データサイエンス100本ノック（構造化データ加工編）- Python Part 1 (Q1 to Q20)の解説です。

参照(Reference) : 「データサイエンティスト協会スキル定義委員」の「データサイエンス100本ノック（構造化データ加工編）」

The Data Scientist Society Github :

GitHub - 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）

データサイエンス100本ノック（構造化データ加工編）. Contribute to The-Japan-DataScientist-Society/100knocks-preprocess development by creating a...

Data Science 100 Knocks (Structured Data Processing) URL :

100knocks-preprocess/docker/work/answer/ans_preprocess_knock_Python.ipynb at master · 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）. Contribute to The-Japan-DataScientist-Society/100knocks-preprocess development by creating a...

はじめに

初めに以下のセルを実行してください
必要なライブラリのインポートとデータベース（PostgreSQL）からのデータ読み込みを行います
pandas等、利用が想定されるライブラリは以下セルでインポートしています
その他利用したいライブラリがあれば適宜インストールしてください（”!pip install ライブラリ名”でインストールも可能）
処理は複数回に分けても構いません
名前、住所等はダミーデータであり、実在するものではありません

In [1]:

import os
import pandas as pd
import numpy as np
from datetime import datetime, date
from dateutil.relativedelta import relativedelta
import math
import psycopg2
from sqlalchemy import create_engine
from sklearn import preprocessing
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.model_selection import TimeSeriesSplit
from imblearn.under_sampling import RandomUnderSampler


if 'PG_PORT' in os.environ:
    pgconfig = {
        'host': 'db',
        'port': os.environ['PG_PORT'],
        'database': os.environ['PG_DATABASE'],
        'user': os.environ['PG_USER'],
        'password': os.environ['PG_PASSWORD'],
    }

    # pd.read_sql用のコネクタ
    conn = psycopg2.connect(**pgconfig)

    df_customer = pd.read_sql(sql='select * from customer', con=conn)
    df_category = pd.read_sql(sql='select * from category', con=conn)
    df_product = pd.read_sql(sql='select * from product', con=conn)
    df_receipt = pd.read_sql(sql='select * from receipt', con=conn)
    df_store = pd.read_sql(sql='select * from store', con=conn)
    df_geocode = pd.read_sql(sql='select * from geocode', con=conn)

else:
    if not os.path.exists('../data/'):
        !git clone https://github.com/The-Japan-DataScientist-Society/100knocks-preprocess
        os.chdir('100knocks-preprocess/docker/work/answer')

    dtype = {
        'customer_id': str,
        'gender_cd': str,
        'postal_cd': str,
        'application_store_cd': str,
        'status_cd': str,
        'category_major_cd': str,
        'category_medium_cd': str,
        'category_small_cd': str,
        'product_cd': str,
        'store_cd': str,
        'prefecture_cd': str,
        'tel_no': str,
        'postal_cd': str,
        'street': str
    }
    
    df_customer = pd.read_csv("../data/customer.csv", dtype=dtype)
    df_category = pd.read_csv("../data/category.csv", dtype=dtype)
    df_product = pd.read_csv("../data/product.csv", dtype=dtype)
    df_receipt = pd.read_csv("../data/receipt.csv", dtype=dtype)
    df_store = pd.read_csv("../data/store.csv", dtype=dtype)
    df_geocode = pd.read_csv("../data/geocode.csv", dtype=dtype)

演習問題

P-001: レシート明細データ（df_receipt）から全項目の先頭10件を表示し、どのようなデータを保有しているか目視で確認せよ。

In [2]:

df_receipt.head(10)

Out[2]:

	sales_ymd	sales_epoch	store_cd	receipt_no	receipt_sub_no	customer_id	product_cd	quantity	amount
0	20181103	1541203200	S14006	112	1	CS006214000001	P070305012	1	158
1	20181118	1542499200	S13008	1132	2	CS008415000097	P070701017	1	81
2	20170712	1499817600	S14028	1102	1	CS028414000014	P060101005	1	170
3	20190205	1549324800	S14042	1132	1	ZZ000000000000	P050301001	1	25
4	20180821	1534809600	S14025	1102	2	CS025415000050	P060102007	1	90
5	20190605	1559692800	S13003	1112	1	CS003515000195	P050102002	1	138
6	20181205	1543968000	S14024	1102	2	CS024514000042	P080101005	1	30
7	20190922	1569110400	S14040	1102	1	CS040415000178	P070501004	1	128
8	20170504	1493856000	S13020	1112	2	ZZ000000000000	P071302010	1	770
9	20191010	1570665600	S14027	1102	1	CS027514000015	P071101003	1	680

解説:

df_receipt.head(10) というコードは、df_receipt という Pandas の DataFrame の最初の 10 行を表示するために使用されています。

Pandasでは、DataFrameは、潜在的に異なるデータ型の列を持つ2次元ラベル付きデータ構造です。これは、スプレッドシートやSQLのテーブルに似ています。

Pandas の .head() メソッドは、DataFrame の最初の n 行を表示するために使用されます。デフォルトでは、最初の5行が表示されます。この場合、.head(10)は、DataFrameの最初の10行を表示するために使用されます。

P-002: レシート明細データ（df_receipt）から売上年月日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、10件表示せよ。

In [3]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']].head(10)

Out[3]:

	sales_ymd	customer_id	product_cd	amount
0	20181103	CS006214000001	P070305012	158
1	20181118	CS008415000097	P070701017	81
2	20170712	CS028414000014	P060101005	170
3	20190205	ZZ000000000000	P050301001	25
4	20180821	CS025415000050	P060102007	90
5	20190605	CS003515000195	P050102002	138
6	20181205	CS024514000042	P080101005	30
7	20190922	CS040415000178	P070501004	128
8	20170504	ZZ000000000000	P071302010	770
9	20191010	CS027514000015	P071101003	680

解説:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']].head(10) というコードは、df_receipt という Pandas DataFrame のカラムのサブセットの最初の 10 行を表示するために使用されています。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt からカラムのサブセットを選択するために使用されます。具体的には、sales_ymd、customer_id、product_cd、amountという名前のカラムが選択されます。

結果として得られるDataFrameには、これらの選択されたカラムのみが含まれます。そして、.head(10)メソッドを使用して、このサブセットDataFrameの最初の10行を表示します。

P-003: レシート明細データ（df_receipt）から売上年月日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、10件表示せよ。ただし、sales_ymdsales_dateに項目名を変更しながら抽出すること。

In [4]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']]. \
                        rename(columns={'sales_ymd': 'sales_date'}).head(10)

Out[4]:

	sales_date	customer_id	product_cd	amount
0	20181103	CS006214000001	P070305012	158
1	20181118	CS008415000097	P070701017	81
2	20170712	CS028414000014	P060101005	170
3	20190205	ZZ000000000000	P050301001	25
4	20180821	CS025415000050	P060102007	90
5	20190605	CS003515000195	P050102002	138
6	20181205	CS024514000042	P080101005	30
7	20190922	CS040415000178	P070501004	128
8	20170504	ZZ000000000000	P071302010	770
9	20191010	CS027514000015	P071101003	680

