機械学習/Pythonでデータ分析する次の一歩（データ分析支援ライブラリー、pandas編） のバックアップソース(No.4)

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• バックアップ を表示
• 機械学習/Pythonでデータ分析する次の一歩（データ分析支援ライブラリー、pandas編） へ行く。
  • 1 (2017-08-29 (火) 12:12:49)
  • 2 (2017-08-29 (火) 17:24:39)
  • 3 (2017-08-31 (木) 11:55:53)
  • 4 (2017-09-02 (土) 17:06:18)

*目次 [#w2313090]
#contents


*はじめに [#h99a2c8f]

pandasはデータ分析支援ライブラリーです。

Pythonでデータ分析をするときに、機械学習の部分はscikit-learnでやりますが、機械学習のための前処理をするときに、pandasを使うととても便利です。

参考書としては、次の本がオススメです。
#html{{
<iframe style="width:120px;height:240px;" marginwidth="0" marginheight="0" scrolling="no" frameborder="0" src="https://rcm-fe.amazon-adsystem.com/e/cm?ref=qf_sp_asin_til&t=tohgorohmatsu-22&m=amazon&o=9&p=8&l=as1&IS2=1&detail=1&asins=4873116554&linkId=6d4c9121f7d09fe9aa24fea76158e69c&bc1=ffffff&lt1=_blank&fc1=444b4c&lc1=444b4c&bg1=ffffff&f=ifr"></iframe>
}}


*シリーズとデータフレーム [#maa26223]
pandasの基本は、''シリーズ'' (Series) と''データフレーム'' (DataFrame) と呼ばれるデータ構造です。

''シリーズ''は、（一次元）配列にインデックスが付いたもので、''pandas.Seriesクラス''のオブジェクトとして表されます。

''データフレーム''は、二次元配列の行と列にインデックスが付いたもので、''pandas.DataFrameクラス''のオブジェクトとして表されます。

データフレームの列をシリーズとして取り出すことができますので、シリーズも使わないことはありませんが、データ分析するためにはデータフレームを理解することが重要です。


*CSVファイルからデータフレームを作る [#f2f3a3c6]

データ分析をするときはデータをファイルから読み込むことになりますが、pandasには、''read_csv関数''というCSVファイルを読み込んでデータフレームを作ってくれる関数があります。

例えば、次のような data.csv という名前のCSVファイルを考えてみましょう。
#geshi(csv){{
,X1,X2,X3,Y
1,0.1,1.0,1.2,+
2,0.2,0.9,0.8,-
3,0.1,0.9,1.1,+
4,0.3,0.8,1.0,-
}}

これを読み込んでデータフレームを作るには、次のようにread_csv関数を使います。
#geshi(python){{
df = pd.read_csv('data.csv', index_col=0)
}}
index_colオプションは、行（データ）のインデックスを表す列番号を指定します。

すると、見出し（インデックス）付きの表の形になります。
#geshi(python){{
df
}}
||X1|X2|X3|Y|h
|~1|0.1|1.0|1.2|+|
|~2|0.2|0.9|0.8|-|
|~3|0.1|0.9|1.1|+|
|~4|0.3|0.8|1.0|-|



*データフレームから説明変数を取り出す [#m3afbb81]

データフレームから説明変数を取り出すには、データフレームの''drop関数''を使って目的変数を取り除きます。
説明変数はscikit-learnにnumpy.ndarrayで渡しますので、''values''属性に格納されている配列を取り出します。
#geshi(python){{
X = df.drop('Y', axis=1).values
}}
drop関数は、行と列、どちらを取り除くのにも使えるので、列を取り除く時には''axis''オプションを 1 に指定します。


*データフレームから目的変数を取り出す [#qa35591d]

データフレームから目的変数を取り出すには、目的変数の列のインデックスを指定します。
目的変数もscikit-learnにnumpy.ndarrayで渡しますので、''values''属性に格納されている配列を取り出します。
#geshi(python){{
y = df['Y'].values
}}