例題付きで解説するPandasのGroupBy機能

![image](https://www.kdnuggets.com/wp-content/uploads/kdn-pandas-groupby-explained-with-examples.png)** ## # イントロダクション [Pandas](https://pandas.pydata.org/)** は、データ分析のための最も人気のある Python ライブラリの一つです。構造化データのクリーニング、整形、集約、探索のためにシンプルなツールを提供します。Pandas の中でも特に有用な機能の一つが **GroupBy** です。これは、1 つ以上のカテゴリに基づいて行をグループ化して回答が必要な質問に答えるのに役立ちます。 例えば、販売データを扱っている場合、地域ごとの総収益や製品カテゴリごとの平均注文額、各営業担当者が処理した注文数などを計算したいかもしれません。各カテゴリを手動で一つずつフィルタリングする代わりに、GroupBy を使用すれば、これらの計算をクリーンかつ効率的に行うことができます。 本チュートリアルでは、小さな販売データセットを用いた Pandas GroupBy の実用的な例を見ていきます。コーディング環境には **[Deepnote](https://deepnote.com/)** を使用しており、一部の出力はコードブロックの直下にノートブックのスクリーンショットとして表示されます。 ## # サンプルデータの作成 ** GroupBy を使用する前に、まず order_id、region（地域）、category（カテゴリ）、sales_rep（営業担当者）、units（数量）、unit_price（単価）、discount（割引）、order_date（注文日）などの列を持つ小売販売のサンプルデータセットを作成します。その後、辞書を変換して pandas DataFrame を作成し、gross_sales（総売上高）と net_sales（純売上高）という 2 つの新規列を追加します。 data = { "order_id": [101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112], "region": ["North", "South", "North", "West", "South", "West", "North", "South", "West", "North", "South", "West"], "category": ["Electronics", "Furniture", "Electronics", "Furniture", "Clothing", "Electronics", "Clothing", "Furniture", "Clothing", "Furniture", "Electronics", "Clothing"], "sales_rep": ["Ayesha", "Bilal", "Ayesha", "Chen", "Bilal", "Chen", "Ayesha", "Bilal", "Chen", "Ayesha", "Bilal", "Chen"], "units": [2, 1, 3, 2, 5, 4, 6, 2, 7, 1, 2, 8], "unit_price": [500, 800, 450, 700, 60, 550, 55, 850, 65, 750, 520, 70], "discount": [0.05, 0.10, 0.00, 0.08, 0.00, 0.12, 0.05, 0.10, 0.00, 0.07, 0.03, 0.00], "order_date": pd.to_datetime([ "2026-01-05", "2026-01-06", "2026-01-08", "2026-01-10", "2026-01-12", "2026-01-15", "2026-02-02", "2026-02-05", "2026-02-08", "2026-02-12", "2026-02-15", "2026-02-20" ]) } df = pd.DataFrame(data) df["gross_sales"] = df["units"] * df["unit_price"] df["net_sales"] = df["gross_sales"] * (1 - df["discount"]) df gross_sales（粗売上）列は、単価に販売数量を乗算することで計算され、net_sales（純売上）はその値から割引率を適用して調整したものです。これにより、すべての GroupBy 例で使用できるクリーンなデータセットが用意されます。 ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_1.png) ## # 基本的な GroupBy 構文の使用 最も基本的な GroupBy 操作は、単純なパターンに従います：グループ化対象の列を選択し、値の列を選択し、集計関数を適用します。この例では、データを地域ごとにグループ化し、各地域の総ネット売上高を計算します。 df.groupby("region")["net_sales"].sum() 結果は、北、南、西がそれぞれ独自の合計売上値を持っていることを示しています。これは、データを要約する際の GroupBy の最も単純で一般的な使用例です。 region North 3311.0 South 3558.8 West 4239.0 Name: net_sales, dtype: float64 ## # as_index=False を使用した GroupBy デフォルトでは、pandas は出力においてグループ化された列をインデックスとして使用します。これは場合によっては有用ですが、グループ化された列が通常の列のまま残る通常の DataFrame で作業する方が簡単なことがよくあります。そこで便利なのが as_index=False です。 df.groupby("region", as_index=False)["net_sales"].sum() この例でも、地域ごとの総ネット売上高を計算しますが、結果はクリーンな DataFrame として返されるため、エクスポートや結合、レポートでの使用が容易になります。 ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_12.png) ## # 1 つの列への複数の集計関数の適用 GroupBy は単一の計算に限定されません。agg() を使用して、同じ列に対して複数の集計関数を適用できます。 