Pythonでデータ分析するなら必須、pandasライブラリーを使ってみよう

　データ分析に用いられるプログラミング言語は、本連載の前回記事で紹介した「R」以外にもいろいろあります。そのなかで、今回は初心者でも学びやすく汎用性の高いプログラミング言語「Python」を使ったデータ分析の概要を見ていきましょう。Pythonの特徴は、大きく3つ挙げられます。

　Pythonは近年、機械学習でよく使われるプログラミング言語として話題です。しかし、実際には機械学習だけでなく、Webサービスやアプリケーションなどさまざまな開発用途に汎用的に利用されています。例えばYouTubeやInstagram、Dropbox、Evernoteといった有名なWebサービスもPythonを採用しています。

　RとPythonとでは、何が違うと考えればいいのでしょう。Rは統計解析に特化したプログラミング言語で、仮説検定や時系列分析などの統計的分析手法や、グラフの描画などが得意です。一方、Pythonの強みはデータ分析以外の幅広い用途でも使える汎用性です。そのため、Pythonはアプリケーションやシステムに組み込んでデータの処理をするのに向いています。利用者の好みや、用途に合った方を使いましょう。

データ分析、機械学習向けのライブラリーが充実

　Pythonでは、データ分析や機械学習向けのライブラリーが数多く公開されています。ライブラリーとは、「ある決まった処理を実行するのに便利な関数の集合」と考えてください。ライブラリーをうまく活用することで、データ分析や機械学習をより簡単にできます。

　その中でも、Pythonにおけるデータ分析に必須のライブラリーが「pandas」です。pandasはExcelファイル、CSVファイルなどから読み込んだテーブル型のデータを扱うライブラリーです。データの読み込みやテーブルの結合、欠損値の確認などができます。

　実際にデータ分析を行う流れに沿って、Pythonでのpandasの使い方を見ていきましょう。前回、Rを使った分析でも例にした「コンビニエンスストアの売り上げに影響を与えている要因」のデータを想定してください。売り上げ、敷地面積、開店時からの経過年数、近くの競合店舗数、駐車場の有無、店舗の種類などをまとめたCSVファイルをPythonのpandasライブラリーを使って分析していきます。

　Pythonにはさまざまな開発・実行環境がありますが、ここでは「Jupyter Notebook」を使っています。Jupyter NotebookではPythonのプログラムを記述し、その実行結果を確認しながらデータの分析作業を進められます。以降に出てくるプログラムの実行画面はいずれもJupyter Notebookです（詳細は後述）。

1. ライブラリーのインポート

　Pythonをインストールできたら、まず必要なライブラリーをインポートしましょう。インポートとは、ライブラリーを呼び出して使える状態にすることです。

　なおこの先に出てくるJupyter Notebookの画面では、グレーの地色の上に表示された部分が入力したコード、その中でも「＃」以下は筆者が加えた説明用のコメントに当たります。その下の白地の部分に黒字で表示されるのが、関数などコードの実行結果です。

Pythonでpandasライブラリーとosライブラリーをインポートしているところ

[画像のクリックで拡大表示]

　「In〔1〕」は、ユーザーが記述したプログラムを表示する欄です。上から2行目では、「pandas」ライブラリーを「pd」という名前を付けてインポートしています。3行目では「os」というまた別のライブラリーをインポートしました。こちらはOS依存の機能をPythonで書いたプログラムから利用するためのライブラリーです。

　4行目ではPythonを実行している作業ディレクトリー（現在のディレクトリー）を確認するため、「os.getcwd()」関数を実行しています。関数を実行する際には、ライブラリーの名前（ここでは「os」）を頭に付けるのがPythonのルールです。ここまでのプログラムを実行した結果として、「Out〔1〕」に作業ディレクトリー（フォルダー）のパスが表示されているのが分かります。