表のデータに質問する（pandas）

あるレンタサイクル店は、1日に1行ずつ、1年分の記録を残しています。店長には知りたいことが2つあります。週末は本当に忙しいのか。とても忙しかった日は何日あったのか。

365行を目で追っても、答えは出ません。pandas を数行書けば、数秒で答えが出ます。

レッスンのバーで起動を押し、ラボが動き出すまで待ちます。横のターミナルには Python がありません。実行ボタンは docker exec jupyter と入力し、ラボのコンテナの中でコマンドを1つ動かします。

ノートブックは、バーから JupyterLab を開いて使います。「ノートブックに入力」という題のブロックは、新しいセルに打ち込みます。このページの Python には pandas がないので、ここでは動きません。

pd.read_csv は、CSVファイルを DataFrame に読み込みます。列の名前は、ファイルの1行目から来ます。この表の列名は英語で、weather は天気、hires は貸出台数です。

角かっこに名前を入れると、1つの列を選べます。hires["rain_mm"] は毎日の雨の量です。列には max、mean、value_counts などのメソッドがあります。

docker exec jupyter head -n 3 hires.csv

import pandas as pd

hires = pd.read_csv("hires.csv")
# 1年でいちばん多かった雨の量（mm）です。
hires["rain_mm"].max()

docker exec jupyter python3 steps/summary.py

hires["hires"] > 400 は、すべての行に同じ質問をします。答えは True と False が並んだ列です。

この答えを hires[...] の中に入れると、True の行だけが残ります。2つの条件をつなぐときは、「かつ」に &、「または」に | を使います。条件はそれぞれかっこで囲みます。

docker exec jupyter python3 steps/filter.py

# 5度未満なのに、250台を超えた日です。
cold_busy = hires[(hires["temp_c"] < 5) & (hires["hires"] > 250)]
len(cold_busy)

hires.groupby("weekday")["hires"].mean() は3つのことをします。曜日ごとに行を分けます。各グループの hires 列を選びます。それぞれの平均を出します。

平均は、極端な日に引っぱられます。中央値は引っぱられにくいので、両方を見ます。天気のような言葉の列には、最頻値が合います。

# ある駅の貸出台数、7日分です。
days = [210, 185, 330, 185, 245, 200, 480]

total = 0
for one in days:
    total = total + one
print("平均:", round(total / len(days), 1))

in_order = sorted(days)
middle = len(in_order) // 2
print("中央値:", in_order[middle])
# 480 をリストから消して、もう一度実行してください。
# 平均と中央値、大きく動くのはどちらですか。

docker exec jupyter python3 steps/weekend.py

# 曜日ごとの平均を、少ない順に並べます。
hires.groupby("weekday")["hires"].mean().round(1).sort_values()

ノートブックで、中央値がいちばん小さい月を探してください。month でグループ化し、hires の中央値を出し、sort_values で並べます。

次に、絞り込みとグループ化を両方使う質問を自分で1つ作ります。たとえば、雨の日だけでも週末は忙しいでしょうか。実行する前に、答えを予想して書いておきましょう。