(np.random.randn(10, 4), columns=["A", "B", "C", "D"])
In [95]: df2 = pd.DataFrame(np.random.randn(7, 3), columns=["A", "B", "C"])
In [96]: df + df2
Out[96]:
A B C D
0 0.045691 -0.014138 1.380871 NaN
1 -0.955398 -1.501007 0.037181 NaN
2 -0.662690 1.534833 -0.859691 NaN
3 -2.452949 1.237274 -0.133712 NaN
4 1.414490 1.951676 -2.320422 NaN
5 -0.494922 -1.649727 -1.084601 NaN
6 -1.047551 -0.748572 -0.805479 NaN
7 NaN NaN NaN NaN
8 NaN NaN NaN NaN
9 NaN NaN NaN NaN
DataFrame と Series の間で操作を行う場合、デフォルトの動作は、Series のインデックスを DataFrame の列に合わせるため、行方向にブロードキャストします。たとえば
In [97]: df - df.iloc[0]
Out[97]:
A B C D
0 0.000000 0.000000 0.000000 0.000000
1 -1.359261 -0.248717 -0.453372 -1.754659
2 0.253128 0.829678 0.010026 -1.991234
3 -1.311128 0.054325 -1.724913 -1.620544
4 0.573025 1.500742 -0.676070 1.367331
5 -1.741248 0.781993 -1.241620 -2.053136
6 -1.240774 -0.869551 -0.153282 0.000430
7 -0.743894 0.411013 -0.929563 -0.282386
8 -1.194921 1.320690 0.238224 -1.482644
9 2.293786 1.856228 0.773289 -1.446531
マッチングとブロードキャストの動作を明示的に制御するには、柔軟なバイナリ演算に関するセクションを参照してください。
スカラーによる算術演算は、要素ごとに行われます。
In [98]: df * 5 + 2
Out[98]:
A B C D
0 3.359299 -0.124862 4.835102 3.381160
1 -3.437003 -1.368449 2.568242 -5.392133
2 4.624938 4.023526 4.885230 -6.575010
3 -3.196342 0.146766 -3.789461 -4.721559
4 6.224426 7.378849 1.454750 10.217815
5 -5.346940 3.785103 -1.373001 -6.884519
6 -2.844569 -4.472618 4.068691 3.383309
7 -0.360173 1.930201 0.187285 1.969232
8 -2.615303 6.478587 6.026220 -4.032059
9 14.828230 9.156280 8.701544 -3.851494
In [99]: 1 / df
Out[99]:
A B C D
0 3.678365 -2.353094 1.763605 3.620145
1 -0.919624 -1.484363 8.799067 -0.676395
2 1.904807 2.470934 1.732964 -0.583090
3 -0.962215 -2.697986 -0.863638 -0.743875
4 1.183593 0.929567 -9.170108 0.608434
5 -0.680555 2.800959 -1.482360 -0.562777
6 -1.032084 -0.772485 2.416988 3.614523
7 -2.118489 -71.634509 -2.758294 -162.507295
8 -1.083352 1.116424 1.241860 -0.828904
9 0.389765 0.698687 0.746097 -0.854483
In [100]: df ** 4
Out[100]:
A B C D
0 0.005462 3.261689e-02 0.103370 5.822320e-03
1 1.398165 2.059869e-01 0.000167 4.777482e+00
2 0.075962 2.682596e-02 0.110877 8.650845e+00
3 1.166571 1.887302e-02 1.797515 3.265879e+00
4 0.509555 1.339298e+00 0.000141 7.297019e+00
5 4.661717 1.624699e-02 0.207103 9.969092e+00
6 0.881334 2.808277e+00 0.029302 5.858632e-03
7 0.049647 3.797614e-08 0.017276 1.433866e-09
8 0.725974 6.437005e-01 0.420446 2.118275e+00
9 43.329821 4.196326e+00 3.227153 1.875802e+00
ブール演算子も、要素ごとに行われます。