解説:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']].rename(columns={'sales_ymd': 'sales_date'}).head(10) というコードは、df_receiptというPandas DataFrameから列のサブセットを選択して、列の1つを名前変更し、結果のDataFrameの最初の10行を表示するのに、使われています。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt からカラムのサブセットを選択するために使用されます。具体的には、sales_ymd、customer_id、product_cd、amountという名前のカラムを選択します。

そして、.rename()メソッドを使用して、sales_ymdカラムをsales_dateにリネームしています。このメソッドは、リネームされたカラムを持つ新しいDataFrameを返します。引数 columns={'sales_ymd': 'sales_date'} は、古いカラム名と新しいカラム名をマッピングする辞書を指定します。

最後に、.head(10)メソッドを使用して、結果のDataFrameの最初の10行を表示します。

P-004: レシート明細データ（df_receipt）から売上日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、以下の条件を満たすデータを抽出せよ。

顧客ID（customer_id）が”CS018205000001″

In [5]:

# コード例1（queryを使う場合）
df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']]. \
                                query('customer_id == "CS018205000001"')

Out[5]:

	sales_ymd	customer_id	product_cd	amount
36	20180911	CS018205000001	P071401012	2200
9843	20180414	CS018205000001	P060104007	600
21110	20170614	CS018205000001	P050206001	990
27673	20170614	CS018205000001	P060702015	108
27840	20190216	CS018205000001	P071005024	102
28757	20180414	CS018205000001	P071101002	278
39256	20190226	CS018205000001	P070902035	168
58121	20190924	CS018205000001	P060805001	495
68117	20190226	CS018205000001	P071401020	2200
72254	20180911	CS018205000001	P071401005	1100
88508	20190216	CS018205000001	P040101002	218
91525	20190924	CS018205000001	P091503001	280

解説:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']].query('customer_id == "CS018205000001"') というコードは、df_receipt という Pandas DataFrame から customer_id 列が特定の値 (CS0182050001) と一致する行のサブセットを選択するために使用されています。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt からカラムのサブセットを選択するために使用されます。具体的には、sales_ymd、customer_id、product_cd、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、特定の条件に基づいて、DataFrameの行をフィルタリングしています。この場合、条件は customer_id 列が値 "CS018205000001" と等しいことです。最初の行の末尾にあるバックスラッシュ(⽊)は、読みやすくするためにコードを次の行に続けていることを表します。

結果として得られるDataFrameには、customer_idカラムが指定された値と一致する行のみが含まれます。

In [6]:

# コード例1（queryを使わない場合）
df = df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']]
df[df['customer_id'] == 'CS018205000001']

Out[6]:

	sales_ymd	customer_id	product_cd	amount
36	20180911	CS018205000001	P071401012	2200
9843	20180414	CS018205000001	P060104007	600
21110	20170614	CS018205000001	P050206001	990
27673	20170614	CS018205000001	P060702015	108
27840	20190216	CS018205000001	P071005024	102
28757	20180414	CS018205000001	P071101002	278
39256	20190226	CS018205000001	P070902035	168
58121	20190924	CS018205000001	P060805001	495
68117	20190226	CS018205000001	P071401020	2200
72254	20180911	CS018205000001	P071401005	1100
88508	20190216	CS018205000001	P040101002	218
91525	20190924	CS018205000001	P091503001	280

解説:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']].query('customer_id == "CS018205000001"') というコードは、df_receipt という Pandas DataFrame から customer_id 列が特定の値 (CS0182050001) と一致する行のサブセットを選択するために使用されています。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt からカラムのサブセットを選択するために使用されます。具体的には、sales_ymd、customer_id、product_cd、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、特定の条件に基づいて、DataFrameの行をフィルタリングしています。この場合、条件は customer_id 列が値 "CS018205000001" と等しいことです。最初の行の末尾にあるバックスラッシュ(⽊)は、読みやすくするためにコードを次の行に続けていることを表します。

結果として得られるDataFrameには、customer_idカラムが指定された値と一致する行のみが含まれます。

P-005: レシート明細データ（df_receipt）から売上日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、以下の全ての条件を満たすデータを抽出せよ。

顧客ID（customer_id）が”CS018205000001″

売上金額（amount）が1,000以上

In [7]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] \
            .query('customer_id == "CS018205000001" & amount >= 1000')

Out[7]:

	sales_ymd	customer_id	product_cd	amount
36	20180911	CS018205000001	P071401012	2200
68117	20190226	CS018205000001	P071401020	2200
72254	20180911	CS018205000001	P071401005	1100

解説:

コード df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] です。\ .query('customer_id == "CS018205000001" & amount >= 1000') は、df_receipt という Pandas DataFrame から行のサブセットを選択するために使用され、ここで customer_id 列は特定の値 (CS018205000001) と同じ、amount 列は 1000 以上となります。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt から列のサブセットを選択するために使用されています。具体的には、sales_ymd、customer_id、product_cd、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、複数の条件に基づいてDataFrameの行をフィルタリングしています。記号 & は、2 つの条件間の論理 AND 演算を示すために使用されます。最初の条件は、customer_idカラムが値「CS018205000001」に等しいことです。2つ目の条件は、amountカラムが1000以上であることです。

結果として得られるDataFrameには、両方の条件が満たされた行のみが含まれます。

P-006: レシート明細データ（df_receipt）から売上日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上数量（quantity）、売上金額（amount）の順に列を指定し、以下の全ての条件を満たすデータを抽出せよ。

顧客ID（customer_id）が”CS018205000001″

売上金額（amount）が1,000以上または売上数量（quantity）が5以上

In [8]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'quantity', 'amount']].\
    query('customer_id == "CS018205000001" & (amount >= 1000 | quantity >=5)')

Out[8]:

	sales_ymd	customer_id	product_cd	quantity	amount
36	20180911	CS018205000001	P071401012	1	2200
9843	20180414	CS018205000001	P060104007	6	600
21110	20170614	CS018205000001	P050206001	5	990
68117	20190226	CS018205000001	P071401020	1	2200
72254	20180911	CS018205000001	P071401005	1	1100

解説:

コード df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'quantity', 'amount']]. query('customer_id == "CS018205000001" & (amount >= 1000 | quantity >=5)') は、df_receipt という Pandas DataFrame から行のサブセットを選択するために使われます。customer_id 列が特定の値 (CS018205000001) に等しく、umount 列が 1000 以上または quantity 列が 5 以上である。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'quantity', 'amount']] というコードは、DataFrame df_receipt から列のサブセットを選択するために使用されるコードです。具体的には、sales_ymd、customer_id、product_cd、quantity、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、複数の条件に基づいてDataFrameの行をフィルタリングしています。記号 & は、2 つの条件間の論理 AND 演算を示すために使用されます。最初の条件は、customer_id列が値「CS018205000001」と等しいことです。2番目の条件は、括弧で囲まれ、論理OR演算を示す｜記号で区切られた2つのサブ条件を含んでいます。最初のサブ条件は、金額列が1000以上であることである。2つ目のサブ条件は、quantity列が5以上であることである。

