5 minutes
データサイエンス100本ノックをPythonでやってみた [11-20]
データサイエンス 100 本ノックとは
The-Japan-DataScientist-Society/100knocks-preprocess: データサイエンス 100 本ノック（構造化データ加工編）
Google Colab で データサイエンス 100 本ノックをするにあたって
以下の ipynb ファイルを使用させていただきました。
実行ファイル
データサイエンス 100 本ノック by tomowarkar
011
P-011: 顧客データフレーム（df_customer）から顧客 ID（customer_id）の末尾が 1 のものだけ全項目抽出し、10 件だけ表示せよ。
df_customer[df_customer.customer_id.str.endswith("1")].head(10)
customer_id customer_name ... application_date status_cd
1 CS037613000071 六角 雅彦 ... 20150414 0-00000000-0
3 CS028811000001 堀井 かおり ... 20160115 0-00000000-0
14 CS040412000191 川井 郁恵 ... 20151101 1-20091025-4
31 CS028314000011 小菅 あおい ... 20151123 1-20080426-5
56 CS039212000051 藤島 恵梨香 ... 20171121 1-20100215-4
59 CS015412000111 松居 奈月 ... 20150629 0-00000000-0
63 CS004702000041 野島 洋 ... 20170218 0-00000000-0
74 CS041515000001 栗田 千夏 ... 20160422 E-20100803-F
85 CS029313000221 北条 ひかり ... 20180810 0-00000000-0
102 CS034312000071 望月 奈央 ... 20160106 0-00000000-0
[10 rows x 11 columns]
012
P-012: 店舗データフレーム（df_store）から横浜市の店舗だけ全項目表示せよ。
df_store[df_store.address.str.contains("横浜市")]
store_cd store_name prefecture_cd ... longitude latitude floor_area
2 S14010 菊名店 14 ... 139.6326 35.50049 1732.0
3 S14033 阿久和店 14 ... 139.4961 35.45918 1495.0
7 S14040 長津田店 14 ... 139.4994 35.52398 1548.0
9 S14050 阿久和西店 14 ... 139.4961 35.45918 1830.0
12 S14028 二ツ橋店 14 ... 139.4963 35.46304 1574.0
16 S14012 本牧和田店 14 ... 139.6582 35.42156 1341.0
18 S14046 北山田店 14 ... 139.5916 35.56189 831.0
20 S14011 日吉本町店 14 ... 139.6316 35.54655 890.0
26 S14048 中川中央店 14 ... 139.5758 35.54912 1657.0
40 S14042 新山下店 14 ... 139.6593 35.43894 1044.0
52 S14006 葛が谷店 14 ... 139.5633 35.53573 1886.0
[11 rows x 10 columns]
013
P-013: 顧客データフレーム（df_customer）から、ステータスコード（status_cd）の先頭がアルファベットの A〜F で始まるデータを全項目抽出し、10 件だけ表示せよ。
df_customer[df_customer.status_cd.str.match("[A-F]")].head(10)
customer_id customer_name ... application_date status_cd
2 CS031415000172 宇多田 貴美子 ... 20150529 D-20100325-C
6 CS015414000103 奥野 陽子 ... 20150722 B-20100609-B
12 CS011215000048 芦田 沙耶 ... 20150228 C-20100421-9
15 CS029415000023 梅田 里穂 ... 20150610 D-20100918-E
21 CS035415000029 寺沢 真希 ... 20141220 F-20101029-F
32 CS031415000106 宇野 由美子 ... 20150201 F-20100511-E
33 CS029215000025 石倉 美帆 ... 20150708 B-20100820-C
40 CS033605000005 猪股 雄太 ... 20150425 F-20100917-E
44 CS033415000229 板垣 菜々美 ... 20150712 F-20100326-E
53 CS008415000145 黒谷 麻緒 ... 20150829 F-20100622-F
[10 rows x 11 columns]
str.match は先頭一致で正規表現に一致するものを抽出できます。
014
P-014: 顧客データフレーム（df_customer）から、ステータスコード（status_cd）の末尾が数字の 1〜9 で終わるデータを全項目抽出し、10 件だけ表示せよ。
df_customer[df_customer.status_cd.str.contains("[1-9]$", regex=True)].head(10)
customer_id customer_name ... application_date status_cd
4 CS001215000145 田崎 美紀 ... 20170605 6-20090929-2
9 CS033513000180 安斎 遥 ... 20150728 6-20080506-5
12 CS011215000048 芦田 沙耶 ... 20150228 C-20100421-9
14 CS040412000191 川井 郁恵 ... 20151101 1-20091025-4
