データ構造入門#
まずは、pandasの基本的なデータ構造について、手早く、網羅的ではない概要を説明します。データ型、インデックス付け、軸ラベル付け、アライ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。始めるには、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
根本的に、データアライメントは本質的です。ラベルとデータの間のリンクは、明示的に行われない限り切断されません。
データ構造について簡単に紹介した後、すべての広範な機能カテゴリとメソッドについて個別のセクションで検討します。
Series#
Seriesは、1次元のラベル付き配列で、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）を保持できます。軸ラベルは総称し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なります。
Python辞書
ndarray
スカラー値（例：5）
渡されるインデックスは、軸ラベルのリストです。したがって、これはdataが何であるかによって、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は非一意なインデックス値をサポートしています。重複する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、その時点で例外がスローされます。
辞書から
Seriesは辞書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で使われる標準的な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、インデックスが提供されなければなりません。値はindexの長さに合う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ライク#
Seriesはndarrayと非常によく似た動作をし、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付けについては、インデックス付け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を持っています。
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やサードパーティライブラリはNumPyの型システムをいくつかの点で拡張しており、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やNull許容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を使用してください。
In [19]: s.array
Out[19]:
<NumpyExtensionArray>
[ 0.4691122999071863, -0.2828633443286633, -1.5090585031735124,
-1.1356323710171934, 1.2121120250208506]
Length: 5, dtype: float64
インデックスなしで何らかの操作を行う必要がある場合（たとえば、自動アライメントを無効にするため）には、配列にアクセスすることが役立ちます。
Series.arrayは常にExtensionArrayになります。簡単に言うと、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を受け取り、それをSeriesまたはDataFrameの列に格納する方法を知っています。詳細についてはdtypesを参照してください。
Seriesはndarrayライクですが、実際のndarrayが必要な場合はSeries.to_numpy()を使用してください。
In [20]: s.to_numpy()
Out[20]: array([ 0.4691, -0.2829, -1.5091, -1.1356, 1.2121])
SeriesがExtensionArrayによって裏付けられている場合でも、Series.to_numpy()はNumPy ndarrayを返します。
Seriesはdictライク#
Seriesは、インデックスラベルで値を取得したり設定したりできるという点で、固定サイズの辞書にも似ています。
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
インデックスにラベルが含まれていない場合、例外がスローされます。
In [26]: s["f"]
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3812, in Index.get_loc(self, key)
3811 try:
-> 3812 return self._engine.get_loc(casted_key)
3813 except KeyError as err:
File ~/work/pandas/pandas/pandas/_libs/index.pyx:167, in pandas._libs.index.IndexEngine.get_loc()
File ~/work/pandas/pandas/pandas/_libs/index.pyx:196, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7088, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7096, 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:1130, in Series.__getitem__(self, key)
1127 return self._values[key]
1129 elif key_is_scalar:
-> 1130 return self._get_value(key)
1132 # Convert generator to list before going through hashable part
1133 # (We will iterate through the generator there to check for slices)
1134 if is_iterator(key):
File ~/work/pandas/pandas/pandas/core/series.py:1246, in Series._get_value(self, label, takeable)
1243 return self._values[label]
1245 # Similar to Index.get_value, but we do not fall back to positional
-> 1246 loc = self.index.get_loc(label)
1248 if is_integer(loc):
1249 return self._values[loc]
File ~/work/pandas/pandas/pandas/core/indexes/base.py:3819, in Index.get_loc(self, key)
3814 if isinstance(casted_key, slice) or (
3815 isinstance(casted_key, abc.Iterable)
3816 and any(isinstance(x, slice) for x in casted_key)
3817 ):
3818 raise InvalidIndexError(key)
-> 3819 raise KeyError(key) from err
3820 except TypeError:
3821 # If we have a listlike key, _check_indexing_error will raise
3822 # InvalidIndexError. Otherwise we fall through and re-raise
3823 # the TypeError.