結果として得られるDataFrameには、customer_idが指定された値と等しく、かつamountが1000以上、quantityが5以上の行のみが含まれます。

P-007: レシート明細データ（df_receipt）から売上日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、以下の全ての条件を満たすデータを抽出せよ。

顧客ID（customer_id）が”CS018205000001″

売上金額（amount）が1,000以上2,000以下

In [9]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] \
    .query('customer_id == "CS018205000001" & 1000 <= amount <= 2000')

Out[9]:

	sales_ymd	customer_id	product_cd	amount
72254	20180911	CS018205000001	P071401005	1100

解説:

コード df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] です。\ .query('customer_id == "CS018205000001" & 1000 <= amount <= 2000') は、df_receipt という Pandas DataFrame から行のサブセットを選択するために使用され、ここで customer_id 列は特定の値 (CS018205000001) と同じで、 amount 列は 1000 から 2000 (inclusive) までとなっています。

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] というコードは、DataFrame df_receipt から列のサブセットを選択するために使用されます。具体的には、sales_ymd、customer_id、product_cd、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、複数の条件に基づいてDataFrameの行をフィルタリングしています。記号 & は、2 つの条件間の論理 AND 演算を示すために使用されます。最初の条件は、customer_id列が値「CS018205000001」に等しいことです。2つ目の条件は、比較演算子 <= と >= を使用して、amount 列の値の範囲を指定することです。

出来上がったDataFrameには、customer_idが指定された値と等しく、amountが1000から2000の間である行のみが含まれます（包括的な値）。

P-008: レシート明細データ（df_receipt）から売上日（sales_ymd）、顧客ID（customer_id）、商品コード（product_cd）、売上金額（amount）の順に列を指定し、以下の全ての条件を満たすデータを抽出せよ。

顧客ID（customer_id）が”CS018205000001″

商品コード（product_cd）が”P071401019″以外

In [10]:

df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] \
    .query('customer_id == "CS018205000001" & product_cd != "P071401019"')

Out[10]:

	sales_ymd	customer_id	product_cd	amount
36	20180911	CS018205000001	P071401012	2200
9843	20180414	CS018205000001	P060104007	600
21110	20170614	CS018205000001	P050206001	990
27673	20170614	CS018205000001	P060702015	108
27840	20190216	CS018205000001	P071005024	102
28757	20180414	CS018205000001	P071101002	278
39256	20190226	CS018205000001	P070902035	168
58121	20190924	CS018205000001	P060805001	495
68117	20190226	CS018205000001	P071401020	2200
72254	20180911	CS018205000001	P071401005	1100
88508	20190216	CS018205000001	P040101002	218
91525	20190924	CS018205000001	P091503001	280

解説:

コード df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] です。\ df_receipt['customer_id == "CS018205000001" & product_cd != "P071401019"] は、Pandas DataFrame の df_receipt から行のサブセットを選択するために使用され、ここで customer_id 列は特定の値 (CS018205000001) と同じで、product_cd 列は特定の値（P0714019）と同じではない。

コード df_receipt[['sales_ymd', 'customer_id', 'product_cd', 'amount']] は、DataFrame df_receipt から列のサブセットを選択するために使用します。具体的には、sales_ymd、customer_id、product_cd、amount という名前のカラムを選択します。

次に、.query()メソッドを使用して、複数の条件に基づいてDataFrameの行をフィルタリングしています。記号 & は、2 つの条件間の論理 AND 演算を示すために使用されます。最初の条件は、customer_id列が値「CS018205000001」に等しいことです。2つ目の条件は、product_cdカラムが値 "P071401019 "と等しくないことで、これは!＝比較演算子を用いて実現されます。

結果として得られるDataFrameには、customer_idが指定された値と等しく、product_cdが指定された値と等しくない行のみが含まれます。

P-009: 以下の処理において、出力結果を変えずにORをANDに書き換えよ。

df_store.query('not(prefecture_cd == "13" | floor_area > 900)')

In [11]:

df_store.query('prefecture_cd != "13" & floor_area <= 900')

Out[11]:

	store_cd	store_name	prefecture_cd	prefecture	address	address_kana	tel_no	longitude	latitude	floor_area
18	S14046	北山田店	14	神奈川県	神奈川県横浜市都筑区北山田一丁目	カナガワケンヨコハマシツヅキクキタヤマタイッチョウメ	045-123-4049	139.5916	35.56189	831.0
20	S14011	日吉本町店	14	神奈川県	神奈川県横浜市港北区日吉本町四丁目	カナガワケンヨコハマシコウホククヒヨシホンチョウヨンチョウメ	045-123-4033	139.6316	35.54655	890.0
38	S12013	習志野店	12	千葉県	千葉県習志野市芝園一丁目	チバケンナラシノシシバゾノイッチョウメ	047-123-4002	140.0220	35.66122	808.0

解説:

df_store.query('prefecture_cd != "13" & floor_area <= 900') というコードは、df_store という Pandas DataFrame から prefecture_cd 列が特定の値 (13) と等しくない、かつ floor_area 列が特定の値 (900) 以下である行にフィルターをかけるために使用されています。

.query()メソッドは、ブール式に基づいてDataFrameの行をフィルタリングするために使用されます。この場合、ブール式は 'prefecture_cd != "13" & floor_area <= 900' です。

!=演算子は、prefecture_cd列の各値が値「13」と等しくないかどうかをチェックするために使用される。演算子&は、この条件と、floor_area列の値が900以下かどうかをチェックする2番目の条件との間の論理AND演算を示すために使用されています。

結果として得られるDataFrameには、両方の条件がTrueである行のみが含まれます。

P-010: 店舗データ（df_store）から、店舗コード（store_cd）が”S14″で始まるものだけ全項目抽出し、10件表示せよ。

In [12]:

df_store.query("store_cd.str.startswith('S14')", engine='python').head(10)

