このエントリーをはてなブックマークに追加
12月 10, 2013

Advent Calendar 2013 - 10

Python で解析! - DataFrame 6

今回は DataFrame の join について。 join は merge のお手軽版といったところのようだ。インデックスがあって、カラムが重複していない場合には、merge よりもお手軽なので、使いやすいと思われる。

1. データの準備

では、いつもの通りのデータの準備を。

import pandas as pd

df1 = pd.DataFrame({
   u'名前': [u'山田', u'鈴木', u'佐藤', u'木村'],
   u'性別': [u'男', u'男', u'女', u'女'] ,
   u'身長': [181, 173, 159, 164],
   u'体重': [79, 71, 51, 52]
}, index=['3B005', '3B003', '3B002', '3B001'])

df2 = pd.DataFrame({
   u'誕生日': ['1981/01/01', '1982/02/02', '1983/03/03', '1984/04/04']
}, index=['3B004','3B005','3B003', '3B002'])

df3 = pd.DataFrame({
   u'好きなもの': [u'りんご', u'ばなな', u'いちご', u'メロン'],
}, index=['3B004','3B005','3B003', '3B001'] )

df1
       体重  名前 性別   身長
3B005  79  山田  男  181
3B003  71  鈴木  男  173
3B002  51  佐藤  女  159
3B001  52  木村  女  164

df2
              誕生日
3B004  1981/01/01
3B005  1982/02/02
3B003  1983/03/03
3B002  1984/04/04

df3
      好きなもの
3B004   りんご
3B005   ばなな
3B003   いちご
3B001   メロン

今回は DataFrame が三つある。そして、それぞれのカラムが別々で、名前や性別は df1 にしかない。その代わりに index が付けてある。 index は初めて登場するが、RDBMS でいうところのプライマリーキーのようなものだ。そして、プリフィックスとして '3B' が付いているのは "三年 B 組、金八先生!" を思い出して付けてみただけ。深い意味はない。

2. 早速 join

論より証拠ということで join してみる。

df1.join(df2)

       体重  名前 性別   身長         誕生日
3B005  79  山田  男  181  1982/02/02
3B003  71  鈴木  男  173  1983/03/03
3B002  51  佐藤  女  159  1984/04/04
3B001  52  木村  女  164         NaN

逆にするとこうなる。

df2.join(df1)

              誕生日  体重   名前   性別   身長
3B004  1981/01/01 NaN  NaN  NaN  NaN
3B005  1982/02/02  79   山田    男  181
3B003  1983/03/03  71   鈴木    男  173
3B002  1984/04/04  51   佐藤    女  159

3. 複数の join

たぶん、 join の真骨頂はこれ。

df4 = df1.join([df2, df3])

df4
       体重  名前 性別   身長         誕生日 好きなもの
3B005  79  山田  男  181  1982/02/02   ばなな
3B003  71  鈴木  男  173  1983/03/03   いちご
3B002  51  佐藤  女  159  1984/04/04   NaN
3B001  52  木村  女  164         NaN   メロン

インデックスさえ一致していれば (& 重複カラムがなければ)、複数の DataFrame を簡単に統合できてしまう。これに慣れてしまうと、SQL が面倒になってしまうのが弊害か…。

4. おまけ

カラムやインデックスを確認する方法は次の通り。

df4.columns
Index([u'体重', u'名前', u'性別', u'身長', u'誕生日', u'好きなもの'], dtype=object)

df4.index
Index([u'3B005', u'3B003', u'3B002', u'3B001'], dtype=object)

付け替えることもできる。

df4.columns = ['weight', 'name', 'sex', 'height', 'birthday', 'favorite food']

df4.columns
Index([u'weight', u'name', u'sex', u'height', u'birthday', u'favorite food'], dtype=object)

以後、新しいカラム名を使って操作することになる。

df4[u'weight']

3B005    79
3B003    71
3B002    51
3B001    52
Name: weight, dtype: int64

今回はこんなところで。

投稿者 Tommy
カテゴリー: python
タグ: python, pandas, 解析