numpyのndarray、pandasのSeriesとDataFrameの使い分け
分析する元データをcsvファイルとして取り込む際、pandasのDataFrameをよく使います。
大体、下記のような感じでとりあえずcsvファイルをDataFrame型変数に格納し、可視化や成型を行なっていきます。
import pandas as pd df_train = pd.read_csv("___.csv") df_train.head()
このDataFrame以外にも、同じようなデータ構造を持つクラスはいくつかあるのですが、正直それぞれの違いが整理できてなかったので、調べて整理してみます。
numpyのndarray
まず、ライブラリであるnumpyが持つクラス、ndarrayがあります。
このndarrayは、正確にいうと、多次元配列を扱うクラスです。
import numpy as npでライブラリを読み込んだ後、np.array(引数:多重リストか多重タプル)で作成するのが慣例です。
import numpy as np a = np.array([1, 2, 3]) print(a) print(type(a)) # 出力結果 #[1 2 3]
ndarrayには以下のルールがあります。
- 配列内要素の型は全て同じ
- 配列長は固定 (固定長配列)
- 配列の各次元の要素数は同じ
ちなみに、配列内要素のルールについて、いわゆる数字の型でなくてもよいみたいです。その点、上記のルールに漏れがないかと思ったのですが特にstring型の除外ルールとかは不要で、stringとかでもちゃんと定義できました。演算の挙動が気になりますが、ちょっと今回の内容からそれてしまうのでここでは深入りしません。
ndarrayの使い所
ListがネストされたList(要素がListのList、多重リスト)でも同じ配列は作れるのですが、numpyのndarrayはC言語で実装されており、Listよりも早く処理ができるという点が優れています。さらに、ndarray用の便利な関数が多く用意されており、多重リストよりも安易で高速な行列演算処理が可能です。
また、多重リストとndarrayの具体的な違いは下記です。
- 多重リストは動的に変更可能ですが、ndarrayは全体の削除、再生成が必要
- 多重リストはリスト内でその要素の型が違ってもよいが、ndarray内の要素の型は全て同じである必要がある
- 多重リストはネストされているListの要素数はバラバラでもよいが、ndarrayは行毎に列数が異なるようなことは許されない
- ndarrayは要素の型や要素数を揃えて固定してしまうことで行列演算用の関数を持つことができ、これを使うことで計算が楽になる
pandasのSeries
次にpandasライブラリの持つSeries。こちらはndarrayやDataFrameに比べるとあまり見かけないマイナーな印象。
このSeriesは、一次元の配列です。また、indexというラベルをつけることができます。
import pandas as pdでライブラリを読み込んだ後、pd.Series(引数[data]:dictionary、ndarray、スカラー値など)で作成するのが慣例です。
引数には、dataの他にindexも指定でき、これが値のラベルになります(dictionaryみたいに)。
あと、dictionaryと同じように、このSeriesとDataFrameも要素には数値型だけでなく、stringなども入れることができます。
このように書きます。
s = pd.Series(data, index=index)
■dictionaryを引数とする場合
import pandas as pd d = {'a' : 1, 'b' : 2, 'c' : 3} print(pd.Series(d)) # 出力結果 #a 1 #b 2 #c 3 #dtype: float64
■ndarrayを引数とする場合(indexなし)
import numpy as np import pandas as pd a = np.array([1, 2, 3]) print(pd.Series(a)) # 出力結果 #0 1 #1 2 #2 3 #dtype: int64
※自動で0,1,2のラベルが付与されている。
■ndarrayを引数とする場合(indexあり)
import numpy as np import pandas as pd a = np.array([1, 2, 3]) print(pd.Series(a,index=['a', 'b', 'c'])) # 出力結果 #a 1 #b 2 #c 3 #dtype: int64
※indexによりラベルを指定。
■スカラー値を引数とする場合(indexは必須)
import pandas as pd print(pd.Series(3,index=['a', 'b', 'c'])) # 出力結果 #a 3 #b 3 #c 3 #dtype: int64
Seriesの使い所
Seriesは、dnarrayとほぼ同じようにnumpyの関数の引数として扱えます。
また、1次元配列にラベルがついているという点でdictionaryと似ていますが、Seriesは順序を保存し、その点がdictionaryとの相違点です。よって、文字列のラベルをしていても、整数値で要素にアクセスすることが可能となっています。
import numpy as np import pandas as pd a = np.array([1, 2, 3]) s = pd.Series(a,index=['a', 'b', 'c']) print(s['b']) # 出力結果 #2 print(s[1]) # 出力結果 #2
Seriesだけだとそれほど便利というわけではないです。たぶん。。。「numpyのndarrayにラベルがつけられるようになったもの」という理解でよいかと。
pandasのDataFrame
冒頭に記載したように、分析だと、大体csvファイルをとりあえずこのDataFrameにぶち込んで、色々いじります。
DataFrameはカラムごとに異なる型の値を持つことができる2次元のラベル付けされたデータ配列です。sqlのテーブルやスプレッドシートのイメージです。
このように書きます
