【解説】内部結合の方法を学ぶ | データサイエンス100本ノック【問36〜問37 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
・ Pythonで内部結合の設定方法を学びたい人
以降はデータサイエンス100本ノックの問題を題材に、内部結合の方法について学んでいきます。
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。
第36問目: 内部結合(共通カラムが1つ)
P-036: レシート明細データフレーム（df_receipt）と店舗データフレーム（df_store）を内部結合し、レシート明細データフレームの全項目と店舗データフレームの店舗名（store_name）を10件表示させよ。
表の「結合」といえばconcatを使えば良いのかな？
結論としては、concatではなくmergeを使います。
concatは、シンプルに２つの表を横方向または縦方向に連結させる関数です。
この問題は、「内部結合」という結合方式であり、concatのようなシンプルな連結ではありません。
内部結合とは、２つのデータフレームに共通するカラムが存在した場合、そのカラムの値を軸に結合する方式です。こういった結合を行う場合は、mergeという関数を使います。
実際に問題を解きながらmergeの使い方を学んでいきましょう。
まずは、問題で述べられているdf_receiptというデータフレームと、df_storeというデータフレームを出力し、共通するカラムの存在を確認しましょう。
まずは、df_receiptから出力します。
1 | df_receipt |
1 | sales_ymd sales_epoch store_cd receipt_no receipt_sub_no customer_id product_cd quantity amount |
次に、df_storeを出力します。カラム名だけ把握できれば良いので、head()を付与します。
1 | df_store.head() |
1 |
|
共通のカラムは、store_cdが目視で確認できます。
共通のカラムは、目視で確認しないといけないの？カラムがたくさん存在したら確認するの大変だよね？
共通のカラムを機械的に抽出する方法もあります。その方法については本記事の後半でまとめたいと思います。
共通のカラムがstore_cdであることが分かったので、早速merge関数を用いて内部結合していきます。
回答であるコードを先に記述した上で、merge関数の使い方を解説します。
1 | pd.merge(df_receipt, df_store[['store_cd', 'store_name']], how='inner', on='store_cd').head(10) |
merge関数の第１引数と第２引数は、結合するデータフレームを指定します。
問題文よりdf_receiptに対してdf_storeを内部結合しdf_receiptの全項目とdf_storeの店舗名（store_name）を10件表示させたいので、第２引数には、df_storeから共通カラムであるstore_cdとstore_nameのみを抽出したデータフレームを結合する対象として指定します。
第３引数のhowは、結合方法を指定します。
howで指定できる結合方法は以下のとおりです。
inner: 内部結合left: 左結合right: 右結合outer: 完全外部結合
今回は内部結合なので、how='inner'とします。
第4引数のonは、共通するカラム名を指定します。
結合する２つのデータフレームに共通するカラムは、store_cdなので、on='store_cd'とします。
回答のコードを実行すると以下のような出力が得られ、正常に内部結合がされていることが確認できます。
1 | sales_ymd sales_epoch store_cd receipt_no receipt_sub_no customer_id product_cd quantity amount store_name |
第37問目: 内部結合(共通カラムが複数)
P-037: 商品データフレーム（df_product）とカテゴリデータフレーム（df_category）を内部結合し、商品データフレームの全項目とカテゴリデータフレームの小区分名（category_small_name）を10件表示させよ。
この問題もmerge関数を用いて2つのデータフレームを内部結合します。
内部結合をするために、まずは２つのデータフレームにおいて共通する絡むを把握します。
２つのデータフレームそれぞれを出力します。
まずは、df_productです。
1 | df_product |
1 |
|
続いて、df_categoryです。
1 | df_category |
1 | category_major_cd category_major_name category_medium_cd category_medium_name category_small_cd category_small_name |
さて、共通するカラムは何でしょうか？
目視で共通するカラムを抽出するのは少し厳しいですよね。
ここからは共通するカラムをpythonを使って抽出する方法をまとめたいと思います。
2つのデータフレームにおける共通カラムの抽出方法
大まかな流れは以下です。
2. 各カラムデータの重複値のみを抽出して出力する
1. 各データフレームのカラムデータのみを抽出
まずは、各データフレームのカラムデータのみを抽出します。
データフレームのカラムデータの抽出は、columnsメソッドを使うことで簡単に抽出できます。
まずはdf_productからカラムデータを抽出し、df_product_columnsという変数に代入します。
1 | df_product_columns = df_product.columns |
1 | Index(['product_cd', 'category_major_cd', 'category_medium_cd', |
では、もう一方のデータフレームであるdf_categoryについても同様に、カラムデータを抽出し、df_category_columnsという変数に代入します。
1 | df_category_columns = df_category.columns |
1 | Index(['category_major_cd', 'category_major_name', 'category_medium_cd', |
これで各データフレームのカラムデータのみの抽出が完了しました。
2. 各カラムデータの重複値のみを抽出して出力する
各カラムデータは配列として抽出されています。
2つの配列データから共通のデータを抽出するにはsetを使います。
1 | df_and = set(df_product_columns) & set(df_category_columns) |
1 | {'category_major_cd', 'category_medium_cd', 'category_small_cd'} |
各カラムデータの重複値が出力されました。
つまり、本問題で内部結合をする上で考慮が必要な共通するカラムデータは、category_major_cd, category_medium_cd, category_small_cdの3つであることが分かりました。
早速mergeメソッドを用いて、df_productに対して、df_categoryの共通カラム3つとcategory_small_cdを抽出したデータフレームを内部結合します。
1 | pd.merge(df_product |
1 | product_cd category_major_cd category_medium_cd category_small_cd unit_price unit_cost category_small_name |
これで完了です。
まとめ: 内部結合の方法を学びました。
本記事は、【Python】内部結合の方法を学ぶ | データサイエンス100本ノック【問36〜問37 回答】というテーマでまとめました。
内部結合のポイントは、共通カラムを把握することです。
本記事では共通カラムを抽出する方法も合わせて紹介しました。
