Pandas

[Python] Pandas – Seriesの使い方やDataFrameとの違いを解説

2025-01-18更新日: 2025-01-18

PandasのSeriesは、1次元のラベル付き配列で、インデックスと値のペアで構成されます。

Seriesはリストや辞書のように扱え、インデックスを指定して要素にアクセスできます。

DataFrameは2次元のデータ構造で、複数のSeriesが列として集まったものです。

Seriesは1つのデータ型を持つのに対し、DataFrameは各列が異なるデータ型を持つことができます。

SeriesはDataFrameの一部としても利用されます。

目次から探す

Pandasの基本構造：SeriesとDataFrameの概要

Pandasとは？

Pandasは、Pythonでデータ解析を行うための強力なライブラリです。

特に、表形式のデータを扱うためのデータ構造を提供しており、データの操作や分析を簡単に行うことができます。

Pandasは、データの読み込み、前処理、集計、可視化など、データサイエンスの多くのタスクに対応しています。

Seriesとは？

Seriesは、Pandasの基本的なデータ構造の一つで、1次元のラベル付き配列です。

数値や文字列などのデータを格納でき、各データにはインデックスが付与されます。

Seriesは、データの操作や分析を行う際に非常に便利です。

import pandas as pd
# Seriesの作成
data = [10, 20, 30, 40]
series = pd.Series(data)
print(series)

0    10
1    20
2    30
3    40
dtype: int64

DataFrameとは？

DataFrameは、Pandasのもう一つの主要なデータ構造で、2次元のラベル付きデータ構造です。

行と列から成り、異なるデータ型を持つことができます。

DataFrameは、データの集計やフィルタリング、結合などの操作を行う際に非常に強力です。

import pandas as pd
# DataFrameの作成
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}
df = pd.DataFrame(data)
print(df)

SeriesとDataFrameの違い

特徴	Series	DataFrame
次元	1次元	2次元
データ構造	ラベル付き配列	ラベル付きの行列
データ型	同じデータ型	異なるデータ型を持つことが可能
使用例	単一のデータ列の操作	複数のデータ列の操作

Seriesは主に単一のデータ列を扱うのに対し、DataFrameは複数のデータ列を持つため、より複雑なデータの操作が可能です。

Seriesの基本的な使い方

Seriesの作成方法

リストからSeriesを作成

リストを使用してSeriesを作成することができます。

リストの各要素がSeriesの値となり、デフォルトでインデックスは0から始まります。

import pandas as pd
# リストからSeriesを作成
data = [10, 20, 30, 40]
series_from_list = pd.Series(data)
print(series_from_list)

0    10
1    20
2    30
3    40
dtype: int64

辞書からSeriesを作成

辞書を使用してSeriesを作成することも可能です。

この場合、辞書のキーがインデックスとなり、値がSeriesの値になります。

import pandas as pd
# 辞書からSeriesを作成
data = {'a': 10, 'b': 20, 'c': 30}
series_from_dict = pd.Series(data)
print(series_from_dict)

a    10
b    20
c    30
dtype: int64

NumPy配列からSeriesを作成

NumPy配列を使用してSeriesを作成することもできます。

NumPy配列の各要素がSeriesの値となります。

import pandas as pd
import numpy as np
# NumPy配列からSeriesを作成
data = np.array([1, 2, 3, 4])
series_from_numpy = pd.Series(data)
print(series_from_numpy)

0    1
1    2
2    3
3    4
dtype: int64

インデックスの操作

インデックスの指定

Seriesを作成する際に、インデックスを指定することができます。

これにより、デフォルトのインデックスをカスタマイズできます。

import pandas as pd
# インデックスを指定してSeriesを作成
data = [10, 20, 30]
index = ['a', 'b', 'c']
series_with_index = pd.Series(data, index=index)
print(series_with_index)

a    10
b    20
c    30
dtype: int64

インデックスの変更

既存のSeriesのインデックスを変更することも可能です。

index属性を使用して新しいインデックスを設定します。

import pandas as pd
# インデックスを変更
data = [10, 20, 30]
series = pd.Series(data)
# インデックスの変更
series.index = ['x', 'y', 'z']
print(series)

x    10
y    20
z    30
dtype: int64

インデックスのリセット

インデックスをリセットして、デフォルトの整数インデックスに戻すことができます。

import pandas as pd
# インデックスをリセット
data = [10, 20, 30]
index = ['a', 'b', 'c']
series = pd.Series(data, index=index)
# インデックスのリセット
series_reset = series.reset_index(drop=True)
print(series_reset)

0    10
1    20
2    30
dtype: int64

Seriesのデータアクセス

インデックスでのアクセス

インデックスを使用してSeriesの特定の要素にアクセスできます。

import pandas as pd
# インデックスでのアクセス
data = [10, 20, 30]
series = pd.Series(data)
# インデックス0の要素にアクセス
value = series[0]
print(value)