3824 self._check_indexing_error(key)
KeyError: 'f'
Series.get()メソッドを使用すると、見つからないラベルはNoneまたは指定されたデフォルト値を返します。
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によってアクセスすることもできます。
Seriesを使用したベクトル化された操作とラベルアライメント#
生のNumPy配列を使用する場合、通常、値を1つずつループする必要はありません。これはpandasでSeriesを扱う場合も同様です。Seriesは、ndarrayを期待するほとんどのNumPyメソッドに渡すこともできます。
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間の操作がラベルに基づいてデータを自動的にアラインすることです。したがって、関係する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
アラインされていないSeries間の操作の結果は、関係するインデックスの和集合を持ちます。一方のSeriesに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メントなしでコードを記述できることは、インタラクティブなデータ分析と研究において計り知れない自由と柔軟性をもたらします。pandasのデータ構造に統合されたデータアライメント機能は、ラベル付きデータを扱うほとんどの関連ツールからpandasを際立たせています。
注
一般に、異なるインデックスを持つオブジェクト間の操作のデフォルトの結果をインデックスの和集合とすることで、情報損失を避けるようにしました。データが欠損している場合でも、インデックスラベルを持つことは、計算の一部として通常重要な情報です。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オプションもあります。
Name属性#
Seriesもname属性を持っています。
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、多くの場合自動的に割り当てられます。特に、DataFrameから単一の列を選択する場合、nameは列ラベルとして割り当てられます。
pandas.Series.rename()メソッドを使用して、Seriesの名前を変更できます。
In [36]: s2 = s.rename("different")
In [37]: s2.name
Out[37]: 'different'
sとs2が異なるオブジェクトを参照していることに注意してください。
DataFrame#
DataFrameは、型が異なる可能性のある列を持つ2次元のラベル付きデータ構造です。スプレッドシートやSQLテーブル、あるいはSeriesオブジェクトの辞書のように考えることができます。通常、最も一般的に使用される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入れます。
1D ndarray、リスト、辞書、または
Seriesの辞書2-D numpy.ndarray
構造化またはレコード ndarray
A
Series
データとともに、オプションでindex（行ラベル）およびcolumns（列ラベル）引数を渡すことができます。indexやcolumnsを渡すと、結果のDataFrameのindexやcolumnsが保証されます。したがって、Seriesの辞書に特定のindexを追加すると、渡されたindexと一致しないすべてのデータは破棄されます。
軸ラベルが渡されない場合、一般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dictのdictから#
結果のindexは、さまざまなSeriesのインデックスのユニオンになります。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
行と列のラベルは、それぞれindex属性とcolumns属性にアクセスすることで取得できます。
注
特定の列セットがデータ辞書とともに渡されると、渡された列が辞書のキーを上書きします。
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 / listの辞書から#
すべてのndarrayは同じ長さを共有しなければなりません。インデックスが渡される場合、そのインデックスも配列と同じ長さでなければなりません。インデックスが渡されない場合、結果はrange(n)となり、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
構造化配列またはレコード配列から#
このケースは、配列の辞書と同一に扱われます。
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と完全に同じように動作するように意図されていません。
辞書リストから#
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、その名前が元のSeriesの名前である1つの列を持つDataFrameになります（他の列名が指定されていない場合のみ）。
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
名前付きタプルリストから#
リストの最初のnamedtupleのフィールド名が、DataFrameの列を決定します。残りのnamedtuple（またはタプル）は単純に展開され、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がスローされます。
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
データクラスリストから#
PEP557で導入されたデータクラスは、DataFrameコンストラクタに渡すことができます。データクラスのリストを渡すことは、辞書のリストを渡すことと等価です。
リスト内のすべての値がデータクラスである必要があることに注意してください。リスト内で型を混在させるとTypeErrorが発生します。
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コンストラクタのデータ引数として渡し、そのマスクされたエントリは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#
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。DataFrameコンストラクタと同様に動作しますが、orientパラメータがデフォルトで'columns'である点が異なります。このパラメータは、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、キーが行ラベルになります。この場合、目的の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を持つndarrayを受け取ります。通常のDataFrameコンストラクタと同様に動作しますが、結果のDataFrameインデックスが構造化dtypeの特定のフィールドである可能性がある点が異なります。