In [101]: df1 = pd.DataFrame({"a": [1, 0, 1], "b": [0, 1, 1]}, dtype=bool)
In [102]: df2 = pd.DataFrame({"a": [0, 1, 1], "b": [1, 1, 0]}, dtype=bool)
In [103]: df1 & df2
Out[103]:
a b
0 False False
1 False True
2 True False
In [104]: df1 | df2
Out[104]:
a b
0 True True
1 True True
2 True True
In [105]: df1 ^ df2
Out[105]:
a b
0 True True
1 True False
2 False True
In [106]: -df1
Out[106]:
a b
0 False True
1 True False
2 False False
転置#
転置するには、ndarray と同様に、T 属性または DataFrame.transpose() にアクセスします。
# only show the first 5 rows
In [107]: df[:5].T
Out[107]:
0 1 2 3 4
A 0.271860 -1.087401 0.524988 -1.039268 0.844885
B -0.424972 -0.673690 0.404705 -0.370647 1.075770
C 0.567020 0.113648 0.577046 -1.157892 -0.109050
D 0.276232 -1.478427 -1.715002 -1.344312 1.643563
NumPy 関数との DataFrame の相互運用性#
ほとんどの NumPy 関数は、Series および DataFrame で直接呼び出すことができます。
In [108]: np.exp(df)
Out[108]:
A B C D
0 1.312403 0.653788 1.763006 1.318154
1 0.337092 0.509824 1.120358 0.227996
2 1.690438 1.498861 1.780770 0.179963
3 0.353713 0.690288 0.314148 0.260719
4 2.327710 2.932249 0.896686 5.173571
5 0.230066 1.429065 0.509360 0.169161
6 0.379495 0.274028 1.512461 1.318720
7 0.623732 0.986137 0.695904 0.993865
8 0.397301 2.449092 2.237242 0.299269
9 13.009059 4.183951 3.820223 0.310274
In [109]: np.asarray(df)
Out[109]:
array([[ 0.2719, -0.425 , 0.567 , 0.2762],
[-1.0874, -0.6737, 0.1136, -1.4784],
[ 0.525 , 0.4047, 0.577 , -1.715 ],
[-1.0393, -0.3706, -1.1579, -1.3443],
[ 0.8449, 1.0758, -0.109 , 1.6436],
[-1.4694, 0.357 , -0.6746, -1.7769],
[-0.9689, -1.2945, 0.4137, 0.2767],
[-0.472 , -0.014 , -0.3625, -0.0062],
[-0.9231, 0.8957, 0.8052, -1.2064],
[ 2.5656, 1.4313, 1.3403, -1.1703]])
DataFrame は、そのインデックス作成のセマンティクスとデータモデルが n 次元配列とは異なる場所があるため、ndarray の直接の代替として意図されていません。
Series は、NumPy のユニバーサル関数で動作できるようにする __array_ufunc__ を実装します。
ufunc は、Series の基になる配列に適用されます。
In [110]: ser = pd.Series([1, 2, 3, 4])
In [111]: np.exp(ser)
Out[111]:
0 2.718282
1 7.389056
2 20.085537
3 54.598150
dtype: float64
複数の Series が ufunc に渡されると、操作を実行する前に整列されます。
ライブラリの他の部分と同様に、pandas は、複数の入力を持つ ufunc の一部として、ラベル付きの入力を自動的に整列します。たとえば、異なる順序のラベルを持つ 2 つの Series で numpy.remainder() を使用すると、操作の前に整列されます。
In [112]: ser1 = pd.Series([1, 2, 3], index=["a", "b", "c"])
In [113]: ser2 = pd.Series([1, 3, 5], index=["b", "a", "c"])
In [114]: ser1
Out[114]:
a 1
b 2
c 3
dtype: int64
In [115]: ser2
Out[115]:
b 1
a 3
c 5
dtype: int64
In [116]: np.remainder(ser1, ser2)
Out[116]:
a 1
b 0
c 3
dtype: int64
通常どおり、2 つのインデックスの和集合が取得され、重複しない値は欠損値で埋められます。
In [117]: ser3 = pd.Series([2, 4, 6], index=["b", "c", "d"])
