単元 4：Pandas と DataFrame 入門

学習目標

• pandas をインポートし、Series と DataFrame を生成できる
• shape / columns / dtypes / info() で DataFrame の全体像を把握できる
• df["列名"] で列を、df.iloc[i] / df.loc[label] で行を、df.loc[行, 列] でセルを取り出せる
• Series と DataFrame の違いを 1 行で説明できる

本文

Pandas を使う理由

Python だけでも CSV ファイルを 1 行ずつ読み込んで処理することはできます。ただし「表形式のデータ」を扱うとなると、行と列の構造を自分で管理しないといけないので、すぐに煩雑になります。

pandas は「表をオブジェクトとして扱う」ためのライブラリで、Python のデータ分析の事実上の標準になっています。CSV を 1 行で読み込み、列を指定して集計し、結果を CSV に書き戻す、という一連の操作がすべてこのライブラリ内で完結します。本コースで扱う集計・前処理・可視化はすべて pandas を中心に進めます。

インポート

Colab には pandas が最初からインストールされているので、import するだけで使えます。

import pandas as pd

pd という短い別名を付けるのが慣例で、世界中のサンプルコードがこの書き方をしています。本コースでも以後 pd で統一します。

Series — 1 列ぶんの「ラベル付き配列」

pandas の最も基本的なデータ構造が Series（シリーズ） です。Python の標準のリストに似ていますが、各要素に インデックス（ラベル） がついている点が違います。

s = pd.Series([10, 20, 30], index=["a", "b", "c"])
s

実行すると次のように表示されます：

a    10
b    20
c    30
dtype: int64

左側の a, b, c がインデックス、右側の 10, 20, 30 が値です。値を取り出すときはラベルでアクセスできます：

s["a"]   # → 10

整数の位置でもアクセスできますが（s[0]）、ラベルを付けられるのが Series の利点です。後で DataFrame を扱うとき、この「ラベル」が列名として活きてきます。

DataFrame — 表（複数の Series の集まり）

実際の業務や研究では 1 列だけのデータより、Excel のシートのような 表 を扱う場面の方が圧倒的に多くなります。表は DataFrame（データフレーム） として扱います。

DataFrame は「複数の Series が縦に並んだもの」と考えると分かりやすいです。次は辞書から DataFrame を作る例：

df = pd.DataFrame({
    "name": ["太郎", "花子", "一郎"],
    "age":  [25, 30, 22],
    "city": ["東京", "大阪", "福岡"],
})
df

出力：

  name  age city
0   太郎   25   東京
1   花子   30   大阪
2   一郎   22   福岡

辞書のキー（name, age, city）が 列名 になり、リストの中身が各列の値として並びます。左端の 0, 1, 2 は 行のインデックス（デフォルトでは整数の連番）。

全体像をつかむ 6 つの操作

新しいデータを開いたら、いきなり中身を加工する前に まず全体像を眺めるのが定石です。次の 6 つを順番に呼ぶだけで、データの規模・列構成・型・分布の感触がつかめます。

メソッド／属性	内容
df.shape	(行数, 列数) のタプル
df.columns	列名の一覧
df.dtypes	各列のデータ型（数値か文字列か）
df.info()	列数・行数・型・欠損数をまとめて表示
df.head()	先頭 5 行（引数で件数指定可：df.head(10)）
df.describe()	数値列の要約統計（平均・標準偏差・最小・最大ほか）

実際に呼んでみると次のような流れになります：

print(df.shape)       # (3, 3)
print(df.columns)     # Index(['name', 'age', 'city'], dtype='object')
print(df.dtypes)
df.info()
df.head()
df.describe()

describe() は 数値列だけ を対象にすることに注意。文字列の列（name, city）は集計対象から外れます。

列にアクセスする

特定の列だけを取り出す書き方は 2 つあります：

df["name"]              # 1 列だけ → Series が返る
df[["name", "age"]]     # 複数列 → DataFrame が返る（リストで囲む）

df["name"] と df[["name"]] は 見た目が似ているが戻り値の型が違う 点に注意してください。前者は Series（1 列分のラベル付き配列）、後者は DataFrame（1 列だけの表）です。可視化など「DataFrame を渡したい」場面では後者を使い分けます。

行にアクセスする

行を取り出すには 2 つの基本方法があります：

df.iloc[0]      # 位置で取り出す：先頭行
df.iloc[-1]     # 末尾行
df.iloc[0:2]    # スライス：0 行目と 1 行目（2 行目は含まない）

df.loc[0]       # ラベルで取り出す：インデックスラベルが 0 の行

• iloc は integer location（位置） で指定
• loc は label（ラベル） で指定

デフォルトのインデックスは整数の連番（0, 1, 2, ...）なので両者は似た見た目になりますが、インデックスを別の値（たとえば学籍番号や日付）に振り直すと挙動が分かれます。最初のうちは「数字で当てるなら iloc、名前で当てるなら loc」と覚えておけば十分です。

セル（特定の値）にアクセスする

1 つのセルだけを取り出すなら：

df.loc[0, "age"]    # 行ラベル 0、列名 "age" の値 → 25
df.at[0, "age"]     # 単一セルの高速版

普段は loc で十分ですが、ループ内で何千回も単一セルにアクセスする場面では at の方が体感で速くなります。

よく出る躓きどころ

• df["name"] と df[["name"]] — 戻り値の型（Series か DataFrame か）が違う。可視化メソッドに渡すと挙動が変わる
• df.iloc[0] と df.loc[0] — デフォルトでは見た目が同じだが、インデックスを振り直すと別物になる
• df.head() と df.head — () を付け忘れると関数オブジェクトを返すだけで実行されない

この辺は最初は混乱しますが、3 回ほど自分で書けば自然に区別がつくようになります。

コード／スケッチ

• 題材データ：users.csv をダウンロード（名前・年齢・都市・性別・カテゴリ・備考の 6 列）

Drive にアップロードした users.csv を Colab で開く例：

from google.colab import drive
drive.mount('/content/drive')

import pandas as pd
df = pd.read_csv("/content/drive/MyDrive/datasets/users.csv")

print(df.shape)
print(df.columns.tolist())
df.dtypes

演習

users.csv を Colab に読み込み、次の操作を順番に試してください。

1. df.shape / df.columns / df.dtypes を表示する
2. 「年齢」列だけを Series として取り出して表示する
3. 「名前」と「都市」の 2 列だけを DataFrame として表示する
4. iloc[0] で先頭行を取り出して表示する
5. df.loc[0, "年齢"] で「太郎の年齢」を単一値として取り出す

各操作の出力を見て、戻り値の型（Series か DataFrame か単一値か）を意識しながら進めると、本文の説明と結びつきやすくなります。

発展課題（オプション）

• 辞書から自分で 5 行 4 列の DataFrame を作成し、head() / tail() / describe() を呼んでみる
• df["年齢"] + 1 のように Series 全体に演算をかけて、新しい列 年齢_翌年 を作成する
• df.sort_values("年齢") で年齢順に並べ替えて表示する（次回以降の単元で詳しく扱います）