Out[12]:

	store_cd	store_name	prefecture_cd	prefecture	address	address_kana	tel_no	longitude	latitude	floor_area
2	S14010	菊名店	14	神奈川県	神奈川県横浜市港北区菊名一丁目	カナガワケンヨコハマシコウホククキクナイッチョウメ	045-123-4032	139.6326	35.50049	1732.0
3	S14033	阿久和店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4043	139.4961	35.45918	1495.0
4	S14036	相模原中央店	14	神奈川県	神奈川県相模原市中央二丁目	カナガワケンサガミハラシチュウオウニチョウメ	042-123-4045	139.3716	35.57327	1679.0
7	S14040	長津田店	14	神奈川県	神奈川県横浜市緑区長津田みなみ台五丁目	カナガワケンヨコハマシミドリクナガツタミナミダイゴチョウメ	045-123-4046	139.4994	35.52398	1548.0
9	S14050	阿久和西店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4053	139.4961	35.45918	1830.0
12	S14028	二ツ橋店	14	神奈川県	神奈川県横浜市瀬谷区二ツ橋町	カナガワケンヨコハマシセヤクフタツバシチョウ	045-123-4042	139.4963	35.46304	1574.0
16	S14012	本牧和田店	14	神奈川県	神奈川県横浜市中区本牧和田	カナガワケンヨコハマシナカクホンモクワダ	045-123-4034	139.6582	35.42156	1341.0
18	S14046	北山田店	14	神奈川県	神奈川県横浜市都筑区北山田一丁目	カナガワケンヨコハマシツヅキクキタヤマタイッチョウメ	045-123-4049	139.5916	35.56189	831.0
19	S14022	逗子店	14	神奈川県	神奈川県逗子市逗子一丁目	カナガワケンズシシズシイッチョウメ	046-123-4036	139.5789	35.29642	1838.0
20	S14011	日吉本町店	14	神奈川県	神奈川県横浜市港北区日吉本町四丁目	カナガワケンヨコハマシコウホククヒヨシホンチョウヨンチョウメ	045-123-4033	139.6316	35.54655	890.0

解説:

df_store.query("store_cd.str.startswith('S14')", engine='python').head(10) というコードは、df_store という Pandas DataFrame から store_cd 列が特定の文字列 (S14) で始まっている行にフィルターをかけるために使用されています。

.query() メソッドは、DataFrame の行をブール式に基づいてフィルタリングするために使用されます。この場合、ブール式は「store_cd.str.startswith('S14')」となります。この式は、engineパラメータが「python」に設定されているため、Python構文で記述されています。この式は、store_cdカラムが文字列'S14'で始まるかどうかをチェックする。

str.startswith()メソッドは、Pythonの文字列メソッドで、文字列が指定された接頭辞で始まる場合にTrueを返すものです。この場合、str.startswith('S14')メソッドがstore_cdカラムの各要素に適用されます。

結果として得られるDataFrameには、store_cdカラムの先頭が文字列「S14」である行のみが含まれます。

.head(10) メソッドを使用して、結果のDataFrameの最初の10行のみを返します。

P-011: 顧客データ（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件表示せよ。

In [13]:

df_customer.query("customer_id.str.endswith('1')", engine='python').head(10)

Out[13]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
1	CS037613000071	六角雅彦	9	不明	1952-04-01	66	136-0076	東京都江東区南砂**********	S13037	20150414	0-00000000-0
3	CS028811000001	堀井かおり	1	女性	1933-03-27	86	245-0016	神奈川県横浜市泉区和泉町**********	S14028	20160115	0-00000000-0
14	CS040412000191	川井郁恵	1	女性	1977-01-05	42	226-0021	神奈川県横浜市緑区北八朔町**********	S14040	20151101	1-20091025-4
31	CS028314000011	小菅あおい	1	女性	1983-11-26	35	246-0038	神奈川県横浜市瀬谷区宮沢**********	S14028	20151123	1-20080426-5
56	CS039212000051	藤島恵梨香	1	女性	1997-02-03	22	166-0001	東京都杉並区阿佐谷北**********	S13039	20171121	1-20100215-4
59	CS015412000111	松居奈月	1	女性	1972-10-04	46	136-0071	東京都江東区亀戸**********	S13015	20150629	0-00000000-0
63	CS004702000041	野島洋	0	男性	1943-08-24	75	176-0022	東京都練馬区向山**********	S13004	20170218	0-00000000-0
74	CS041515000001	栗田千夏	1	女性	1967-01-02	52	206-0001	東京都多摩市和田**********	S13041	20160422	E-20100803-F
85	CS029313000221	北条ひかり	1	女性	1987-06-19	31	279-0011	千葉県浦安市美浜**********	S12029	20180810	0-00000000-0
102	CS034312000071	望月奈央	1	女性	1980-09-20	38	213-0026	神奈川県川崎市高津区久末**********	S14034	20160106	0-00000000-0

解説:

このコードは、df_customer という名前の Pandas DataFrame からデータのサブセットを選択しています。サブセットは、query()メソッドで指定された条件に基づいてフィルタリングされます。

条件は、query()メソッドの引数として渡される文字列「customer_id.str.endswith('1')」によって定義されています。この条件は、df_customer DataFrameの行のうち、customer_idカラムの末尾が文字'1'であるものだけを含むようにフィルタリングします。

engine='python' パラメータはオプションで、条件の評価に Python エンジンを使用することを指定します。query()メソッドのデフォルトエンジン(pandas.eval)がすべての文字列操作をサポートしているとは限らないため、条件に文字列操作が含まれる場合はこの指定が必要です。

最後に、head(10) メソッドを使用して、フィルタリングされた DataFrame の最初の 10 行を返します。これはオプションで、ここでは出力を管理しやすいサイズに制限するために使用されています。

P-012: 店舗データ（df_store）から、住所 (address) に”横浜市”が含まれるものだけ全項目表示せよ。

In [14]:

df_store.query("address.str.contains('横浜市')", engine='python')

Out[14]:

	store_cd	store_name	prefecture_cd	prefecture	address	address_kana	tel_no	longitude	latitude	floor_area
2	S14010	菊名店	14	神奈川県	神奈川県横浜市港北区菊名一丁目	カナガワケンヨコハマシコウホククキクナイッチョウメ	045-123-4032	139.6326	35.50049	1732.0
3	S14033	阿久和店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4043	139.4961	35.45918	1495.0
7	S14040	長津田店	14	神奈川県	神奈川県横浜市緑区長津田みなみ台五丁目	カナガワケンヨコハマシミドリクナガツタミナミダイゴチョウメ	045-123-4046	139.4994	35.52398	1548.0
9	S14050	阿久和西店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4053	139.4961	35.45918	1830.0
12	S14028	二ツ橋店	14	神奈川県	神奈川県横浜市瀬谷区二ツ橋町	カナガワケンヨコハマシセヤクフタツバシチョウ	045-123-4042	139.4963	35.46304	1574.0
16	S14012	本牧和田店	14	神奈川県	神奈川県横浜市中区本牧和田	カナガワケンヨコハマシナカクホンモクワダ	045-123-4034	139.6582	35.42156	1341.0
18	S14046	北山田店	14	神奈川県	神奈川県横浜市都筑区北山田一丁目	カナガワケンヨコハマシツヅキクキタヤマタイッチョウメ	045-123-4049	139.5916	35.56189	831.0
20	S14011	日吉本町店	14	神奈川県	神奈川県横浜市港北区日吉本町四丁目	カナガワケンヨコハマシコウホククヒヨシホンチョウヨンチョウメ	045-123-4033	139.6316	35.54655	890.0
26	S14048	中川中央店	14	神奈川県	神奈川県横浜市都筑区中川中央二丁目	カナガワケンヨコハマシツヅキクナカガワチュウオウニチョウメ	045-123-4051	139.5758	35.54912	1657.0
40	S14042	新山下店	14	神奈川県	神奈川県横浜市中区新山下二丁目	カナガワケンヨコハマシナカクシンヤマシタニチョウメ	045-123-4047	139.6593	35.43894	1044.0
52	S14006	葛が谷店	14	神奈川県	神奈川県横浜市都筑区葛が谷	カナガワケンヨコハマシツヅキククズガヤ	045-123-4031	139.5633	35.53573	1886.0

