Skip to content

Read our latest paper introducing PyGWalker - On-the-fly Assistant for Exploratory Visual Data Analysis

Pandas read_csv() チュートリアル： プロのようなデータのインポート方法

Rajiv Chandra
Name
Rajiv Chandra

Updated on

データサイエンスプロジェクトでデータをインポートする場合、pandasのread_csv()関数は始める良い場所です。これにより、CSVファイルをメモリに読み込むことができ、データ分析と変換のための強力なツールを提供します。このチュートリアルでは、プロのようにデータをインポートするために必要なすべてを網羅しています。

Pythonでデータ可視化をすばやく行いたい場合は？

PyGWalkerは、Jupyter Notebookベースの環境で直接データ分析と可視化のワークフローを加速するのに役立つオープンソースのPythonプロジェクトです。

PyGWalker (opens in a new tab)は、Pandas Dataframe（またはPolars Dataframe）をビジュアルなUIに変換します。このUIには、変数をドラッグ＆ドロップして簡単にグラフを作成するための機能があります。以下のコードを使用して、次のように実行できます。

pip install pygwalker
import pygwalker as pyg
gwalker = pyg.walk(df)

このオンラインノートブックでPyGWalkerをすぐに実行できます。

そして、GitHubで⭐️をつけることを忘れないでください！

Kaggle NotebookでPyGWalkerを実行する (opens in a new tab)Google ColabでPyGWalkerを実行する (opens in a new tab)PyGWalkerに⭐️をつける (opens in a new tab)
Run PyGWalker in Kaggle Notebook (opens in a new tab)Run PyGWalker in Google Colab (opens in a new tab)Run PyGWalker in Google Colab (opens in a new tab)

pandasとは？

pandasは、Pythonでのデータ操作と分析のための人気のあるオープンソースライブラリです。スプレッドシート、テーブル、時系列などの構造化されたデータを操作し、分析するために必要なデータ構造と関数を提供します。 pandasの主要なデータ構造はSeriesとDataFrameです。これらは、それぞれ1次元と2次元のデータを表すことができます。

pandasのread_csv()関数とは？

read_csv()関数は、CSVファイルからデータを読み取ってpandas DataFrameに格納するための便利なメソッドです。この関数には、デリミタの指定、欠損値の処理、インデックス列の設定など、データインポートの必要に応じてカスタマイズできる多数のパラメータがあります。

データ分析にpandasを使用する利点

Pandasには、次のようなデータ分析に役立つ機能が数多く含まれています。

  1. 簡単なデータ操作：強力なデータ構造により、pandasは効率的なデータのクリーニング、再形成、および変換を可能にします。
  2. データの可視化：pandasはMatplotlib、Seaborn、Plotlyなどの人気のある可視化ライブラリと統合されているため、洞察に役立つプロットやグラフを簡単に作成できます。
  3. 大規模なデータセットの処理：pandasは大規模なデータセットを効率的に処理し、簡単に複雑な操作を実行できます。

pandasを使用してCSVファイルからデータを読み取る方法

pandasを使用してCSVファイルを読み取るには、まずpandasライブラリをインポートする必要があります。

import pandas as pd

次に、read_csv()関数を使用してCSVファイルを読み取ります。

data = pd.read_csv('your_file.csv')

このコマンドは、CSVファイルを読み込み、pandas DataFrame にdataという名前をつけてデータを格納します。最初の数行のDataFrameを表示するには、head()メソッドを使用します。

print(data.head())

pandasで特定の列をインデックスに設定する方法

特定の列をpandasでインデックスに設定するには、set_index()メソッドを使用します。

data = data.set_index('column_name')

または、index_colパラメータを使用してCSVファイルを読み込む際にインデックス列を設定することができます。

data = pd.read_csv('your_file.csv', index_col='column_name')

メモリに読み込むために特定の列を選択する

CSVファイルから特定の列のみを読み込みたい場合は、read_csv()関数のusecolsパラメータを使用します。

data = pd.read_csv('your_file.csv', usecols=['column1', 'column2'])

