【問26～問28】データサイエンス100本ノック　解説

はじめに

問26～問28のコードの説明を初心者や初学者でもわかるような方法でまとめました。

データサイエンス100本ノックのはじめ方は、以下のブログ記事を参考にしてください。

>>【Google Colabはじめ方】データサイエンス100本ノックーデータサイエンティスト協会

問26　レシート明細データフレーム（df_receipt）に対し、顧客ID（customer_id）ごとに最も新しい売上日（sales_ymd）と古い売上日を求め、両者が異なるデータを10件表示せよ。

問24と問25の複合問題です。

まず、「(df_receipt）に対し、顧客ID（customer_id）ごとに」表示する必要があるので、groupby（）を使用します。

今回は、最も新しい売上日（sales_ymd）と古い売上日の両方を求める必要があるので、max（）、min（）の両方を使用します。

また、インデックスが消えないように、最後に.reset_index()を使用し、これを10件

表示なので、.head(10)と打ちます。

df_tmp =　df_receipt.groupby('customer_id').agg({'sales_ymd':['max','min']}).reset_index()
df_tmp

次に、sales_ymd_maxとsales_ymd_minという２つのカラム名に変更します。

df_tmp.columns = ['customer_id','sales_ymd_max','sales_ymd_min']

最後に、「両者が異なるデータを表示」する必要があります。これには、.query()を使用します。

そして、「異なる」というのは、！＝を使用します。！＝の意味は、ノットイコールです。

そして、10件表示なので、.head(10)ですね。

df_tmp.query('sales_ymd_max != sales_ymd_min').head(10)

問27　レシート明細データフレーム（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の平均を計算し、降順でTOP5を表示せよ。

まず、「(df_receipt）に対し、店舗コード（store_cd）ごとに」表示する必要があるので、groupby（）を使用します。

売上金額（amount）の平均を計算するので、agg({‘カラム名’: ‘mean’})を使用します。

そして、降順で表示なので、問18で使用したように、.sort_values(‘カラム名’, ascending=False)とします。

これを5件表示なので、.head()と打ちます。なお、.head()は何も数字を入れない場合には５がデフォルト値になります。

df_receipt.groupby('store_cd').agg({'amount':'mean'}).reset_index().sort_values('amount',ascending=False).head(5)

問28　レシート明細データフレーム（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の中央値を計算し、降順でTOP5を表示せよ。

問27とほぼ同じ処理です。違うのは、中央値を計算するところですが、これは、medianを使用します。なお、中央値とは、分布の中央にくる値のことです

df_receipt.groupby('store_cd').agg({'amount':'median'}).reset_index().sort_values('amount',ascending=False).head()

Pythonのコードやライブラリーについて知りたい場合

Pythonはデータ分析でよく使われている言語です。

この機会にPythonのコードの打ち方・ライブラリーについてもっと知りたいと思った方は、以下のブログ記事をご覧ください。

独学でデータ分析をしている方へ

機械学習やデータサイエンス・データ分析を独学で学ぶには、どうしたらよいかをまとめてみましたので、興味がある方はこちらのブログ記事をご覧ください。