この例では、各地域のネット売上高について、合計、平均、最小値、最大値、および件数（count）を計算します。 これにより、地域別の売上パフォーマンスの簡易的な統計サマリーが得られ、総収益だけでなく、平均注文サイズや注文ボリュームも比較できるようになります。 df.groupby("region")["net_sales"].agg(["sum", "mean", "min", "max", "count"]) ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_2.png) ## # 名前付き集約の使用 名前付き集約（Named Aggregations）を使用すると、GroupBy の出力がより読みやすく、扱いやすくなります。sum や mean といった汎用的な列名を返す代わりに、total_sales、average_order_value、total_units、number_of_orders といった独自の名称を定義できます。 これは、ダッシュボードやレポート、チュートリアル用の分析データを準備する際に特に役立ちます。出力の列名が各指標が何を表しているかを明確に説明するためです。 region_summary = ( df.groupby("region", as_index=False) .agg( total_sales=("net_sales", "sum"), average_order_value=("net_sales", "mean"), total_units=("units", "sum"), number_of_orders=("order_id", "count") ) ) region_summary ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_7.png) ## # 複数の列によるグループ化 1 つ以上の列でデータをグループ化することも可能です。この例では、地域とカテゴリの両方でグループ化し、各地域内の各製品カテゴリごとの総純売上高を計算します。 これは、地域だけでグループ化する場合と比較して、データの詳細なビューを提供します。複数の列によるグループ化は、地域と製品、部署と従業員、月と顧客セグメントなど、異なる次元にわたってパフォーマンスを分析したい場合に有用です。 df.groupby(["region", "category"], as_index=False)["net_sales"].sum() ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_11.png) ## # グループ化結果のソート グループ化と集計の後、最高値または最低値を見つけるために結果をソートしたいことがよくあります。 この例では、製品カテゴリごとの総売上を計算し、結果を降順でソートします。 これにより、どのカテゴリが最も多くの収益を生んだかを簡単に特定できます。グループ化された結果のソートは、生データからの要約を実用的なインサイトに変換する際のシンプルかつ強力なステップです。 category_sales = ( df.groupby("category", as_index=False) .agg(total_sales=("net_sales", "sum")) .sort_values("total_sales", ascending=False) ) category_sales ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_6.png) ## # count と size の理解 Pandas には count() と size() の両方が用意されていますが、これらは完全に同じではありません。size() メソッドは、欠損値を含む行を含めて各グループの行数全体をカウントします。一方、count() メソッドは、選択された列内の非欠損値のみをカウントします。 この例では、意図的に sales_rep カラムに欠損値を追加しています。出力を見ると、size() は依然として各リージョンに対して 4 行をカウントしているのに対し、count() は sales_rep の値が一つ欠けているため North リージョンに対して 3 を返します。 import numpy as np df_missing = df.copy() df_missing.loc[2, "sales_rep"] = np.nan print("Using size():") display(df_missing.groupby("region").size()) print("Using count() on sales_rep:") display(df_missing.groupby("region")["sales_rep"].count()) Output: Using size(): region North 4 South 4 West 4 dtype: int64 Using count() on sales_rep: region North 3 South 4 West 4 Name: sales_rep, dtype: int64 ## # Group レベルの特徴量計算のための transform() の使用 transform() メソッドは、グループレベルの値を計算して元の DataFrame に追加したい場合に便利です。 この例では、各リージョンの総売上を計算し、region_total_sales という新しいカラムに格納します。 次に、各注文が属するリージョンの総売上に占める割合を計算します。agg() がグループごとに 1 行にデータを縮約するのに対し、transform() は元の行と整合性のある値を返すため、特徴量エンジニアリングにおいて非常に有用です。 df["region_total_sales"] = df.groupby("region")["net_sales"].transform("sum") df["order_share_of_region"] = df["net_sales"] / df["region_total_sales"] df[["order_id", "region", "net_sales", "region_total_sales", "order_share_of_region"]] ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_5.png) ## # filter() を用いたグループのフィルタリング filter() メソッドを使用すると、条件に基づいて特定のグループ全体を保持または削除できます。この例では、ネット販売額の合計が 3,000 より大きい地域のみを保持します。 