In [118]: ser3
Out[118]:
b 2
c 4
d 6
dtype: int64
In [119]: np.remainder(ser1, ser3)
Out[119]:
a NaN
b 0.0
c 3.0
d NaN
dtype: float64
バイナリ ufunc が Series と Index に適用されると、Series の実装が優先され、Series が返されます。
In [120]: ser = pd.Series([1, 2, 3])
In [121]: idx = pd.Index([4, 5, 6])
In [122]: np.maximum(ser, idx)
Out[122]:
0 4
1 5
2 6
dtype: int64
NumPy ufunc は、たとえば arrays.SparseArray （スパース計算を参照）など、ndarray 配列ではない配列によってバックアップされた Series に安全に適用できます。可能な場合、ufunc は、基になるデータを ndarray に変換せずに適用されます。
コンソール表示#
非常に大きな DataFrame は、コンソールに表示するために切り捨てられます。info() を使用して概要を取得することもできます。（baseball データセットは、plyr R パッケージのものです）
In [123]: baseball = pd.read_csv("data/baseball.csv")
In [124]: print(baseball)
id player year stint team lg ... so ibb hbp sh sf gidp
0 88641 womacto01 2006 2 CHN NL ... 4.0 0.0 0.0 3.0 0.0 0.0
1 88643 schilcu01 2006 1 BOS AL ... 1.0 0.0 0.0 0.0 0.0 0.0
.. ... ... ... ... ... .. ... ... ... ... ... ... ...
98 89533 aloumo01 2007 1 NYN NL ... 30.0 5.0 2.0 0.0 3.0 13.0
99 89534 alomasa02 2007 1 NYN NL ... 3.0 0.0 0.0 0.0 0.0 0.0
[100 rows x 23 columns]
In [125]: baseball.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 23 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id 100 non-null int64
1 player 100 non-null object
2 year 100 non-null int64
3 stint 100 non-null int64
4 team 100 non-null object
5 lg 100 non-null object
6 g 100 non-null int64
7 ab 100 non-null int64
8 r 100 non-null int64
9 h 100 non-null int64
10 X2b 100 non-null int64
11 X3b 100 non-null int64
12 hr 100 non-null int64
13 rbi 100 non-null float64
14 sb 100 non-null float64
15 cs 100 non-null float64
16 bb 100 non-null int64
17 so 100 non-null float64
18 ibb 100 non-null float64
19 hbp 100 non-null float64
20 sh 100 non-null float64
21 sf 100 non-null float64
22 gidp 100 non-null float64
dtypes: float64(9), int64(11), object(3)
memory usage: 18.1+ KB
ただし、DataFrame.to_string() を使用すると、DataFrame の表形式の文字列表現が返されますが、常にコンソールの幅に収まるとは限りません。
In [126]: print(baseball.iloc[-20:, :12].to_string())
id player year stint team lg g ab r h X2b X3b
80 89474 finlest01 2007 1 COL NL 43 94 9 17 3 0
81 89480 embreal01 2007 1 OAK AL 4 0 0 0 0 0
82 89481 edmonji01 2007 1 SLN NL 117 365 39 92 15 2
83 89482 easleda01 2007 1 NYN NL 76 193 24 54 6 0
84 89489 delgaca01 2007 1 NYN NL 139 538 71 139 30 0
85 89493 cormirh01 2007 1 CIN NL 6 0 0 0 0 0
86 89494 coninje01 2007 2 NYN NL 21 41 2 8 2 0
87 89495 coninje01 2007 1 CIN NL 80 215 23 57 11 1
88 89497 clemero02 2007 1 NYA AL 2 2 0 1 0 0
89 89498 claytro01 2007 2 BOS AL 8 6 1 0 0 0
