Pandas と NumPy を組み合わせて使用する

Pandas は NumPy を基盤として構築されており、両者は緊密に統合されています。それらの相互作用を理解することで、データ処理や科学計算をより効率的に行うことができます。


相互変換

DataFrame/Series と NumPy の相互変換

実例

import pandas as pd
import numpy as np

# DataFrame を NumPy 配列に変換
df = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6]
})

arr = df.to_numpy()
print("DataFrame を配列に変換:")
print(arr)
print(f"型: {type(arr)}")
print()

# Series を配列に変換
s = pd.Series([1, 2, 3])
arr = s.values  # または s.to_numpy()
print("Series を配列に変換:")
print(arr)
print()

# NumPy を DataFrame に変換
arr = np.array([[1, 2], [3, 4], [5, 6]])
df = pd.DataFrame(arr, columns=["A", "B"])
print("配列を DataFrame に変換:")
print(df)

Pandas での NumPy 関数の使用

実例

import pandas as pd
import numpy as np

s = pd.Series([1, 2, 3, 4, 5])

# NumPy 関数を使用
print("絶対値:", np.abs(s))
print("平方根:", np.sqrt(s))
print("指数:", np.exp(s))
print("対数:", np.log(s))
print()

# 条件によるフィルタリング
print("3より大きい値:")
print(s[s > 3])

ベクトル化演算

実例

import pandas as pd
import numpy as np

df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]})

# ベクトル化演算
print("A + B:", (df["A"] + df["B"]).tolist())
print("A * B:", (df["A"] * df["B"]).tolist())
print("A > B:", (df["A"] > df["B"]).tolist())
print()

# apply を使用して要素ごとに計算
result = df.apply(lambda x: np.multiply(x, 2))
print("各要素 * 2:")
print(result)

数値計算のテクニック

実例

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": [1, 2, 3, 4, 5],
    "B": [10, 20, 30, 40, 50]
})

# A の B に対する変化率を計算
df["変化率"] = np.divide(df["A"], df["B"], where=df["B"] != 0) * 100
print("変化率(パーセント):")
print(df)
print()

# np.where を使用して条件に基づいて代入
df["ラベル"] = np.where(df["A"] > 3, "大", "小")
print("条件ラベル:")
print(df)

統計計算

実例

import pandas as pd
import numpy as np

s = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# NumPy の統計関数
print(f"平均: {np.mean(s):.2f}")
print(f"標準偏差: {np.std(s):.2f}")
print(f"最大値: {np.max(s)}")
print(f"最小値: {np.min(s)}")
print()

# 中央値
print(f"中央値: {np.median(s)}")

Pandas と NumPy の深い統合により、複雑なデータ処理がシンプルかつ効率的になります。

その他の拡張