ラベルでのアクセス

ラベルを使用してSeriesの要素にアクセスすることもできます。

指定したラベルの値を取得します。

import pandas as pd
# ラベルでのアクセス
data = {'a': 10, 'b': 20, 'c': 30}
series = pd.Series(data)
# ラベル'b'の要素にアクセス
value = series['b']
print(value)

スライスによるアクセス

スライスを使用して、Seriesの複数の要素にアクセスすることができます。

import pandas as pd
# スライスによるアクセス
data = [10, 20, 30, 40, 50]
series = pd.Series(data)
# インデックス1から3までの要素にアクセス
sliced_series = series[1:4]
print(sliced_series)

1    20
2    30
3    40
dtype: int64

Seriesのデータ操作

データの追加

Seriesに新しいデータを追加することができます。

新しいインデックスを指定して値を追加します。

import pandas as pd
# データの追加
data = [10, 20, 30]
series = pd.Series(data)
# 新しいデータを追加
series[3] = 40
print(series)

0    10
1    20
2    30
3    40
dtype: int64

データの削除

Seriesから特定のデータを削除することができます。

dropメソッドを使用します。

import pandas as pd
# データの削除
data = [10, 20, 30, 40]
series = pd.Series(data)
# インデックス1の要素を削除
series_dropped = series.drop(1)
print(series_dropped)

0    10
2    30
3    40
dtype: int64

データの更新

Seriesの特定の要素を更新することができます。

インデックスを指定して新しい値を代入します。

import pandas as pd
# データの更新
data = [10, 20, 30]
series = pd.Series(data)
# インデックス1の要素を更新
series[1] = 25
print(series)

0    10
1    25
2    30
dtype: int64

Seriesの応用的な使い方

Seriesの演算

数値演算

Seriesでは、数値演算を簡単に行うことができます。

各要素に対して演算を適用することができ、結果は新しいSeriesとして返されます。

import pandas as pd
# 数値演算
data = [10, 20, 30]
series = pd.Series(data)
# 各要素に10を加算
result = series + 10
print(result)

0    20
1    30
2    40
dtype: int64

ブール演算

Seriesに対してブール演算を行うことも可能です。

条件に基づいてTrueまたはFalseのSeriesを生成します。

import pandas as pd
# ブール演算
data = [10, 20, 30]
series = pd.Series(data)
# 各要素が15より大きいかどうかを確認
result = series > 15
print(result)

0    False
1     True
2     True
dtype: bool

欠損値の処理

欠損値の確認

Series内の欠損値を確認するには、isnullメソッドを使用します。

欠損値がある場合はTrueが返されます。

import pandas as pd
import numpy as np
# 欠損値の確認
data = [10, np.nan, 30]
series = pd.Series(data)
# 欠損値の確認
missing_values = series.isnull()
print(missing_values)

0    False
1     True
2    False
dtype: bool

欠損値の補完

欠損値を補完するには、fillnaメソッドを使用します。

指定した値で欠損値を埋めることができます。

import pandas as pd
import numpy as np
# 欠損値の補完
data = [10, np.nan, 30]
series = pd.Series(data)
# 欠損値を0で補完
filled_series = series.fillna(0)
print(filled_series)

0    10.0
1     0.0
2    30.0
dtype: float64

欠損値の削除

欠損値を削除するには、dropnaメソッドを使用します。

欠損値を含む要素が削除されます。

import pandas as pd
import numpy as np
# 欠損値の削除
data = [10, np.nan, 30]
series = pd.Series(data)
# 欠損値を削除
cleaned_series = series.dropna()
print(cleaned_series)

0    10.0
2    30.0
dtype: float64

Seriesのフィルタリング

条件に基づくフィルタリング

条件を指定してSeriesをフィルタリングすることができます。

条件を満たす要素のみを抽出します。

import pandas as pd
# 条件に基づくフィルタリング
data = [10, 20, 30, 40]
series = pd.Series(data)
# 20以上の要素をフィルタリング
filtered_series = series[series >= 20]
print(filtered_series)

1    20
2    30
3    40
dtype: int64

複数条件でのフィルタリング

複数の条件を組み合わせてフィルタリングすることも可能です。

&(AND)や|(OR)を使用します。

import pandas as pd
# 複数条件でのフィルタリング
data = [10, 20, 30, 40]
series = pd.Series(data)
# 20以上かつ30未満の要素をフィルタリング
filtered_series = series[(series >= 20) & (series < 30)]
print(filtered_series)