解説: 

具体的には、query()の引数として渡される "address.str.contains('横浜市') "という文字列で条件を定義する。この文字列は、df_storeのaddressカラムに'横浜市'という部分文字列が含まれているかどうかをチェックするboolean式である。

str.contains()メソッドは、Pandasの文字列メソッドで、与えられた文字列列の各要素が指定された部分文字列を含むかどうかを示すブール型配列を返します。今回は、df_storeのaddressカラムに適用しています。

engine='python'引数は、フィルタリング処理をデフォルトのnumexprエンジンではなく、Pythonの組み込みeval()関数で実行することを指定する。これは、str.contains()など、numexprエンジンではサポートされていない特定のタイプの文字列操作をクエリー式で使用する場合に必要です。

P-013: 顧客データ（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件表示せよ。

In [15]:

df_customer.query("status_cd.str.contains(r'^[A-F]')", 
                  engine='python').head(10)

Out[15]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
2	CS031415000172	宇多田貴美子	1	女性	1976-10-04	42	151-0053	東京都渋谷区代々木**********	S13031	20150529	D-20100325-C
6	CS015414000103	奥野陽子	1	女性	1977-08-09	41	136-0073	東京都江東区北砂**********	S13015	20150722	B-20100609-B
12	CS011215000048	芦田沙耶	1	女性	1992-02-01	27	223-0062	神奈川県横浜市港北区日吉本町**********	S14011	20150228	C-20100421-9
15	CS029415000023	梅田里穂	1	女性	1976-01-17	43	279-0043	千葉県浦安市富士見**********	S12029	20150610	D-20100918-E
21	CS035415000029	寺沢真希	9	不明	1977-09-27	41	158-0096	東京都世田谷区玉川台**********	S13035	20141220	F-20101029-F
32	CS031415000106	宇野由美子	1	女性	1970-02-26	49	151-0053	東京都渋谷区代々木**********	S13031	20150201	F-20100511-E
33	CS029215000025	石倉美帆	1	女性	1993-09-28	25	279-0022	千葉県浦安市今川**********	S12029	20150708	B-20100820-C
40	CS033605000005	猪股雄太	0	男性	1955-12-05	63	246-0031	神奈川県横浜市瀬谷区瀬谷**********	S14033	20150425	F-20100917-E
44	CS033415000229	板垣菜々美	1	女性	1977-11-07	41	246-0021	神奈川県横浜市瀬谷区二ツ橋町**********	S14033	20150712	F-20100326-E
53	CS008415000145	黒谷麻緒	1	女性	1977-06-27	41	157-0067	東京都世田谷区喜多見**********	S13008	20150829	F-20100622-F

解説: 

df_customer は DataFrame オブジェクトです。

.query() は、特定の条件に基づいて行をフィルタリングするために Pandas が提供するメソッドです。条件は、文字列の引数として指定されます。

この場合の条件は、「status_cd.str.contains(r'^[A-F]')」です。これは、str.contains()メソッドを使って、DataFrameのstatus_cdカラムにAからFまでの文字で始まる文字列が含まれているかどうかをチェックするものです（包括的）。正規表現パターン '^[A-F]' の前の r は生の文字列リテラルを示し、バックスラッシュ文字 (\) がエスケープ文字としてではなく、文字通り解釈されることを保証します。

engine='python'引数は、Pandasが使用するデフォルトのエンジンではなく、Pythonの組み込み正規表現エンジンを使用してフィルタリングを行うことを指定します。これは、デフォルトのエンジンが特定の正規表現機能をサポートしていなかったり、遅すぎたりする場合に有効である。

.head(10) メソッドは、フィルタリングされた DataFrame の最初の 10 行のみを返すために使用されています。

つまり、このコードは、全体として、status_cd列がAからFまでの文字で始まる行だけを含むようにdf_customer DataFrameをフィルタリングし、その結果のDataFrameの最初の10行を返しています。

P-014: 顧客データ（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件表示せよ。

In [16]:

# regexのオプションをつけることもできる（Falseにすれば正規表現ではなくそのままの文字列として扱われる）
df_customer.query("status_cd.str.contains(r'[1-9]$', regex=True)", 
                  engine='python').head(10)

Out[16]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
4	CS001215000145	田崎美紀	1	女性	1995-03-29	24	144-0055	東京都大田区仲六郷**********	S13001	20170605	6-20090929-2
9	CS033513000180	安斎遥	1	女性	1962-07-11	56	241-0823	神奈川県横浜市旭区善部町**********	S14033	20150728	6-20080506-5
12	CS011215000048	芦田沙耶	1	女性	1992-02-01	27	223-0062	神奈川県横浜市港北区日吉本町**********	S14011	20150228	C-20100421-9
14	CS040412000191	川井郁恵	1	女性	1977-01-05	42	226-0021	神奈川県横浜市緑区北八朔町**********	S14040	20151101	1-20091025-4
16	CS009315000023	皆川文世	1	女性	1980-04-15	38	154-0012	東京都世田谷区駒沢**********	S13009	20150319	5-20080322-1
22	CS015315000033	福士璃奈子	1	女性	1983-03-17	36	135-0043	東京都江東区塩浜**********	S13015	20141024	4-20080219-3
23	CS023513000066	神戸そら	1	女性	1961-12-17	57	210-0005	神奈川県川崎市川崎区東田町**********	S14023	20150915	5-20100524-9
24	CS035513000134	市川美帆	1	女性	1960-03-27	59	156-0053	東京都世田谷区桜**********	S13035	20150227	8-20100711-9
27	CS001515000263	高松夏空	1	女性	1962-11-09	56	144-0051	東京都大田区西蒲田**********	S13001	20160812	1-20100804-1
28	CS040314000027	鶴田きみまろ	9	不明	1986-03-26	33	226-0027	神奈川県横浜市緑区長津田**********	S14040	20150122	2-20080426-4

解説: 

df_customer は DataFrame オブジェクトです。

.query() は、特定の条件に基づいて行をフィルタリングするために Pandas が提供するメソッドです。条件は、文字列の引数として指定されます。

この場合の条件は、「status_cd.str.contains(r'[1-9]$', regex=True)」となります。これは、str.contains()メソッドを使用して、DataFrameのstatus_cdカラムに1～9（含む）の数字で終わる文字列が含まれているかどうかをチェックします。文字$は文字列の終わりを表し、regex=True引数は、パターンが正規表現として解釈されることを示す。

engine='python'引数は、Pandasが使用するデフォルトのエンジンではなく、Pythonの組み込み正規表現エンジンを使用してフィルタリングを行うことを指定します。これは、デフォルトのエンジンが特定の正規表現機能をサポートしていなかったり、遅すぎたりするような場合に有効である。