各グループごとに要約行を 1 つ返すのではなく、filter() は条件を満たすグループから元の行をすべて返します。これは、パフォーマンスの低いグループを削除したり、特定のビジネスルールに合致するグループのみを残したい場合に役立ちます。 high_sales_regions = df.groupby("region").filter(lambda group: group["net_sales"].sum() > 3000) high_sales_regions ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_8.png) ## # apply() を用いたカスタムロジックの適用 apply() メソッドは、各グループに対してカスタムのロジックを実行できるため、より柔軟性があります。 この例では、apply() と nlargest() を組み合わせて、各地域でネット販売額が最も高い上位 1 つの注文を見つけます。これは、組み込みの集計関数だけでは分析要件を満たせない場合に有用です。 ただし、apply() は sum(), mean(), agg(), transform() などの組み込みメソッドに比べて処理速度が遅くなる可能性があるため、カスタムなグループごとの操作が必要な場合のみ使用することが推奨されます。 top_order_by_region = ( df.groupby("region", group_keys=False) .apply(lambda group: group.nlargest(1, "net_sales")) ) top_order_by_region ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_4.png) ## # 日付によるグループ化 GroupBy は、時間ベースの分析にも非常に有用です。 この例では、order_date カラムから月を抽出し、データを月ごとにグループ化します。その後、各月の売上合計と注文数を計算します。このアプローチは、月次売上や週ごとのユーザー活動、年間の収益成長など、時間の経過に伴う傾向を分析する際に役立ちます。 df["month"] = df["order_date"].dt.to_period("M").astype(str) monthly_sales = ( df.groupby("month", as_index=False) .agg(total_sales=("net_sales", "sum"), total_orders=("order_id", "count")) ) monthly_sales ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_10.png) ## # pd.Grouper を用いた日付によるグループ化 pd.Grouper は、別途月ごとのカラムを手動で作成することなく、時系列データをグループ化するよりクリーンな方法を提供します。 この例では、DataFrame を order_date によって月次頻度でグループ化し、売上合計と注文数を計算します。 これは、タイムスタンプを含む実世界のデータセットを扱い、日次、週次、月次、四半期、または年次でデータを要約したい場合に特に有用です。 monthly_sales_grouper = ( df.groupby(pd.Grouper(key="order_date", freq="M")) .agg(total_sales=("net_sales", "sum"), total_orders=("order_id", "count")) .reset_index() ) monthly_sales_grouper ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_13.png) ## # GroupBy を用いたピボット形式の要約表作成 groupby() と unstack() を組み合わせることで、ピボット形式の要約テーブルを作成することができます。 この例では、データを地域とカテゴリでグループ化し、ネット販売高の合計を計算した上で、結果を再構成してカテゴリを列として表示します。これにより、地域やカテゴリ間での出力比較が容易になります。レポート作成や迅速な分析のためにコンパクトな表が必要な場合に非常に有効なテクニックです。 region_category_table = ( df.groupby(["region", "category"])["net_sales"] .sum() .unstack(fill_value=0) ) region_category_table ![image](https://www.kdnuggets.com/wp-content/uploads/awan_pandas_groupby_explained_examples_3.png) ## # 結論 Pandas の GroupBy は、Python におけるデータ分析で最も強力なツールの一つです。不必要な手動ロジックを書かずに、データの要約、グループ間の比較、新特徴量の作成、結果のフィルタリング、カスタム計算の適用を可能にします。 このチュートリアルに取り組む中で、GroupBy には非常に深い奥行きがあることを実感しました。データ処理に何年も携わっていても、一般的な問題を解決するための新しいより良い方法を学ぶことができました。pd.Grouper、カスタム集約関数、transform() といった機能は、多くのタスクをより高速でクリーンかつ保守しやすくするため、特に際立っています。 これが、ネイティブツールを理解することがなぜ重要なのかという理由でもあります。バイブコーディングや即席のカスタムソリューションに頼りたくなるものですが、それらは往々にしてより遅く、より複雑なコードを生み出してしまいます。pandas がすでに提供している機能を知っていれば、より効率的で再利用可能、かつ実世界のデータ分析に適したソリューションを書くことができます。 本チュートリアルでは、基本的な集計、名前付き集計、複数カラムによるグループ化、ソート、count() と size() の違い、transform()、filter()、apply()、日付によるグループ化、ピボット形式の要約など、最も有用な GroupBy 操作を解説しました。これらのパターンを理解すれば、GroupBy を用いて多くの実世界のデータ分析質問に迅速かつ自信を持って回答できるようになります。

例題付きで解説するPandasのGroupBy機能

背景や根拠まで確認しますか？

調べる

選ぶ

サイト