90 89499 claytro01 2007 1 TOR AL 69 189 23 48 14 0
91 89501 cirilje01 2007 2 ARI NL 28 40 6 8 4 0
92 89502 cirilje01 2007 1 MIN AL 50 153 18 40 9 2
93 89521 bondsba01 2007 1 SFN NL 126 340 75 94 14 0
94 89523 biggicr01 2007 1 HOU NL 141 517 68 130 31 3
95 89525 benitar01 2007 2 FLO NL 34 0 0 0 0 0
96 89526 benitar01 2007 1 SFN NL 19 0 0 0 0 0
97 89530 ausmubr01 2007 1 HOU NL 117 349 38 82 16 3
98 89533 aloumo01 2007 1 NYN NL 87 328 51 112 19 1
99 89534 alomasa02 2007 1 NYN NL 8 22 1 3 1 0
幅の広い DataFrame は、デフォルトで複数行にわたって印刷されます。
In [127]: pd.DataFrame(np.random.randn(3, 12))
Out[127]:
0 1 2 ... 9 10 11
0 -1.226825 0.769804 -1.281247 ... -1.110336 -0.619976 0.149748
1 -0.732339 0.687738 0.176444 ... 1.462696 -1.743161 -0.826591
2 -0.345352 1.314232 0.690579 ... 0.896171 -0.487602 -0.082240
[3 rows x 12 columns]
display.width オプションを設定して、1 行に印刷する量を変更できます。
In [128]: pd.set_option("display.width", 40) # default is 80
In [129]: pd.DataFrame(np.random.randn(3, 12))
Out[129]:
0 1 2 ... 9 10 11
0 -2.182937 0.380396 0.084844 ... -0.023688 2.410179 1.450520
1 0.206053 -0.251905 -2.213588 ... -0.025747 -0.988387 0.094055
2 1.262731 1.289997 0.082423 ... -0.281461 0.030711 0.109121
[3 rows x 12 columns]
display.max_colwidth を設定することで、個々の列の最大幅を調整できます。
In [130]: datafile = {
.....: "filename": ["filename_01", "filename_02"],
.....: "path": [
.....: "media/user_name/storage/folder_01/filename_01",
.....: "media/user_name/storage/folder_02/filename_02",
.....: ],
.....: }
.....:
In [131]: pd.set_option("display.max_colwidth", 30)
In [132]: pd.DataFrame(datafile)
Out[132]:
filename path
0 filename_01 media/user_name/storage/fo...
1 filename_02 media/user_name/storage/fo...
In [133]: pd.set_option("display.max_colwidth", 100)
In [134]: pd.DataFrame(datafile)
Out[134]:
filename path
0 filename_01 media/user_name/storage/folder_01/filename_01
1 filename_02 media/user_name/storage/folder_02/filename_02
expand_frame_repr オプションを介して、この機能を無効にすることもできます。これにより、テーブルが 1 つのブロックで印刷されます。
DataFrame 列の属性アクセスと IPython の補完#
DataFrame の列ラベルが有効な Python 変数名である場合、属性のように列にアクセスできます。
In [135]: df = pd.DataFrame({"foo1": np.random.randn(5), "foo2": np.random.randn(5)})
In [136]: df
Out[136]:
foo1 foo2
0 1.126203 0.781836
1 -0.977349 -1.071357
2 1.474071 0.441153
3 -0.064034 2.353925
4 -1.282782 0.583787
In [137]: df.foo1
Out[137]:
0 1.126203
1 -0.977349
2 1.474071
3 -0.064034
4 -1.282782
Name: foo1, dtype: float64
列は、IPython 補完メカニズムにも接続されているため、タブ補完できます。
In [5]: df.foo<TAB> # noqa: E225, E999
df.foo1 df.foo2