.head(10)メソッドは、フィルタリングされたDataFrameの最初の10行のみを返すために使用されます。つまり、全体として、このコードは、status_cd列が1から9までの数字で終わる行のみを含むようにdf_customer DataFrameをフィルタリングし、結果としてDataFrameの最初の10行を返しています。

P-015: 顧客データ（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件表示せよ。

In [17]:

df_customer.query("status_cd.str.contains(r'^[A-F].*[1-9]$')", 
                  engine='python').head(10)

Out[17]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
12	CS011215000048	芦田沙耶	1	女性	1992-02-01	27	223-0062	神奈川県横浜市港北区日吉本町**********	S14011	20150228	C-20100421-9
68	CS022513000105	島村貴美子	1	女性	1962-03-12	57	249-0002	神奈川県逗子市山の根**********	S14022	20150320	A-20091115-7
71	CS001515000096	水野陽子	9	不明	1960-11-29	58	144-0053	東京都大田区蒲田本町**********	S13001	20150614	A-20100724-7
122	CS013615000053	西脇季衣	1	女性	1953-10-18	65	261-0026	千葉県千葉市美浜区幕張西**********	S12013	20150128	B-20100329-6
144	CS020412000161	小宮薫	1	女性	1974-05-21	44	174-0042	東京都板橋区東坂下**********	S13020	20150822	B-20081021-3
178	CS001215000097	竹中あさみ	1	女性	1990-07-25	28	146-0095	東京都大田区多摩川**********	S13001	20170315	A-20100211-2
252	CS035212000007	内村恵梨香	1	女性	1990-12-04	28	152-0023	東京都目黒区八雲**********	S13035	20151013	B-20101018-6
259	CS002515000386	野田コウ	1	女性	1963-05-30	55	185-0013	東京都国分寺市西恋ケ窪**********	S13002	20160410	C-20100127-8
293	CS001615000372	稲垣寿々花	1	女性	1956-10-29	62	144-0035	東京都大田区南蒲田**********	S13001	20170403	A-20100104-1
297	CS032512000121	松井知世	1	女性	1962-09-04	56	210-0011	神奈川県川崎市川崎区富士見**********	S13032	20150727	A-20100103-5

解説:

このコードでは、PythonのPandasライブラリを使用して、df_customerという名前のDataFrameから行をフィルタリングしています。フィルタリングは、query()メソッドで指定された条件に基づいて行われ、このメソッドはブール式を表す文字列引数を取ります。

status_cd: df_customer DataFrameのカラムであると仮定する。

.: Pythonでオブジェクトのメソッドや属性にアクセスする際に使用されるドット表記です。

str: str：status_cdカラムの文字列メソッドを指します。

contains() : カラムの各要素に、与えられた部分文字列または正規表現が存在するかどうかをチェックする文字列メソッドです。

r'^[A-F].*[1-9]$': これは、文字AからF（含む）で始まり、1から9（含む）の数字で終わる文字列にマッチする正規表現パターンです。パターンの前の r 接頭辞は、それが生の文字列であることを示します。これは、バックスラッシュがエスケープ文字ではなく、リテラルバックスラッシュとして扱われることを意味します。

また、query()メソッドでは、engineの引数に'python'という値が指定されています。これは、Pandasが使用するデフォルトのエンジンがnumexprで、クエリの種類によっては高速に処理できますが、すべての種類の正規表現に対応していない場合があるからです。python'エンジンを使用することで、正規表現がPython regexモジュールで処理されるようになります。

最後に、.head(10) メソッドを呼び出すと、フィルタ条件に一致する最初の10行に出力が制限されます。

P-016: 店舗データ（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。

In [18]:

df_store.query("tel_no.str.contains(r'^[0-9]{3}-[0-9]{3}-[0-9]{4}$')", 
               engine='python')

Out[18]:

