【問32～問34】データサイエンス100本ノック　解説

はじめに

問32～問34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32　レシート明細データフレーム（df_receipt）の売上金額（amount）について、25％刻みでパーセンタイル値を求めよ。

データ数を区切る値をパーセンタイル値といいます。よって、25％刻みのパーセンタイル値は、25，50、75、100になります。

パーセンタイル値を求めるには、np.percentile()を使用します。

np.percentile(df_receipt['amount'],q=[25,50,75,100])

別の方法はもっと簡単です。describe()を使用すると、各カラムのカウント数、平均、標準偏差、最大値、最小値、パーセンタイル値を取得できます。

これは、実務上もよく使うので覚えておいてください。

問33　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、330以上のものを抽出せよ。

問27と処理が似ています。

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、インデックスが消えないように、.reset_index()を用います。

それを、「330以上のものを抽出」するので、query()を使用します。

df_receipt.groupby('store_cd').agg({'amount':'mean'}).reset_index().query('amount >= 330')

なお、以下のコードでも同じ結果がでます。

df_receipt.groupby('store_cd').amount.mean().reset_index().query('amount>=330')

問34　レシート明細データフレーム（df_receipt）に対し、顧客ID（customer_id）ごとに売上金額（amount）を合計して全顧客の平均を求めよ。ただし、顧客IDが”Z”から始まるのものは非会員を表すため、除外して計算すること。

（df_receipt）の顧客IDが“Z”から始まるのものは非会員を表すため、除外する必要があります。

これは問10で使用した処理と同じように、“Z”から始まるもののみを除外して抽出すればいいので、query（）を使用し、文字列の前方一致のstr.startswith(“文字列”)を使います。

なお、文字列の中でシングルクォーテーションを使う場合はダブルクォーテーションで囲んでください。一方、ダブルクォーテーションを使う場合はシングルクォーテーションで囲むというのを忘れないでください。

そして、.query(　)で文字列メソッドを使う場合、第２引数に「engine=’python’」を指定しないとエラーがでます！

よって、.query(‘not customer_id.str.startswith(“Z”)’, engine=’python’)

となります。

また、顧客ID（customer_id）ごとに売上金額（amount）を合計して全顧客の平均を求める必要があります。

これには、customer_idをグルーピングし、amountの合計は、sum（）を使って計算します。さらに、その合計を、mean（）を用いて全顧客の平均を求めます。

まとめると、.groupby(‘customer_id’).amount.sum().mean()になります。

df_receipt.query('not customer_id.str.startswith("Z")', engine='python').groupby('customer_id').amount.sum().mean()

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。