Pythonのデータ分析用ライブラリ「pandas」でよく使う文法をまとめました．
- Change log
2019-02-18 表示拡大の方法を更新
2018-05-06 コメント反映（pd.set_option('display.width', 100)）
2018-02-14 リンクの修正
2017-11-01 df.fillna(method='ffill')の説明を修正
2017-06-09 リンク切れ等の修正
2016-10-10 例の編集
2016-06-21 df.rolling, pd.date_range, pd.datetime, df.pivotの追加，その他の例の追加
CSVファイルの扱い
pd.read_csv（読み込み）
多くのオプションが用意されているので，csv以外でもなんでも読み込める．
import pandas as pd
df = pd.read_csv('some.csv')
例：複数column（dateとhour）をまとめて，datetime型のindex（date_hour）として読む場合
df = pd.read_csv('some.csv', parse_dates={'date_hour':['date', 'hour']}, index_col='date_hour')
例：日本語の入ったファイル，かつ--を欠損データ扱いにする場合
df = pd.read_csv('some.csv', encoding='Shift_JIS', na_values='--')
- オプション一覧
| option | 意味 |
|---|---|
| index_col | indexとするcolumn名 |
| parse_dates | datetime型で読み込むcolumn名（リストや辞書） |
| date_parser | parse_datesで指定したcolumnを読み込む自作関数 |
| na_values | 欠損値とする文字列（リスト） |
| encoding | 'Shift_JIS'など |
| sep | 区切り文字（' '：スペースの場合） |
df.to_csv（書き込み）
恐ろしく簡単にcsvファイルに書き込める．オプションも豊富．
df.to_csv('some2.csv')
例：indexがいらない場合
df.to_csv('some2.csv', index=None)
例：indexに名前をつける場合
df.to_csv('some2.csv', index_label='date')
欠損値の扱い
df.dropna（削除）
欠損値（nan）のある行（index）を削除
df = df.dropna()
例：特定のcolumn（tempやdepth）に欠損値がある場合，その行を削除する
（tempやdepth以外の欠損値は無視する）
df = df.dropna(subset=['temp','depth'])
df.fillna（穴埋め）
例：定数（0）で穴埋め
df = df.fillna(0)
例：前方（後方）穴埋め （2017/11/01 @hadacchiのコメントを反映して修正済み）
df = df.fillna(method='ffill') # forward 穴埋め nan 1.0 nan -> nan 1.0 1.0 （forward = indexの増加方向 ＝ DataFrameの下方向）
df = df.fillna(method='bfill') # backward穴埋め nan 1.0 nan -> 1.0 1.0 nan （backward = indexの減少方向 ＝ DataFrameの上方向）
df.interpolate（補間）
多くの補間手法が用意されている．
df = df.interpolate(method='index')
- method:
linear,time,index,values,nearest,zero,slinear,quadratic,cubic,barycentric,krogh,polynomial,spline,piecewise_polynomial,pchip - datetime型のindexなどの場合，
linearではなくindexにすると良い
df.resample（リサンプル）
時系列データの解像度（頻度）を変更する．
自分が使うときはデータ数を減らすことが多いので圧縮するための関数と認識．
例：1時間毎のデータを日平均に変換（欠損値は無視して平均される）
#daily = hourly.resample('D', how='mean') <- 古い書き方
daily = hourly.resample('D').mean()
例：上だと値が 00:00 に配置されるが，12:00 にしたい場合
daily = hourly.resample('D', loffset='12H').mean()
時間のフォーマット
| Charactor | 意味 | 備考 |
|---|---|---|
| M | 月 | 0.5M で半月とはならない |
| D | 日 | 15D で手を打っている |
| H | 時間 | 12H は12時間 |
| T or min | 分 | 30min で30分 |
df.rolling（移動平均）
n項移動平均や最大値などを取る
例：3項移動平均（center=Trueで中央（この場合第2項）に値を配置）
ma3 = hourly.rolling(3, center=True).mean()
時間の扱い
pd.date_range
連続したdatetime変数を簡単に作れる
date = pd.date_range('2012-1-1', '2012-1-2', freq='D')
例：上のままだとpandasのTimestampなので，pythonのdatetime変数に戻す場合
date = pd.date_range('2012-1-1', '2012-1-2', freq='D').to_pydatetime()
pd.datetime
import datetimeがいらない
date = pd.datetime(2012, 1, 1, 0, 0, 0)
その他よく使う関数
df.describe（要約統計量）
各columnのデータ数、平均、分散などの統計量をざっと見る．
print df.describe()
df.groupby（集約）
columnでグループ化（columnの値をindexとして扱えるように変換）することでデータを扱いやすくする．
stack, unstackよりも判りやすい．
例：複数column（typeとtime）でグループ化し、各グループの平均をとる.
grouped_mean = df.groupby(['type','time']).mean()
df.pivot（1D→2D）
1次元配列を2次元配列にするイメージ
temp2d = df.pivot(index='y', columns='x', values='temp')
その他のTips
DataFrameの作成（辞書型）
ファイル以外からDataFrameを作る場合には，辞書を作って読み込ませる．
data = {'a':[0, 1], 'b':[2, 3]}
df = pd.DataFrame(data)
例：上の例にindexをつける場合
date = pd.date_range('2012-1-1', '2012-1-2', freq='D')
df = pd.DataFrame(data, index=date)
print時の折り返し幅の拡張
カラム数の多いデータフレームのprint時に表示が折り返されてしまうのが嫌な場合、表示幅を変更できる．
pd.set_option('display.width', 100)
or
pd.set_option('display.max_columns', 100) # カラム数でも制御できる
#pd.set_option('line_width', 100) # line_widthは非推奨or廃止（2018/05/06 Thanks to @dhwty）
print df # 100文字（or カラム）まで折り返されない