1    20
dtype: int64

Seriesの統計的操作

基本統計量の取得

Seriesの基本的な統計量を取得するには、describeメソッドを使用します。

平均、標準偏差、最小値、最大値などが得られます。

import pandas as pd
# 基本統計量の取得
data = [10, 20, 30, 40, 50]
series = pd.Series(data)
# 統計量の取得
stats = series.describe()
print(stats)

count     5.0
mean     30.0
std      15.811388
min      10.0
25%      20.0
50%      30.0
75%      40.0
max      50.0
dtype: float64

ユニーク値の確認

Series内のユニークな値を確認するには、uniqueメソッドを使用します。

import pandas as pd
# ユニーク値の確認
data = [10, 20, 20, 30, 10]
series = pd.Series(data)
# ユニークな値を取得
unique_values = series.unique()
print(unique_values)

[10 20 30]

値のカウント

Series内の各値の出現回数をカウントするには、value_countsメソッドを使用します。

import pandas as pd
# 値のカウント
data = [10, 20, 20, 30, 10]
series = pd.Series(data)
# 各値の出現回数をカウント
value_counts = series.value_counts()
print(value_counts)

10    2
20    2
30    1
dtype: int64

DataFrameとの連携

DataFrameからSeriesを抽出

DataFrameから特定の列を抽出することで、Seriesを取得することができます。

列名を指定することで、その列のデータをSeriesとして取り出せます。

import pandas as pd
# DataFrameの作成
data = {
    'A': [1, 2, 3],
    'B': [4, 5, 6]
}
df = pd.DataFrame(data)
# 列'A'をSeriesとして抽出
series_a = df['A']
print(series_a)

0    1
1    2
2    3
Name: A, dtype: int64

SeriesをDataFrameに変換

SeriesをDataFrameに変換するには、to_frameメソッドを使用します。

これにより、Seriesが1列のDataFrameとして変換されます。

import pandas as pd
# Seriesの作成
data = [1, 2, 3]
series = pd.Series(data)
# SeriesをDataFrameに変換
df_from_series = series.to_frame(name='Values')
print(df_from_series)

複数のSeriesをDataFrameに結合

複数のSeriesを結合して1つのDataFrameを作成することができます。

pd.concatを使用して、Seriesを列として結合します。

import pandas as pd
# 複数のSeriesの作成
series_a = pd.Series([1, 2, 3])
series_b = pd.Series([4, 5, 6])
# SeriesをDataFrameに結合
df_combined = pd.concat([series_a, series_b], axis=1)
df_combined.columns = ['A', 'B']
print(df_combined)

SeriesをDataFrameの列として追加

既存のDataFrameにSeriesを新しい列として追加することができます。

SeriesのインデックスがDataFrameのインデックスと一致している必要があります。

import pandas as pd
# DataFrameの作成
data = {
    'A': [1, 2, 3]
}
df = pd.DataFrame(data)
# 新しいSeriesの作成
new_series = pd.Series([4, 5, 6])
# SeriesをDataFrameの列として追加
df['B'] = new_series
print(df)

Seriesの実用例

時系列データの処理

Seriesは、時系列データの処理に非常に便利です。

Pandasでは、日付をインデックスとして使用することで、時系列データの操作が容易になります。

import pandas as pd
# 日付の範囲を作成
date_range = pd.date_range(start='2023-01-01', periods=5)
# 時系列データの作成
data = [100, 200, 300, 400, 500]
time_series = pd.Series(data, index=date_range)
print(time_series)

2023-01-01    100
2023-01-02    200
2023-01-03    300
2023-01-04    400
2023-01-05    500
Freq: D, dtype: int64

カテゴリデータの処理

Seriesを使用してカテゴリデータを処理することも可能です。

カテゴリデータは、特定のグループに分類されるデータを扱います。

import pandas as pd
# カテゴリデータの作成
data = ['A', 'B', 'A', 'C', 'B', 'A']
category_series = pd.Series(data, dtype='category')
# カテゴリの出現回数をカウント
category_counts = category_series.value_counts()
print(category_counts)

A    3
B    2
C    1
dtype: int64

テキストデータの処理

Seriesを使用してテキストデータを処理することもできます。

文字列操作を行うためのメソッドが豊富に用意されています。

import pandas as pd
# テキストデータの作成
data = ['apple', 'banana', 'cherry']
text_series = pd.Series(data)
# 各要素を大文字に変換
upper_series = text_series.str.upper()
print(upper_series)

0      APPLE
1     BANANA
2     CHERRY
dtype: object

数値データの集計

Seriesを使用して数値データの集計を行うことができます。

合計や平均などの統計量を簡単に計算できます。

import pandas as pd
# 数値データの作成
data = [10, 20, 30, 40, 50]
number_series = pd.Series(data)
# 合計と平均を計算
total = number_series.sum()
mean = number_series.mean()
print(f"合計: {total}, 平均: {mean}")