Pythonでデータ分析や機械学習を行う際に欠かせないのが「pandas（パンダス）」ライブラリです。ここでは、pandasの特徴やできること、基本的な使い方を具体的なコード例とともに詳しく解説します。
pandasとは
pandasは、Pythonで表形式データ（行と列を持つデータ）を効率的かつ直感的に扱うためのデータ分析ライブラリです。CSVやExcel、SQLなど多様なデータ形式に対応し、データの読み込み・加工・集計・可視化まで幅広い機能を備えています。
pandasの主な特徴
- 構造化データ（表形式データ）の効率的な取り扱い
- CSV/Excel/SQLなど多様なデータ形式の読み書き
- データの前処理（欠損値処理、型変換、重複削除など）が容易
- データの集計・グループ化・ピボットテーブル作成
- シンプルなコードで可視化や時系列処理が可能
- NumPyやmatplotlibなど他ライブラリとの高い親和性
pandasの基本的な使い方
インポートとデータの読み込み
import pandas as pd
# CSVファイルの読み込み
df = pd.read_csv('data.csv')as pdとエイリアスを付けるのが通例です。
データの確認
print(df.head()) # 先頭5行
print(df.tail()) # 末尾5行
print(df.shape) # (行数, 列数)
print(df.columns) # 列名一覧
print(df.info()) # データ型や欠損情報
print(df.describe())# 基本統計量info()でデータフレームの情報、describe()で統計量を取得できます。
データの取得・抽出
ages = df['age'] # 列の抽出
# 行・列の指定抽出
print(df.loc[0, 'name']) # ラベル指定
print(df.iloc[0, 1]) # インデックス指定
# 条件による抽出
adults = df[df['age'] >= 20].locや.ilocを使って柔軟にデータを抽出できます。
データの前処理
print(df.isnull().sum()) # 欠損値カウント
df = df.fillna(0) # 欠損値を0で埋める
df = df.dropna() # 欠損値を含む行を削除
df = df.drop_duplicates() # 重複データの削除
df = df.rename(columns={'old_name': 'new_name'}) # 列名の変更
df = df.sort_values('age') # 並べ替え欠損値処理や並べ替え、重複削除も簡単に行えます。
データの加工・変換
# 新しい列の追加
df['age_category'] = pd.cut(df['age'], bins=[0, 20, 40, 60, 100], labels=['~20', '21-40', '41-60', '61~'])
# 型変換
df['date'] = pd.to_datetime(df['date'])
データの加工や型変換も豊富なメソッドが用意されています。
データの集計・グループ化
# グループごとの平均値
mean_salary = df.groupby('department')['salary'].mean()
# ピボットテーブル
pivot = df.pivot_table(index='department', columns='gender', values='salary', aggfunc='mean')groupby()やpivot_table()で集計やクロス集計ができます。
データの可視化
df['salary'].plot.hist() # ヒストグラム
df.plot.scatter(x='age', y='salary') # 散布図pandasはmatplotlibと連携し、簡単にグラフ化も可能です。
データの書き出し
df.to_csv('output.csv', index=False) # CSVファイルへの保存データの保存もワンライナーで実行できます。
まとめ
pandasは、データの読み込みから前処理、集計、可視化までをシンプルなコードで効率的に実現できるPythonの代表的なデータ分析ライブラリです。基本操作を押さえることで、データ分析の幅が大きく広がります。まずはサンプルデータを使って実際に手を動かし、pandasの便利さを体感してみてください
コメント