Python初心者向け：読み込んだデータをまず確認する方法をお伝えします

はじめに

今年に入ってシリーズで書いています。Pythonの分析の流れを記載した投稿をさせていただき、この流れに沿った投稿を追加していっています。

はじめに今回は、分析を行う際の進め方について書きます。「このようにやれば絶対OK」というようなものはありませせんが、基本的な考え方を確認していきましょう。今回は全体の流れを説明して今後は各プロセスの詳細について投稿を追加していくことに...

分析の流れの「データの概要把握」のプロセスを扱っています。前回は、まずはデータを読み込むところを扱いました。データの読み込みにもいろんなパターンがありましたね。ヘッダがあったり、なかったり、行頭からデータがなく途中から読み込みたい場合など、いろんなパターンを扱いました。

Python初心者向け：データの読み込むときのいろんなパターンを解説

Python初心者の方でも迷わずにデータを読み込むことができるように基本から解説します。手元にあるデータはいつもきれいなデータとは限りません。先頭に不要な行があったり、列項目をすべて使う必要がない場合もあります。このようなデータの取り込みを例を使って説明します。

今回は読み込んだデータの概要把握の部分です。まずは、単純にデータをみるところから始めます。

データの準備

今回はpython機械学習のライブラリである、scikit-learnに付属しているiris（アヤメの計測データ）というデータセットを使います。このデータセットの内容を知りたい場合は以下のblogを参考にするとよいかと思います。

scikit-learn に付属しているデータセット

このブログの記事には、iris（アヤメの計測データ）以外にもscikit-learnに付属してデータセット（Boston house-prices (ボストン市の住宅価格)やDiabetes (糖尿病患者の診断データ)、Digits (数字の手書き文字)etc）を解説してくれています。今後、機械学習を進めていく中で、本で解説されたデータ以外のデータを試したくなったときに、scikit-learnの付属データセットは重宝すると思うので、一度目を通しておくとよいでしょう。

次のようにしてデータを読み込みます。

import pandas as pd
from sklearn.datasets import load_iris

iris = load_iris()
iris_dataset=pd.DataFrame(iris.data, columns=iris.feature_names)

まずはデータを眺める

では、さっそくデータを眺めていきましょう。実際のデータを見る際に、まずは先頭の数行をみてみるのがよいでしょう。次のようにhead()を使うと先頭5行のデータを見ることができます。

iris_dataset.head()

先に紹介したblogにあるように、sepal length、sepal width、petal length、petal widthは次の意味になります。

sepal length (cm)	がく片の長さ
sepal width (cm)	がく片の幅
petal length (cm)	花弁の長さ
petal width (cm)	花弁の幅

これらのデータが1セットで1レコードとなっていますね。head()は引数を与えないと先頭5行を表示しますが、引数で表示させる行数を指定することができます。また、先頭のデータを見るのと同じように、末尾のデータをみることも大切です。先頭のデータはうまく読み込めていたけど、後ろのほうではうまく読み込めていなかった、ということはよくあるので、必ず見る癖をつけておくとよいでしょう。末尾のデータをみるには、tail()を使います。

iris_dataset.tail()

データはうまく読み込めてそうですね。次にデータがどのような形をしているのか、を確認しておきましょう。今回は列数が4つなのですぐにわかるのですが、列数が多いとすぐにはわかりません。このような場合には、shape属性で確認します。

iris_dataset.shape

(150, 4)

150行、4列のデータであることがわかりました。４つの列があるデータが150行、つまり150レコードあるのですね。次に、各列の情報をもっと詳しく見ていきましょう。次のようにinfo()を使うと、「有効データ数」「データ型」「メモリ使用量」などの情報を知ることができます。

iris_dataset.info()

今回のデータは150レコードあり、どの列も欠損はなくデータ型はfloat64となっていることがわかります。

まず初めにデータを見るときには、欠損値がないかは重要な確認事項となります。欠損値の数は、info()でnon-null の数がわかるので結果的にわかるのですが、通常は次のようにして明示的に欠損値の数を確認します。

iris_dataset.isnull().sum()

すると、各列ごとに欠損値の数を返してくれます。

基本統計量を求める

次に基本統計量を算出してみましょう。難しいことを在りません。次のようにdescribe()を使うと一瞬で、各種基本統計量を算出して表示してくれます。

iris_dataset.describe()

このように、各列ごとにレコード数、平均、標準偏差、最小値、25パーセンタイル、中央値、75パーセンタイル、最大値を算出してくれます。なお、dexcribe()は各列の基本統計量を算出してくれる便利なメソッドですが、オプションを指定しないdefaultの状態では数値だけが算出の対象となります。文字列も対象とする場合は、オプションでinclude=’all’を指定します。また、数値以外の列のみを対象にしたい場合は、exclude=’number’とします。

あと、好みの問題ですが、結果を転置させると見やすいかもしれません。