	store_cd	store_name	prefecture_cd	prefecture	address	address_kana	tel_no	longitude	latitude	floor_area
0	S12014	千草台店	12	千葉県	千葉県千葉市稲毛区千草台一丁目	チバケンチバシイナゲクチグサダイイッチョウメ	043-123-4003	140.1180	35.63559	1698.0
1	S13002	国分寺店	13	東京都	東京都国分寺市本多二丁目	トウキョウトコクブンジシホンダニチョウメ	042-123-4008	139.4802	35.70566	1735.0
2	S14010	菊名店	14	神奈川県	神奈川県横浜市港北区菊名一丁目	カナガワケンヨコハマシコウホククキクナイッチョウメ	045-123-4032	139.6326	35.50049	1732.0
3	S14033	阿久和店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4043	139.4961	35.45918	1495.0
4	S14036	相模原中央店	14	神奈川県	神奈川県相模原市中央二丁目	カナガワケンサガミハラシチュウオウニチョウメ	042-123-4045	139.3716	35.57327	1679.0
7	S14040	長津田店	14	神奈川県	神奈川県横浜市緑区長津田みなみ台五丁目	カナガワケンヨコハマシミドリクナガツタミナミダイゴチョウメ	045-123-4046	139.4994	35.52398	1548.0
9	S14050	阿久和西店	14	神奈川県	神奈川県横浜市瀬谷区阿久和西一丁目	カナガワケンヨコハマシセヤクアクワニシイッチョウメ	045-123-4053	139.4961	35.45918	1830.0
11	S13052	森野店	13	東京都	東京都町田市森野三丁目	トウキョウトマチダシモリノサンチョウメ	042-123-4030	139.4383	35.55293	1087.0
12	S14028	二ツ橋店	14	神奈川県	神奈川県横浜市瀬谷区二ツ橋町	カナガワケンヨコハマシセヤクフタツバシチョウ	045-123-4042	139.4963	35.46304	1574.0
16	S14012	本牧和田店	14	神奈川県	神奈川県横浜市中区本牧和田	カナガワケンヨコハマシナカクホンモクワダ	045-123-4034	139.6582	35.42156	1341.0
18	S14046	北山田店	14	神奈川県	神奈川県横浜市都筑区北山田一丁目	カナガワケンヨコハマシツヅキクキタヤマタイッチョウメ	045-123-4049	139.5916	35.56189	831.0
19	S14022	逗子店	14	神奈川県	神奈川県逗子市逗子一丁目	カナガワケンズシシズシイッチョウメ	046-123-4036	139.5789	35.29642	1838.0
20	S14011	日吉本町店	14	神奈川県	神奈川県横浜市港北区日吉本町四丁目	カナガワケンヨコハマシコウホククヒヨシホンチョウヨンチョウメ	045-123-4033	139.6316	35.54655	890.0
21	S13016	小金井店	13	東京都	東京都小金井市本町一丁目	トウキョウトコガネイシホンチョウイッチョウメ	042-123-4015	139.5094	35.70018	1399.0
22	S14034	川崎野川店	14	神奈川県	神奈川県川崎市宮前区野川	カナガワケンカワサキシミヤマエクノガワ	044-123-4044	139.5998	35.57693	1318.0
26	S14048	中川中央店	14	神奈川県	神奈川県横浜市都筑区中川中央二丁目	カナガワケンヨコハマシツヅキクナカガワチュウオウニチョウメ	045-123-4051	139.5758	35.54912	1657.0
27	S12007	佐倉店	12	千葉県	千葉県佐倉市上志津	チバケンサクラシカミシヅ	043-123-4001	140.1452	35.71872	1895.0
28	S14026	辻堂西海岸店	14	神奈川県	神奈川県藤沢市辻堂西海岸二丁目	カナガワケンフジサワシツジドウニシカイガンニチョウメ	046-123-4040	139.4466	35.32464	1732.0
29	S13041	八王子店	13	東京都	東京都八王子市大塚	トウキョウトハチオウジシオオツカ	042-123-4026	139.4235	35.63787	810.0
31	S14049	川崎大師店	14	神奈川県	神奈川県川崎市川崎区中瀬三丁目	カナガワケンカワサキシカワサキクナカゼサンチョウメ	044-123-4052	139.7327	35.53759	962.0
32	S14023	川崎店	14	神奈川県	神奈川県川崎市川崎区本町二丁目	カナガワケンカワサキシカワサキクホンチョウニチョウメ	044-123-4037	139.7028	35.53599	1804.0
33	S13018	清瀬店	13	東京都	東京都清瀬市松山一丁目	トウキョウトキヨセシマツヤマイッチョウメ	042-123-4017	139.5178	35.76885	1220.0
35	S14027	南藤沢店	14	神奈川県	神奈川県藤沢市南藤沢	カナガワケンフジサワシミナミフジサワ	046-123-4041	139.4896	35.33762	1521.0
36	S14021	伊勢原店	14	神奈川県	神奈川県伊勢原市伊勢原四丁目	カナガワケンイセハラシイセハラヨンチョウメ	046-123-4035	139.3129	35.40169	962.0
37	S14047	相模原店	14	神奈川県	神奈川県相模原市千代田六丁目	カナガワケンサガミハラシチヨダロクチョウメ	042-123-4050	139.3748	35.55959	1047.0
38	S12013	習志野店	12	千葉県	千葉県習志野市芝園一丁目	チバケンナラシノシシバゾノイッチョウメ	047-123-4002	140.0220	35.66122	808.0
40	S14042	新山下店	14	神奈川県	神奈川県横浜市中区新山下二丁目	カナガワケンヨコハマシナカクシンヤマシタニチョウメ	045-123-4047	139.6593	35.43894	1044.0
42	S12030	八幡店	12	千葉県	千葉県市川市八幡三丁目	チバケンイチカワシヤワタサンチョウメ	047-123-4005	139.9240	35.72318	1162.0
44	S14025	大和店	14	神奈川県	神奈川県大和市下和田	カナガワケンヤマトシシモワダ	046-123-4039	139.4680	35.43414	1011.0
45	S14045	厚木店	14	神奈川県	神奈川県厚木市中町二丁目	カナガワケンアツギシナカチョウニチョウメ	046-123-4048	139.3651	35.44182	980.0
47	S12029	東野店	12	千葉県	千葉県浦安市東野一丁目	チバケンウラヤスシヒガシノイッチョウメ	047-123-4004	139.8968	35.65086	1101.0
49	S12053	高洲店	12	千葉県	千葉県浦安市高洲五丁目	チバケンウラヤスシタカスゴチョウメ	047-123-4006	139.9176	35.63755	1555.0
51	S14024	三田店	14	神奈川県	神奈川県川崎市多摩区三田四丁目	カナガワケンカワサキシタマクミタヨンチョウメ	044-123-4038	139.5424	35.60770	972.0
52	S14006	葛が谷店	14	神奈川県	神奈川県横浜市都筑区葛が谷	カナガワケンヨコハマシツヅキククズガヤ	045-123-4031	139.5633	35.53573	1886.0

解説:

このコードでは、PythonのPandasライブラリを使用して、df_storeという名前のDataFrameから行をフィルタリングしています。フィルタリングは、query()メソッドで指定された条件に基づいて行われ、このメソッドはブール式を表す文字列引数を取ります。

tel_no : df_store DataFrameのカラムであると仮定する。

. : Pythonでオブジェクトのメソッドや属性にアクセスする際に使用されるドット記法です。

str: tel_noカラムの文字列メソッドを参照する。

contains() : カラムの各要素に与えられた部分文字列または正規表現が存在するかどうかをチェックする文字列メソッドです。

r'^[0-9]{3}-[0-9]{3}-[0-9]{4}$': これは、北米の電話番号の形式（3桁、ハイフン、さらに3桁、さらにハイフン、さらに4桁）を持つ文字列にマッチする正規表現パターンである。パターンの前のr接頭辞は、それが生の文字列であることを示し、これはバックスラッシュがエスケープ文字ではなく、リテラルバックスラッシュとして扱われることを意味します。中括弧{}は、直前のパターンを指定回数繰り返すことを示し、末尾の$は文字列の終わりを意味する。

また、query()メソッドでは、engineの引数に'python'という値が指定されています。これは、Pandasが使用するデフォルトのエンジンがnumexprで、クエリの種類によっては高速に処理できますが、すべての種類の正規表現に対応していない場合があるからです。python' エンジンを使用すると、正規表現が Python regex モジュールによって処理されるようになります。

結果として、df_store DataFrameから、tel_noカラムに有効な北米の電話番号を持つ行だけを残すフィルタが作成されます。

P-017: 顧客データ（df_customer）を生年月日（birth_day）で高齢順にソートし、先頭から全項目を10件表示せよ。

In [19]:

df_customer.sort_values('birth_day').head(10)

Out[19]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
18817	CS003813000014	村山菜々美	1	女性	1928-11-26	90	182-0007	東京都調布市菊野台**********	S13003	20160214	0-00000000-0
12328	CS026813000004	吉村朝陽	1	女性	1928-12-14	90	251-0043	神奈川県藤沢市辻堂元町**********	S14026	20150723	0-00000000-0
15682	CS018811000003	熊沢美里	1	女性	1929-01-07	90	204-0004	東京都清瀬市野塩**********	S13018	20150403	0-00000000-0
15302	CS027803000004	内村拓郎	0	男性	1929-01-12	90	251-0031	神奈川県藤沢市鵠沼藤が谷**********	S14027	20151227	0-00000000-0
1681	CS013801000003	天野拓郎	0	男性	1929-01-15	90	274-0824	千葉県船橋市前原東**********	S12013	20160120	0-00000000-0
7511	CS001814000022	鶴田里穂	1	女性	1929-01-28	90	144-0045	東京都大田区南六郷**********	S13001	20161012	A-20090415-7
2378	CS016815000002	山元美紀	1	女性	1929-02-22	90	184-0005	東京都小金井市桜町**********	S13016	20150629	C-20090923-C
4680	CS009815000003	中田里穂	1	女性	1929-04-08	89	154-0014	東京都世田谷区新町**********	S13009	20150421	D-20091021-E
16070	CS005813000015	金谷恵梨香	1	女性	1929-04-09	89	165-0032	東京都中野区鷺宮**********	S13005	20150506	0-00000000-0
6305	CS012813000013	宇野南朋	1	女性	1929-04-09	89	231-0806	神奈川県横浜市中区本牧町**********	S14012	20150712	0-00000000-0