16 CS009315000023 皆川 文世 ... 20150319 5-20080322-1
22 CS015315000033 福士 璃奈子 ... 20141024 4-20080219-3
23 CS023513000066 神戸 そら ... 20150915 5-20100524-9
24 CS035513000134 市川 美帆 ... 20150227 8-20100711-9
27 CS001515000263 高松 夏空 ... 20160812 1-20100804-1
28 CS040314000027 鶴田 きみまろ ... 20150122 2-20080426-4
[10 rows x 11 columns]
015
P-015: 顧客データフレーム（df_customer）から、ステータスコード（status_cd）の先頭がアルファベットの A〜F で始まり、末尾が数字の 1〜9 で終わるデータを全項目抽出し、10 件だけ表示せよ。
df_customer[df_customer.status_cd.str.match("[A-F].*\d$")].head(10)
customer_id customer_name ... application_date status_cd
12 CS011215000048 芦田 沙耶 ... 20150228 C-20100421-9
68 CS022513000105 島村 貴美子 ... 20150320 A-20091115-7
71 CS001515000096 水野 陽子 ... 20150614 A-20100724-7
122 CS013615000053 西脇 季衣 ... 20150128 B-20100329-6
144 CS020412000161 小宮 薫 ... 20150822 B-20081021-3
178 CS001215000097 竹中 あさみ ... 20170315 A-20100211-2
252 CS035212000007 内村 恵梨香 ... 20151013 B-20101018-6
259 CS002515000386 野田 コウ ... 20160410 C-20100127-8
293 CS001615000372 稲垣 寿々花 ... 20170403 A-20100104-1
297 CS032512000121 松井 知世 ... 20150727 A-20100103-5
[10 rows x 11 columns]
016
P-016: 店舗データフレーム（df_store）から、電話番号（tel_no）が 3 桁-3 桁-4 桁のデータを全項目表示せよ。
df_store[df_store.tel_no.str.match("\d{3}-\d{3}-\d{4}$")]
store_cd store_name prefecture_cd ... longitude latitude floor_area
0 S12014 千草台店 12 ... 140.1180 35.63559 1698.0
1 S13002 国分寺店 13 ... 139.4802 35.70566 1735.0
2 S14010 菊名店 14 ... 139.6326 35.50049 1732.0
3 S14033 阿久和店 14 ... 139.4961 35.45918 1495.0
4 S14036 相模原中央店 14 ... 139.3716 35.57327 1679.0
7 S14040 長津田店 14 ... 139.4994 35.52398 1548.0
9 S14050 阿久和西店 14 ... 139.4961 35.45918 1830.0
11 S13052 森野店 13 ... 139.4383 35.55293 1087.0
12 S14028 二ツ橋店 14 ... 139.4963 35.46304 1574.0
16 S14012 本牧和田店 14 ... 139.6582 35.42156 1341.0
18 S14046 北山田店 14 ... 139.5916 35.56189 831.0
19 S14022 逗子店 14 ... 139.5789 35.29642 1838.0
20 S14011 日吉本町店 14 ... 139.6316 35.54655 890.0
21 S13016 小金井店 13 ... 139.5094 35.70018 1399.0
22 S14034 川崎野川店 14 ... 139.5998 35.57693 1318.0
26 S14048 中川中央店 14 ... 139.5758 35.54912 1657.0
27 S12007 佐倉店 12 ... 140.1452 35.71872 1895.0
28 S14026 辻堂西海岸店 14 ... 139.4466 35.32464 1732.0
29 S13041 八王子店 13 ... 139.4235 35.63787 810.0
31 S14049 川崎大師店 14 ... 139.7327 35.53759 962.0
32 S14023 川崎店 14 ... 139.7028 35.53599 1804.0
33 S13018 清瀬店 13 ... 139.5178 35.76885 1220.0
35 S14027 南藤沢店 14 ... 139.4896 35.33762 1521.0
36 S14021 伊勢原店 14 ... 139.3129 35.40169 962.0
37 S14047 相模原店 14 ... 139.3748 35.55959 1047.0
38 S12013 習志野店 12 ... 140.0220 35.66122 808.0
40 S14042 新山下店 14 ... 139.6593 35.43894 1044.0
42 S12030 八幡店 12 ... 139.9240 35.72318 1162.0
44 S14025 大和店 14 ... 139.4680 35.43414 1011.0
45 S14045 厚木店 14 ... 139.3651 35.44182 980.0
47 S12029 東野店 12 ... 139.8968 35.65086 1101.0
49 S12053 高洲店 12 ... 139.9176 35.63755 1555.0
51 S14024 三田店 14 ... 139.5424 35.60770 972.0
52 S14006 葛が谷店 14 ... 139.5633 35.53573 1886.0
[34 rows x 10 columns]
先頭末尾をバインドしないと
