Pandas

データフレームの結合（系列名が等しいとき）

ここでは複数のデータフレームの結合演算を行います．これはリレーショナルデータベースの自然結合演算に相当します．

データの読み込み

はじめに，モジュールをインポートします．


# モジュールのインポート
import pandas as pd

次に，3つの CSV ファイルを順番に読み込みます．まずは，販売データである machine-sales-sales.csv ファイルを読み込み，df_sales に格納します．ここで，系列 branch_id および staff_id は外部キーになっており，他のデータフレームの主キー（候補キー）を参照していることに注意します．


# CSV ファイルを読み込む
url = "https://github.com/rinsaka/sample-data-sets/blob/master/machine-sales-sales.csv?raw=true"
df_sales = pd.read_csv(url, parse_dates=["date"])
df_sales

続いて，支店一覧 machine-sales-branch.csv ファイルを読み込み，df_branch に格納します．


# CSV ファイルを読み込む
url = "https://github.com/rinsaka/sample-data-sets/blob/master/machine-sales-branch.csv?raw=true"
df_branch = pd.read_csv(url)
df_branch

さらに，営業担当者の一覧 machine-sales-staff.csv ファイルを読み込み，df_staff に格納します．


# CSV ファイルを読み込む
url = "https://github.com/rinsaka/sample-data-sets/blob/master/machine-sales-staff.csv?raw=true"
df_staff = pd.read_csv(url)
df_staff

ここでは，今読み込んだ3つのデータフレームを結合し，次のようなデータフレームを作成してみます．

目次に戻る

データフレームの結合

merge() 関数を利用すると，2つのデータフレームを結合することができます．まず，df_sales と df_branch を結合します．このとき，どちらのデータフレームにも branch_id という系列があるので，これを手がかりに結合してくれます．


pd.merge(df_sales, df_branch)

同じ方法で，df_sales と df_staff を結合します．ここでも，staff_id という系列が両データフレームに存在するので，これを手がかりに結合できます．


pd.merge(df_sales, df_staff)

なお，結合したいデータフレームで系列名が異なる場合はこちらを参照してください．

目次に戻る

3つのデータフレームの結合

次は，3つのデータフレームを結合します．上と同じ方法で引数に3つのデータフレームを指定しても，結合することはできません．


pd.merge(df_sales, df_branch, df_staff)

ValueError             Traceback (most recent call last)

3つのデータフレームの結合は，まず2つのデータフレーム（df_sales と df_branch）を結合し，さらにその結果と3つ目のデータフレーム（df_staff）を結合することで実現できます．この方法が理解できれば4つ以上でも結合できるはずです．


pd.merge(
        pd.merge(df_sales, df_branch),
        df_staff
    )

目次に戻る

表示系列の選択

上の結果で barnch_id や staff_id を表示する必要がないのであれば，必要な系列のみを抽出すると良いでしょう．これを関係データベースの世界では射影演算と呼びます．なお，系列の表示順も変更しています．


pd.merge(
        pd.merge(df_sales, df_branch),
        df_staff
    )[['id', 'date', 'branch', 'name', 'amount']]

上で抽出した結果から新たなデータフレームを作成することももちろん可能です．


df = pd.merge(
        pd.merge(df_sales, df_branch),
        df_staff
    )[['id', 'date', 'branch', 'name', 'amount']]
df

目次に戻る

ソート

上の結果では，id 列の表示順が変更されてしまっています．id 順にソートしてデータフレームを更新することも可能です．


df = df.sort_values(by=['id'], ascending=[True])
df

目次に戻る

« 戻る次へ »