【問71～問74】データサイエンス100本ノック　解説

はじめに

問71～問74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、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71　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）からの経過月数を計算し、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）。1ヶ月未満は切り捨てること。

問70と途中までは同じ処理です。

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）からの経過月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')

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')

問70と違う点は、1ヶ月未満は切り捨て、経過月数を計算する必要があります。

relativedelta(time1, time2)を使用すると、time1からtime2への経過時間を取得することができます。

結果をyears、months、daysで返すため、yearsに12を掛ければ、月数を求めることができます。

なお、axis=1を指定しないと、各レコードにおけるsales_ymdとapplication_date間の経過を算出できません。

上記の結果をelapsed_monthのカラムに入れましょう。

df_tmp['elapsed_month'] = df_tmp[['sales_ymd','application_date']].apply(lambda x :relativedelta(x[0],x[1]).years*12 + relativedelta(x[0],x[1]).months,axis=1)

問72　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）からの経過年数を計算し、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）。1年未満は切り捨てること。

問71と途中までは同じ処理です。

問70と違う点は、1年未満は切り捨て、経過年数を計算する必要があります。

df_tmp['elased_year'] = df_tmp[['sales_ymd','application_date']].apply(lambda x :relativedelta(x[0],x[1]).years,axis=1)

問73　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）からのエポック秒による経過時間を計算し、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）。なお、時間情報は保有していないため各日付は0時0分0秒を表すものとする。

問71、問72と途中までは同じ処理です。

問71、問72と違う点は、時間情報は保有していないため各日付は0時0分0秒を表すこと、エポック秒による経過時間を計算する点です。

問48で記したとおり、「エポック秒による経過時間」とは、UTC時刻における1970年1月1日午前0時0分0秒（UNIXエポック）からの経過秒数です（UNIX秒）。

pd.to_datetimeで日付型に変換したdatetimeオブジェクトをUNIX時間に変換するには、timestamp()を使います。

df_tmp['lapsed_date_unix'] = df_tmp['sales_ymd'].apply(lambda x: x.timestamp()) - df_tmp['application_date'].apply(lambda x: x.timestamp())

問74　レシート明細データフレーム（df_receipt）の売上日（sales_ymd）に対し、当該週の月曜日からの経過日数を計算し、売上日、当該週の月曜日付とともに表示せよ。結果は10件表示させれば良い（なお、sales_ymdは数値でデータを保持している点に注意）。

まず、問71～73の処理をもとに、sales_ymdを日付型に変換します。

レシート明細データフレーム（df_receipt）の売上日（sales_ymd）に対し、当該週の月曜日からの経過日数を計算し、売上日、当該週の月曜日の日付とともに表示する必要があります。

まず、問71～73の処理をもとに、sales_ymdを日付型に変換します。

df_tmp = df_receipt[['customer_id','sales_ymd']]
df_tmp = df_tmp.drop_duplicates()
df_tmp['sales_ymd'] = pd.to_datetime(df_tmp['sales_ymd'].astype('str'))

次に、mondayのカラムを作成し、sales_ymdの当該週における月曜日の日付を入れます。

それには、日付型の曜日をint型で返すweekday()を使用します。weekday()は月曜日は0、日曜日は6のように0~6で返してくれます。

当該週における月曜日の日付をlambda式で書くと、.apply(lambda x: x – relativedelta(days=x.weekday())のようになります。

df_tmp['monday'] = df_tmp['sales_ymd'].apply(lambda x: x - relativedelta(days=x.weekday()))

最後に、elapsed_weekdayというカラムを作成し、sales_ymdからmondayを引き算することで経過日数を算出します。

df_tmp['elapsed_weekday'] = df_tmp['sales_ymd'] - df_tmp['monday']

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。