このコマンドは、指定された列のみを読み込んでDataFrameに格納します。

pandasのその他の機能

Pandasは、マージ、再形成、結合、連結の操作など、さまデータ分析のために、以下の手順に従ってください：

  1. pandasライブラリをインポートしてください：
import pandas as pd
  1. データをDataFrameに読み込んでください：
# データをDataFrameに読み込んでください。
  1. head(), tail(), describe(), info()などのメソッドを使用してデータを探索してください：
print(data.head())
print(data.tail())
print(data.describe())
print(data.info())
  1. 必要に応じてデータをクリーンアップおよび前処理してください。これには、欠損値の処理、列の名前変更、データ型の変換が含まれる場合があります：
data = data.dropna()
data = data.rename(columns={'古い名前': '新しい名前'})
data['列'] = data['列'].astype('int')
  1. pandasのメソッドや関数を使ってデータ分析を実行してください。様々な統計量を算出したり、条件に基づいてデータをフィルタリングしたり、グルーピングや集約などの操作を実行することができます：
mean_value = data['列'].mean()
filtered_data = data[data['列'] > 50]
grouped_data = data.groupby('カテゴリ').sum()
  1. Matplotlib、Seaborn、ggPlotなどのライブラリを使用してデータを可視化してください。これらのライブラリはpandasとシームレスに統合されており、洞察に富んだプロットやグラフを簡単に作成することができます：
import matplotlib.pyplot as plt
 
data['列'].plot(kind='bar')
plt.show()
  1. CSV、Excel、JSONなどのさまざまなファイル形式に処理済みデータをエクスポートしてください：
data.to_csv('processed_data.csv', index=False)

pandasで扱えるさまざまなデータ形式とは？

pandasは、以下のようなさまざまなデータフォーマットを扱うことができます。

  1. CSV：コンマ区切り値ファイル
  2. JSON：JavaScript Object Notationファイル
  3. Excel：Microsoft Excelファイル（.xlsおよび.xlsx）
  4. SQL：SQLite、MySQL、PostgreSQLなどのリレーショナルデータベースからのデータ。
  5. HTML：HTMLテーブルからのデータ
  6. Parquet：Hadoopエコシステムで使用されるカラムストアレージ形式
  7. HDF5：大規模なデータセットを保存するために使用される階層型データ形式

pandasからCSVファイルにデータをエクスポートする方法

pandas DataFrameからCSVファイルにデータをエクスポートするには、to_csv()メソッドを使用します。

data.to_csv('output.csv', index=False)

このコマンドは、dataという名前のDataFrameをoutput.csvという名前のCSVファイルに保存します。index=Falseパラメータを指定することで、インデックス列が出力ファイルに書き込まれるのを防ぎます。

pandasでの一般的なデータクリーニングのテクニック

pandasでの一般的なデータクリーニングのテクニックには、次のようなものがあります。

  1. 欠損値の処理：dropna()、fillna()、interpolate()などのメソッドを使用して、欠損値を削除、補完、または推定します。
  2. 列の名前変更：rename()メソッドを使用してデータフレームの列の名前を変更します。
  3. データ型の変換：astype()メソッドを使用して、列のデータ型を適切なデータ型に変換します。
  4. データのフィルタリング：ブールインデックスを使用して、特定の条件に基づいて行をフィルタリングします。
  5. 重複の削除：drop_duplicates()メソッドを使用して、データフレームから重複した行を削除します。
  6. 値の置換：replace()メソッドを使用して、データフレーム内の特定の値を置換します。

pandasを使用したマージ、リシェイプ、ジョイン、結合操作の実行方法

pandasは、データの結合や変換に役立ついくつかの方法を提供しています。

  1. マージ：merge()関数を使用して、共通の列またはインデックスに基づいて2つのDataFrameをマージできます。inner、outer、left、rightなど、マージタイプを指定できます[^9^]。
merged_data = pd.merge(data1, data2, on='共通列', how='inner')
  1. リシェイプ：pivot()関数とmelt()関数は、データフレームの形状を変更するのに役立ちます。pivot()関数は階層型インデックスを持つ新しいDataFrameを作成するために使用され、melt()関数は、ワイド形式のDataFrameを長い形式に変換するために使用されます[^10^]。
pivoted_data = data.pivot(index='行', columns='列', values='値')
melted_data = pd.melt(data, id_vars='識別子', value_vars=['列1', '列2'])
  1. ジョイン：join()メソッドは、2つのDataFrameをインデックスに基づいて結合するために使用されます。merge()関数と同様に、結合タイプを指定できます。
joined_data = data1.join(data2, how='inner')
  1. 結合：concat()関数は、複数のDataFrameを特定の軸（行または列）に沿って結合するために使用されます。行（axis=0）または列（axis=1）に沿って連結するかどうかを指定できます[^11^]。
concatenated_data = pd.concat([data1, data2], axis=0)

これらの操作は、複数のDataFrameを操作する場合に基本的なものであり、複雑なデータ変換や分析を作成するために組み合わせることができます。

結論

要約すると、pandasはPythonでのデータ操作と分析において強力なライブラリです。read_csv()関数は、CSVファイルからデータをインポートするための基本的なツールです。pandasは、データのクリーニング、分析、およびエクスポートのための幅広い機能を提供しています。これらのテクニックをマスターすることで、高度なデータ分析を実行し、データ駆動型のプロジェクトを推進することができます。