【問69～問70】データサイエンス100本ノック　解説

はじめに

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69　レシート明細データフレーム（df_receipt）と商品データフレーム（df_product）を結合し、顧客毎に全商品の売上金額合計と、カテゴリ大区分（category_major_cd）が”07″（瓶詰缶詰）の売上金額合計を計算の上、両者の比率を求めよ。抽出対象はカテゴリ大区分”07″（瓶詰缶詰）の売上実績がある顧客のみとし、結果は10件表示させればよい。

まず、レシート明細データフレーム（df_receipt）と商品データフレーム（df_product）の共通カラムがあるか探します。

探し方は問37、問40でやりました、setを用います。

df_receipt_columns = df_receipt.columns
df_product_columns = df_product.columns
df_and = set(df_receipt_columns) & set(df_product_columns)
df_and

product_cdが共通しているため、pd.merge()を用いて内部結合し、customer_idごとに全商品の売上金額の合計を算出します。

それには、groupby()、amount.sum()を使用します。

df_tmp1 = pd.merge(df_receipt,df_product,how='inner',on='product_cd').groupby('customer_id').amount.sum().reset_index()

次に、「抽出対象はカテゴリ大区分”07″（瓶詰缶詰）の売上実績がある顧客のみ」なので、（df_product）からカテゴリ大区分（category_major_cd）が“07”（瓶詰缶詰）を抽出します。

ただし、category_major_cdのデータを見てみると０が付かないので単純にint型の７となっています。そのため、以下のコードにします。

df_product_7 = df_product.query('category_major_cd == 7')

df_product_7とdf_tmp1を内部結合し、売上金額合計を計算します。

df_tmp2 = pd.merge(df_receipt,df_product_07,how='inner',on='product_cd').groupby('customer_id').amount.sum().reset_index()

最後に、df_tmp1とdf_tmp2を結合し、その両者の比率を求めたものを作成します。

両社の比率は、瓶詰缶詰の売上金額合計／全商品の売上金額合計で計算できます。

df_tmp3 = pd.merge(df_tmp1,df_tmp2,how='inner',on='customer_id')
df_tmp3['rate_7'] = df_tmp3['amount_y'] / df_tmp3['amount_x']

問70　レシート明細データフレーム（df_receipt）の売上日（sales_ymd）に対し、顧客データフレーム（df_customer）の会員申込日（application_date）からの経過日数を計算し、顧客ID（customer_id）、売上日、会員申込日とともに表示せよ。結果は10件表示させれば良い（なお、sales_ymdは数値、application_dateは文字列でデータを保持している点に注意）。

レシート明細データフレーム（df_receipt）の売上日（sales_ymd）に対し、顧客データフレーム（df_customer）の会員申込日（application_date）からの経過日数を計算する必要があります。

まず、顧客ID（customer_id）、売上日（sales_ymd）、会員申込日（application_date）が抽出項目なので、（df_receipt）と（df_customer）を内部結合します。

df_tmp = pd.merge(df_receipt[['customer_id', 'sales_ymd']], df_customer[['customer_id', 'application_date']], how='inner', on='customer_id')

重複している行が確認できましたので、drop_duplicates()で、重複した行を削除します。

df_tmp = df_tmp.drop_duplicates()

次に、「sales_ymdは数値、application_dateは文字列でデータを保持している」ため、それらを用いて計算するためには、（application_date）と売上日（sales_ymd）をpd.to_datetimeで日付型に変換する必要があります。

変換方法の詳細は問46、問47を参考にしてください。

df_tmp['sales_ymd'] = pd.to_datetime(df_tmp['sales_ymd'],format='%Y%m%d')
df_tmp['application_date'] = pd.to_datetime(df_tmp['application_date'],format='%Y%m%d')

最後に、elapsed_dateのカラムを作成し、そこに、売上日（sales_ymd）から会員申込日（application_date）の差分である経過日数を計算します。

df_tmp['elased_date'] = df_tmp['sales_ymd']-df_tmp['application_date']

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。