【解説】カテゴリデータの作成方法を学ぶ | データサイエンス100本ノック【問56〜57 回答】

当ページのリンクには広告が含まれています。

目次

• この記事の対象者
  • 第56問目: applyとminを用いた年代カテゴリの作成
  • 第57問目: データの型変換を伴うカテゴリ化
• まとめ: 様々なカテゴリ化の方法を学びました

この記事の対象者

・　データサイエンティストを目指している人

・　Pythonでカテゴリデータの作成方法を知りたい人

以降はデータサイエンス100本ノックの問題を題材にしながら学んでいきます。

データサイエンス100本ノックの始め方は、以下の記事を参考にしていただければと思います。

>>データサイエンス100本ノックの始め方を確認する

第56問目: applyとminを用いた年代カテゴリの作成

P-056: 顧客データフレーム（df_customer）の年齢（age）をもとに10歳刻みで年代を算出し、顧客ID（customer_id）、生年月日（birth_day）とともに抽出せよ。ただし、60歳以上は全て60歳代とすること。年代を表すカテゴリ名は任意とする。先頭10件を表示させればよい。

まずは顧客データフレーム(df_customer)の構造を確認します。

df_customer.head(5)

出力

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
0	CS021313000114	大野 あや子	1	女性	1981-04-29	37	259-1113	神奈川県伊勢原市粟窪**********	S14021	20150905	0-00000000-0
1	CS037613000071	六角 雅彦	9	不明	1952-04-01	66	136-0076	東京都江東区南砂**********	S13037	20150414	0-00000000-0
2	CS031415000172	宇多田 貴美子	1	女性	1976-10-04	42	151-0053	東京都渋谷区代々木**********	S13031	20150529	D-20100325-C
3	CS028811000001	堀井 かおり	1	女性	1933-03-27	86	245-0016	神奈川県横浜市泉区和泉町**********	S14028	20160115	0-00000000-0
4	CS001215000145	田崎 美紀	1	女性	1995-03-29	24	144-0055	東京都大田区仲六郷**********	S13001	20170605	6-20090929-2

年齢を元に10刻みで年代を算出する方法を考えます。

まずageカラムをデータとして取り出した上で、何らかの関数処理を施したい場合はapplyメソッドの引数にlambda式を用いればよかったですね。

>> applyメソッドとlambda式を復習する

applyとlambda式の使い方を振り返ります。

データフレームと併用する場合は、df.apply(lambda 引数: 返り値)でした。

年代の算出方法はどのように行うでしょうか？

実は、過去の問題で既に取り組んでいます。

>> 年代の算出方法を確認する

上記の記事で述べていることの繰り返しになりますが、年代は、age列の値を1/10倍し、floor関数で小数点を切り捨てたあとに10倍すれば、年代を算出することが出来ます。

例えば22という値を、2.2にし、小数点を切り捨てて2.0にした後10倍すれば20になりますよね？つまり、22歳は20代であることを算出することができます。

また問題文より、60以上はすべて60歳代にする必要があります。

比較演算子を用いて処理しても良いですね。一方で、関数で処理した値の最小値が60であることを指定すれば良いという考え方もできます。そのため、minを用いることで60以上はすべて60代として算出することが出来ます。早速コードを書いていきます。

df_age = df_customer['age'].apply(lambda x: min(math.floor(x / 10) * 10, 60))
df_age

出力

0        30
1        60
2        40
3        60
4        20
         ..
21966    50
21967    40
21968    40
21969    50
21970    20
Name: age, Length: 21971, dtype: int64

これを、customer_idとbirth_dayとともに抽出させます。

df_ageとdf_customerの間に共通的なカラムは存在しないので、mergeではなくconcatを用いて結合させます。

concatでdf_ageとdf_customerを結合

df_customer_era = pd.concat([df_customer[['customer_id', 'birth_day']], df_age], axis=1)
df_customer_era.head(10)

出力

	customer_id	birth_day	age
0	CS021313000114	1981-04-29	30
1	CS037613000071	1952-04-01	60
2	CS031415000172	1976-10-04	40
3	CS028811000001	1933-03-27	60
4	CS001215000145	1995-03-29	20
5	CS020401000016	1974-09-15	40
6	CS015414000103	1977-08-09	40
7	CS029403000008	1973-08-17	40
8	CS015804000004	1931-05-02	60
9	CS033513000180	1962-07-11	50

本問はこれで完成です。

リンク

第57問目: データの型変換を伴うカテゴリ化

P-057: 前問題の抽出結果と性別（gender）を組み合わせ、新たに性別×年代の組み合わせを表すカテゴリデータを作成せよ。組み合わせを表すカテゴリの値は任意とする。先頭10件を表示させればよい。

「性別×年代の組み合わせを表すカテゴリデータ」とはなにかを補足しておきます。

今回作成する性別×年代の組み合わせを表すカテゴリーデータは、例えばgender_cdが1でageが40だったとしたら、140という風に表す形にしたいと思います。

これを実施するためには、gender_cdとageがともに文字列データにしなければいけません。なぜなら数値型ですと1 + 40は41になってしまうからです。1 + 40 を140にするためには両者を文字列型にしておけば良いことになります。

gender_cdとageはともに数値(int型)なので、これらをastypeメソッドを用いて文字列(str型)に変換させて足し合わせます。その上で新たなカラムであるera_genderに格納させていきます。

df_customer_era['era_gender'] = df_customer['gender_cd'].astype('str') + df_customer_era['age'].astype('str')
df_customer_era

出力

	customer_id	birth_day	age	era_gender
0	CS021313000114	1981-04-29	30	130
1	CS037613000071	1952-04-01	60	960
2	CS031415000172	1976-10-04	40	140
3	CS028811000001	1933-03-27	60	160
4	CS001215000145	1995-03-29	20	120
...	...	...	...	...
21966	CS002512000474	1959-10-12	50	150
21967	CS029414000065	1970-10-19	40	140
21968	CS012403000043	1972-12-16	40	040
21969	CS033512000184	1964-06-05	50	150
21970	CS009213000022	1996-08-16	20	120
21971 rows × 4 columns

これで完成です。

まとめ: 様々なカテゴリ化の方法を学びました

本記事は、「【Python】カテゴリデータの作成方法を学ぶ | データサイエンス100本ノック【問56〜57 回答】」というテーマでまとめました。

本記事で学んだこととしては、applyメソッドとlambda式の復習、そしてastypeメソッドによるデータの型変換可と思います。

本記事で紹介した方法を元にデータサイエンティストとしての知見を深めていただければと思います。

なお、データサイエンティストに必要な知識は、TechAcademyのデータサイエンスコースでの学習がおすすめです。

>> 第58問の回答はこちら