df = pd.DataFrame(data, index=index, columns=columns)
基本的には、List(もしくはSeries)を値とするdictionaryから生成できます。Listの場合は同じ要素数でないとダメなのですが、Seriesであれば、indexが行名となり、あるindexに値が入っていないSeriesでは、そのindexの要素を自動でNanにしてくれるため、要素数は気にしなくてよいです。
具体的な定義例は下記のような感じ。下記ではまず、dというdictionaryを定義します。このdは、ラベル(c_1とか)と、それに紐付く要素(pd.Series)で構成されます。このdを、pd.DataFrameの引数にすると、dのラベルがcolumnsに対応し、dの要素のpd.Seriesの要素([1,2,3])とそのラベルが、それぞれdataとindexに対応します。
各Seriesが各カラム毎の中身を表しており、indexは行を表しています。
d = {'c_1' : pd.Series([1, 2, 3], index=['a', 'b', 'c']), 'c_2' : pd.Series(['aaa', 'bbb', 'ccc', 'ddd'], index=['a', 'b', 'c', 'd'])} df = pd.DataFrame(d) print(df) # 出力結果 # c_1 c_2 #a 1.0 aaa #b 2.0 bbb #c 3.0 ccc #d NaN ddd
c_1とc_2がcolumnsのラベルの指定になっています。
まとめ
numpyのndarrayは、行列演算をするときに使う。
pandasのSeriesはDataFrameの1カラムを表し、DataFrameはsqlのテーブルをpythonでそのまま扱えるので、簡易的な(探索的な)分析におけるデータの可視化時に便利。
だと思いました。
特に情報がまとまっていた参照元
NumPy 配列の基礎 — 機械学習の Python との出会い
NumPy / pandas | hydroculのメモ
Google Adsenseの住所確認
Google Adsenseの管理画面にログインしたら、赤い帯状の注意文が表示されているのに気付きました。
どうやら、最近初めて広告収入が1000円を超えたので、住所確認のPINコードが郵便で送られてきていたらしいのですが、
アカウント情報に昔の住所が登録されたまま更新していなかったため古い住所にPINコードが送られていたため気づかず、ずっとスルーしてしまっていたようです。
最初のPINコード発行から4ヶ月間以内にPINコードを入力しないと広告が表示されなくなるらしく、自分の場合、気付いた時にはすでに表示されなくなっていたので、4ヶ月以上スルーしていたみたいです(^^;
急いで新しい住所を設定し、PINコード再送付を依頼したのですが、数週間待っても一向に音沙汰なし。
海外から送付されてくるらしく結構時間かかるものらしいのですが、それにしても連絡がないので再送ボタンをポチり、また数週間待ち先日ついにGoogleから郵便が!
こんな感じの封筒が郵送されてきました。
PIN メールのサンプル - AdSense ヘルプ
実はこの前日にも、待ちくたびれて再送ボタンを押そうか迷っていたのですが踏みとどまっていて助かりました。
そして、PINを入力して翌日にはちゃんと広告が表示されるようになりました!
住所設定はちゃんと更新するのを忘れずに。
あと、PINコードは海外から送られてくるので、気長に待ちましょう。
データ分析の勉強方法
データ分析の勉強方法
データ分析に慣れるために日々色々と情報収集しています。
そんな中で、見つけた記事を紹介します。
自分が最近データ分析に関する情報収集のためによく見ているサイトanalyticsvidhya
Analytics Community | Analytics Discussions | Big Data Discussion
ここで、Pythonを使ったデータ分析の勉強方法がまとめられていました。
Python Training | Python For Data Science | Learn Python
このほか、Python以外でもRやTableuなどを使ったデータ分析についての記事もあります。
Pythonを使ったデータ分析の勉強
自分は、とりあえず上記のPythonのデータ分析Pathで紹介されている、CodecademyとHackerrankを進めてます。
記事の中では、Step2(Pythonの基礎)にあたります。
今は、Codecademyの無料でできるPythonの課題は全て終わり、Hackerrankも1/3位くらいまで終わったところ。
進め方
Codecademyの方が親切なので、手をつける順番はCodecademy→Hackerrankの方がオススメです。
Hackerrankは、求められている内容がわかりにくい問題もよくあり、ちょっと慣れが必要かも。わからなくなったら、大体Discussionに答えが書いてあるので、それを見ながら、コードの意味を調べて提出してます。
あと、Hackerrankは、問題によりますが英文を読むのが結構疲れます^^;
初心者がコーディングの勉強をするのに最適
結局、コーディングの勉強は他人の書いたコードを見ながら、それを自分でも扱えるように取り込んでいく作業が大半になっていく気がします。多分勉強するフェーズによってその割合は変わってくるのだと思いますが。
初心者にとって、そのような学び方が出来る環境は少なく(コーディングの目的(課題)、お手本(ヒントや他ユーザーの回答)、扱う問題やコードの量が限られていることなどの条件が必要)、そういう意味で上記のようなサービスは画期的かつ、貴重だと思います。
続けて勉強できる仕組み
Codecademyは進捗が%表示され、Hackerrankは解いた問題に応じて点数が貰え、その点数の累積で全ユーザーの中でのHackerRankがわかるようになっていて、どちらも問題を解いただけ進捗し、日々の進捗が数値化されてわかるようになっています。ユーザーにとってこれが以外と嬉しく、継続して学べる仕組みの一つになっているようです。
あと、自分のペースで空き時間にサクッと出来る事もこれらのサービスの良いところです。ネットとキーボードされあればどこでも勉強出来ます。