2017.06.19    pandas

pandas入門 DataFrameの生成の基本

次に分析の中核となるDataFrameの生成についてです。まずは操作に馴染むためにリストなどのシーケンシャルオブジェクトからDataFrameを生成する方法について学習します。

別項にて説明しますが、実際の業務ではこのページのサンプルのようにコードに値を書くことはまずなく、

  • CSVやTSVなどのテキストファイル
  • Excel
  • MySQLやPostgresのようなRDB

などからデータを取得してDataFrameを生成することが一般的です。

（サンプルでは読者がコピペしやすいように記述していますが、スクリプトを毎回書くのは手間がかかるためipythonを使用することをおすすめします。）

DataFrameの生成の基本

index、columnを指定しないで生成する

まずは2列×4行のDataFrameを生成してみましょう。DataFrameのコンストラクタに2次元リストを指定します。

import pandas as pd
df = pd.DataFrame([[1, 10], [2, 20], [3, 30]])
print(df)

以下のように出力されます。

   0   1
0  1  10
1  2  20
2  3  30
3  4  40

出力結果の上段がcolumnです。生成時に指定していなかったためデフォルト値として0,1が設定されています。

出力結果の左側がindexです。こちらも生成時に指定していなかったためデフォルト値として0〜3が設定されています。

index、columnを指定する

こちらでも説明しましたが、DataFrameではindex、columnと呼ばれる行、列のラベルを設定することができます。生成時の引数にそれぞれindex、columnsを指定すると設定されます。

df = pd.DataFrame([[1, 10], [2, 20], [3, 30], [4, 40]], index=['a', 'b', 'c', 'd'], columns=['col1', 'col2'])
print(df)

#    col1  col2
# a     1    10
# b     2    20
# c     3    30
# d     4    40

列名としてcol1、col2が、行名としてa〜dが設定されていることが確認できます。

辞書から生成する

Seriesと同じく辞書から生成することも可能です。

data = {'col1' : [1, 2, 3], 'col2' : [10, 20, 30]}
df = pd.DataFrame(data)
print(df)

#    col1  col2
# 0     1    10
# 1     2    20
# 2     3    30

SeriesからDataFrameを生成する

最後にSeriesからDataFrameを生成する方法についてです。

この方法はindexを考慮してマージしてくれるため非常に便利でよく使います。

s1 = pd.Series([100, 101, 102], index=['a', 'b', 'c'])
s2 = pd.Series([100, 101, 102], index=['b', 'c', 'd'])
df = pd.DataFrame({'col1': s1, 'col2': s2})
print(df)

#     col1   col2
# a  100.0    NaN
# b  101.0  100.0
# c  102.0  101.0
# d    NaN  102.0

2つの生成済みのSeriesがあり、ここからDataFrameを生成しています。このときSeriesで設定されているindexが同じものを同じ行としてマージしてくれます。当該indexがない場合はNaNが設定されます。

何らかのDataFrameをもとに計算した結果を複数のSeriesに格納し、マージして新たなDataFrameを生成する、という操作は時系列データ分析でよく使用する方法です。