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、意味的に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機能します。
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、辞書と同様に削除したりポップしたりできます。
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、自然に列全体に伝播されます。
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のインデックスに合わせられます。
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を挿入することはできますが、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、列は末尾に挿入されます。DataFrame.insert()は、列内の特定の場所に挿入します。
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。割り当てられるDataFrameで評価される1引数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には手を加えません。
挿入する実際の値ではなく呼び出し可能オブジェクトを渡すことは、DataFrameへの参照を手元に持っていない場合に役立ちます。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、関数は割り当てられるDataFrame上で計算されます。重要なのは、これはsepal lengthが5より大きい行にフィルター処理されたDataFrameです。最初にフィルター処理が行われ、次に比率計算が行われます。これは、フィルター処理された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あり、値は挿入する値（たとえば、SeriesまたはNumPy配列）か、DataFrameに対して呼び出される1引数関数です。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の後の方の式が、同じassign()で以前に作成された列を参照できるような、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']は新しく作成された列を参照し、それはdfa['A'] + dfa['B']と等しくなります。
インデックス付け / 選択#
インデックス付けの基本は以下の通りです。
操作 |
構文 |
結果 |
|---|---|---|
列を選択 |
|
Series |
ラベルで行を選択 |
|
Series |
整数位置で行を選択 |
|
Series |
行をスライス |
|
DataFrame |
ブールベクトルで行を選択 |
|
DataFrame |
たとえば、行選択は、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
洗練されたラベルベースのインデックス付けとスライスに関するより詳細な説明については、インデックス付けのセクションを参照してください。新しいラベルセットへの再インデックス付け / 適応の基本については、再インデックス付けのセクションで説明します。
データアライメントと演算#
DataFrameオブジェクト間のデータアライメントは、列とインデックス（行ラベル）の両方で自動的に行われます。ここでも、結果のオブジェクトは列ラベルと行ラベルのユニオンを持ちます。
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、デフォルトの動作ではSeriesのインデックスをDataFrameの列に合わせ、行方向にブロードキャストします。例を挙げます。
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、柔軟な二項演算のセクションを参照してください。
スカラーとの算術演算は要素ごとに機能します。
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機能します。
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相互運用性#
ほとんどのNumPy関数は、SeriesおよびDataFrameに対して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、インデックスのセマンティクスとデータモデルがN次元配列とはかなり異なるため、ndarrayのドロップイン置換として機能するように意図されていません。
Seriesは__array_ufunc__を実装しており、NumPyのユニバーサル関数と連携できます。
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それらはアラインされます。
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、ラベル付き入力を自動的にアラインします。たとえば、異なる順序のラベルを持つ2つのSeriesに対してnumpy.remainder()を使用すると、操作の前にアラインが行われます。
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
通常通り、2つのインデックスのユニオンが取られ、重複しない値には欠損値が埋められます。
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
二項ufuncがSeriesとIndexに適用される場合、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のufuncは、ndarray以外の配列（例：arrays.SparseArray（疎行列計算参照））によって裏打ちされたSeriesにも安全に適用できます。可能な場合、ufuncは基となるデータを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パッケージからのものです）
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
ワイドなDataFrameは、デフォルトでは複数行にわたって表示されます。
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オプションを設定することで、1行に表示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オプションを使用してこの機能を無効にすることもできます。これにより、テーブルは1つのブロックとして表示されます。
DataFrameの列属性アクセスとIPython補完#
DataFrameの列ラベルが有効なPython変数名である場合、その列は属性のよう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の補完メカニズムにも接続されており、タブ補完が可能です。
In [5]: df.foo<TAB> # noqa: E225, E999
df.foo1 df.foo2