Python

概要（インデックス管理は「行ラベルを設計して、選択・結合・時系列操作を安定化」する）pandasのインデックスは“行のラベル”です。単なる番号ではなく、選択（loc）、結合（join/merge）、並...

概要（pandas の join は「インデックスで横に結合」する最短ルート）DataFrame.join は、“インデックス”をキーにして横方向（列を増やす）へ結合します。SQL の JOIN に似...

概要（フィルタリングは「欲しい行だけを、短く正確に抜く」ための基本）pandasのフィルタリングは、条件式でTrue/Falseのマスクを作り、Trueの行だけを抽出するのが基本形です。重要なのは「ブ...

概要（欠損値可視化は「どこで、どれだけ、どう偏っているか」を一目で掴むための入口）欠損値は“壊れたデータ”ではなく“情報が抜けている状態”です。可視化の目的は、列ごとの欠損量、行方向の偏り（特定期間・...

概要（正規化は「値の範囲を揃えて比較・学習を安定化」する前処理）正規化（Normalization）は、特徴量の値を一定の範囲にスケーリングする処理です。最も基本的な手法は Min–Max 正規化で、...

概要（標準化は「平均0・標準偏差1」に揃えて、比較と学習を安定させる）データの標準化（Standardization）は、各特徴量を平均0・標準偏差1に変換する処理です。スケールが揃うことで、距離や勾...

概要（行列計算は「配列の形をそろえて、演算子と線形代数APIに載せる」）NumPyの行列計算は、2次元配列（ndarray）を使って加算・減算・要素積・行列積・転置・逆行列・行列式・固有値・連立方程式...

概要（ベクトル演算は「配列同士を一発で計算」できる最短ルート）NumPyのベクトル演算は、forループを使わずに配列（一次元配列＝ベクトル）をまとめて計算します。足し算・引き算・要素ごとの掛け算、内積...

概要（配列計算の高速化は「Pythonのループを捨て、NumPyのベクトル化へ乗り換える」）配列計算の高速化の要は、NumPy配列（ndarray）に処理を寄せることです。Pythonのforループや...

概要（numpy randomは「乱数で“試す・検証する・生成する”」ための基礎道具）NumPyの乱数は、データのシミュレーション、重みの初期化、サンプリング、シャッフル、ノイズ付与などに使います。初...

概要（グラフの保存は「見せたい品質で出力」を実現する最後の一歩）matplotlib（pandasのplotの裏側）なら、画像形式や解像度、余白、透明背景などを細かく制御して保存できます。初心者は「f...

概要（複数グラフは「比較」と「文脈」を一枚で伝えるための基本スキル）複数グラフの描画は、指標の関係や推移を“並べて”見せることで理解を一気に深めます。pandasとmatplotlibを使えば、サブプ...

概要（ヒートマップは「2次元の表を色で読み解く」最短ルート）ヒートマップは、2次元の数値テーブルを色の濃淡で表現するグラフです。相関（どの列同士が関係強い？）、クロス集計（店舗×月の売上）、時系列のパ...

概要（ヒストグラムは「値の分布」を一目でつかむための入口）ヒストグラムは、数値データを区間（ビン）に分け、各区間に何件入ったかを棒で表すグラフです。平均や中央値では見えない「偏り」「裾の重さ」「外れ値...

概要（散布図は「2つの変数の関係」を直感で掴むための基本グラフ）散布図は、横軸にX（説明変数）、縦軸にY（目的変数）を置き、各行を点としてプロットします。点の並びから、正の相関・負の相関・無相関、外れ...

概要（棒＋折れ線は「量と推移」を一枚で伝える定番の複合グラフ）棒グラフは“量”の比較、折れ線グラフは“推移”や“傾向”の読み取りに向いています。2つを重ねることで「月別売上の量（棒）とユーザー数の推移...

概要（グラフの複合化は「一枚で複数の視点」を重ねて伝える技）pandasとmatplotlibを組み合わせると、折れ線と棒グラフの重ね合わせ、二重軸、複数サブプロットなどを簡潔に作れます。複合化のポイ...

概要（時系列の“型”を整えて、時間軸で正しく集計・解析する）時系列処理の基礎は、日付や時刻をdatetime型へ変換し、時間順に並べてから「期間集計」「移動統計」「シフトや差分」などの操作を行うことで...

概要（rollingは「直近の一定区間で連続計算する」ための移動窓）pandasのrollingは、直近N件や一定時間幅（例：過去7日など）のデータを“窓”として切り出し、その窓ごとに平均・合計・標準...

概要（resampleは「時系列の頻度を変えて、期間ごとに集計・補間する」）pandasのresampleは、時系列データを別の時間間隔（例：日→週、分→時）へ変換するためのメソッドです。ダウンサンプ...

概要（datetime変換は「文字列の日付を“時系列のエンジン”に乗せる最初の一歩」）pandasで日付・時刻を扱うときは、まず文字列をdatetime型へ変換します。datetimeにしておくと、並...

概要（dtypeは「列の型」。正しく揃えると計算・集計・可視化が安定する）pandasのdtype（データ型）は、各列が「数値・文字列・日時・真偽値・カテゴリなどのどれか」を表すラベルです。型がズレて...

概要（describeは「列ごとの要約統計を一瞬で確認する」入口）pandasのdescribeは、数値列やカテゴリ列の“基本統計”をまとめて表示するメソッドです。数値なら件数・平均・標準偏差・最小/...

概要（sort_valuesは「列の値で並べ替えて“見やすく・計算しやすく”する基本操作）pandasのsort_valuesは、指定した列の値を基準にDataFrameを並べ替えるメソッドです。昇順...

概要（drop_duplicatesは「重複行を安全に取り除いて、件数や集計を正しくする」）pandasのdrop_duplicatesは、DataFrameやSeriesから“重複したデータ”を削除...

概要（fillnaは「欠損値を意図した値で埋めて分析を続行する」ための入口）pandasのfillnaは、DataFrameやSeriesに含まれる欠損値（NaN/None/pd.NA）を、固定値・前...

概要（lambdaは「その場で小さな関数」を作り、データ処理を短く書くための道具）lambda（無名関数）は、名前を付けずに1行で小さな関数を作る仕組みです。短い変換・条件分岐・並べ替えのキー指定など...

概要（applyは「行や列ごとに関数を適用して柔軟に加工する」）pandasのapplyは、SeriesやDataFrameに対して「各要素」「各行」「各列」へ関数を適用するための基本メソッドです。f...

概要（loc/ilocは「行・列の取り出し方が違う」二大基本操作）pandasのlocとilocは、DataFrameから行・列・セルを取り出すための代表的な方法です。locはラベル（行名・列名）で指...

概要（meltは「横持ちの列を縦に溶かして整然データへ変換する」）pandasのmeltは、ワイド形式（横持ち）をロング形式（縦持ち）へ変換するためのメソッドです。列として並んだ複数の計測値（例: M...