0000-000-0000や000-000-00000みたいな番号もマッチするので注意ですね。
017
P-17: 顧客データフレーム（df_customer）を生年月日（birth_day）で高齢順にソートし、先頭 10 件を全項目表示せよ。
df_customer.sort_values("birth_day").head(10)
customer_id customer_name ... application_date status_cd
18817 CS003813000014 村山 菜々美 ... 20160214 0-00000000-0
12328 CS026813000004 吉村 朝陽 ... 20150723 0-00000000-0
15682 CS018811000003 熊沢 美里 ... 20150403 0-00000000-0
15302 CS027803000004 内村 拓郎 ... 20151227 0-00000000-0
1681 CS013801000003 天野 拓郎 ... 20160120 0-00000000-0
7511 CS001814000022 鶴田 里穂 ... 20161012 A-20090415-7
2378 CS016815000002 山元 美紀 ... 20150629 C-20090923-C
4680 CS009815000003 中田 里穂 ... 20150421 D-20091021-E
16070 CS005813000015 金谷 恵梨香 ... 20150506 0-00000000-0
6305 CS012813000013 宇野 南朋 ... 20150712 0-00000000-0
[10 rows x 11 columns]
018
P-18: 顧客データフレーム（df_customer）を生年月日（birth_day）で若い順にソートし、先頭 10 件を全項目表示せよ。
df_customer.sort_values("birth_day", ascending=False).head(10)
customer_id customer_name ... application_date status_cd
15639 CS035114000004 大村 美里 ... 20150619 6-20091205-6
7468 CS022103000002 福山 はじめ ... 20160909 0-00000000-0
10745 CS002113000009 柴田 真悠子 ... 20160304 0-00000000-0
19811 CS004115000014 松井 京子 ... 20161120 1-20081231-1
7039 CS002114000010 山内 遥 ... 20160920 6-20100510-1
3670 CS025115000002 小柳 夏希 ... 20160116 D-20100913-D
12493 CS002113000025 広末 まなみ ... 20171030 0-00000000-0
15977 CS033112000003 長野 美紀 ... 20150606 0-00000000-0
5716 CS007115000006 福岡 瞬 ... 20151118 F-20101016-F
15097 CS014113000008 矢口 莉緒 ... 20150622 3-20091108-6
[10 rows x 11 columns]
019
P-19: レシート明細データフレーム（df_receipt）に対し、1 件あたりの売上金額（amount）が高い順にランクを付与し、先頭 10 件を抽出せよ。項目は顧客 ID（customer_id）、売上金額（amount）、付与したランクを表示させること。なお、売上金額（amount）が等しい場合は同一順位を付与するものとする。
pd.concat(
[df_receipt[["customer_id", "amount"]],
df_receipt.amount.rank(ascending=False, method='min').rename("rank")],
axis=1
).sort_values("rank").head(10)
customer_id amount rank
1202 CS011415000006 10925 1.0
62317 ZZ000000000000 6800 2.0
54095 CS028605000002 5780 3.0
4632 CS015515000034 5480 4.0
72747 ZZ000000000000 5480 4.0
10320 ZZ000000000000 5480 4.0
97294 CS021515000089 5440 7.0
28304 ZZ000000000000 5440 7.0
92246 CS009415000038 5280 9.0
68553 CS040415000200 5280 9.0
pandas.Series.rankを使ってランク付します。
020
P-020: レシート明細データフレーム（df_receipt）に対し、1 件あたりの売上金額（amount）が高い順にランクを付与し、先頭 10 件を抽出せよ。項目は顧客 ID（customer_id）、売上金額（amount）、付与したランクを表示させること。なお、売上金額（amount）が等しい場合でも別順位を付与すること。
pd.concat(
[df_receipt[["customer_id", "amount"]],
df_receipt.amount.rank(ascending=False, method='first').rename("rank")],
axis=1
).sort_values("rank").head(10)
customer_id amount rank
1202 CS011415000006 10925 1.0
62317 ZZ000000000000 6800 2.0
54095 CS028605000002 5780 3.0
4632 CS015515000034 5480 4.0
10320 ZZ000000000000 5480 5.0
72747 ZZ000000000000 5480 6.0
28304 ZZ000000000000 5440 7.0
97294 CS021515000089 5440 8.0
596 CS015515000083 5280 9.0
11275 CS017414000114 5280 10.0
pandas.Series.rank の引数をmethod='first'にすることで同一値は登場順にランク付されます。
Read other posts