解説:

このコードでは、PythonのPandasライブラリを使用して、df_customerというDataFrameの行をbirth_day列の値に基づいて昇順でソートしています。その結果、ソートされたDataFrameは、head()メソッドを使用して、最初の10行に限定されます。

df_customer: これは、ソートされるDataFrameの名前です。

sort_values() : これは、1つ以上のカラムの値に基づいてDataFrameをソートするために使用されるPandasのメソッドである。この場合、birth_dayカラムがソートキーとして指定されています。

'birth_day' : ソートキーとして使用されるカラムの名前です。

.head(10): これは、出力をソートされたDataFrameの最初の10行に制限するメソッド呼び出しです。

結果として、df_customer DataFrameの最初の10行が、birth_dayカラムの値に基づいて昇順にソートされた状態で出力されることになります。これにより、birth_dayが顧客の生年月日を表していると仮定して、データセット内の最も古い10人の顧客を確認することができます。

P-018: 顧客データ（df_customer）を生年月日（birth_day）で若い順にソートし、先頭から全項目を10件表示せよ。

In [20]:

df_customer.sort_values('birth_day', ascending=False).head(10)

Out[20]:

	customer_id	customer_name	gender_cd	gender	birth_day	age	postal_cd	address	application_store_cd	application_date	status_cd
15639	CS035114000004	大村美里	1	女性	2007-11-25	11	156-0053	東京都世田谷区桜**********	S13035	20150619	6-20091205-6
7468	CS022103000002	福山はじめ	9	不明	2007-10-02	11	249-0006	神奈川県逗子市逗子**********	S14022	20160909	0-00000000-0
10745	CS002113000009	柴田真悠子	1	女性	2007-09-17	11	184-0014	東京都小金井市貫井南町**********	S13002	20160304	0-00000000-0
19811	CS004115000014	松井京子	1	女性	2007-08-09	11	165-0031	東京都中野区上鷺宮**********	S13004	20161120	1-20081231-1
7039	CS002114000010	山内遥	1	女性	2007-06-03	11	184-0015	東京都小金井市貫井北町**********	S13002	20160920	6-20100510-1
3670	CS025115000002	小柳夏希	1	女性	2007-04-18	11	245-0018	神奈川県横浜市泉区上飯田町**********	S14025	20160116	D-20100913-D
12493	CS002113000025	広末まなみ	1	女性	2007-03-30	12	184-0015	東京都小金井市貫井北町**********	S13002	20171030	0-00000000-0
15977	CS033112000003	長野美紀	1	女性	2007-03-22	12	245-0051	神奈川県横浜市戸塚区名瀬町**********	S14033	20150606	0-00000000-0
5716	CS007115000006	福岡瞬	1	女性	2007-03-10	12	285-0845	千葉県佐倉市西志津**********	S12007	20151118	F-20101016-F
15097	CS014113000008	矢口莉緒	1	女性	2007-03-05	12	260-0041	千葉県千葉市中央区東千葉**********	S12014	20150622	3-20091108-6

解説:

このコードでは、PythonのPandasライブラリを使用して、df_customerというDataFrameの行をbirth_day列の値に基づいて降順でソートしています。その結果、ソートされたDataFrameは、head()メソッドを使用して、最初の10行に限定されます。

df_customer: これは、ソートされるDataFrameの名前です。

sort_values() : これはPandasのメソッドで、1つ以上のカラムの値に基づいてDataFrameをソートするために使用されます。この場合、birth_dayカラムがソートキーとして指定されています。

'birth_day' : ソートキーとして使用されるカラムの名前です。

ascending=False : この引数は、ソート順をデフォルトの昇順ではなく、降順にすることを指定するために使用されます。

.head(10): これは、出力をソートされたDataFrameの最初の10行に制限するメソッド呼び出しです。

結果として出力されるのは、df_customer DataFrameの最初の10行で、birth_day列の値に基づいて降順でソートされます。これにより、birth_dayが顧客の生年月日を表していると仮定して、データセット内の最も若い10人の顧客を確認することができます。

P-019: レシート明細データ（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、先頭から10件表示せよ。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。

In [21]:

df_tmp = pd.concat([df_receipt[['customer_id', 'amount']] 
                     ,df_receipt['amount'].rank(method='min', 
                                                ascending=False)], axis=1)

df_tmp.columns = ['customer_id', 'amount', 'ranking']

df_tmp.sort_values('ranking').head(10)

Out[21]:

	customer_id	amount	ranking
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

解説:

与えられたコードは、以下の処理を実行しています。

pd.concat()関数を使用して、2つのデータフレームdf_receipt[['customer_id', 'amount']] と df_receipt['amount'].rank(method='min', ascending=False) を列軸 (axis=1) に沿って連結しています。得られたデータフレームは、変数df_tmpに代入される。最初のdataframe df_receipt[['customer_id', 'amount']]には、より大きなdataframe df_receiptから2つの列 'customer_id' と 'amount' が含まれていますが、2番目のdataframeは 'min' 法で計算した 'amount' 列の降順の順位となっています。

連結されたdf_tmpのカラムを、df_tmp.columns属性を用いて、'customer_id', 'amount', 'ranking'にリネームする。

sort_values()メソッドでdf_tmpのデータフレームを'ranking'列で昇順にソートし、head(10)メソッドで上位10行を返します。

全体として、このコードはdf_receipt dataframeの'customer_id'と'amount'カラムと'min'メソッドで計算した'amount'の順位を降順に連結しています。結果として得られるdataframeは、'ranking'カラムでソートされ、最も高いランクを持つ上位10行を返します。これは、購入に最もお金をかけた顧客を表しています。

P-020: レシート明細データ（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、先頭から10件表示せよ。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。

In [22]:

df_tmp = pd.concat([df_receipt[['customer_id', 'amount']] 
                     ,df_receipt['amount'].rank(method='first', 
                                                ascending=False)], axis=1)

df_tmp.columns = ['customer_id', 'amount', 'ranking']

df_tmp.sort_values('ranking').head(10)

Out[22]:

	customer_id	amount	ranking
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

解説:
与えられたコードは、以下の処理を実行しています。

pd.concat()関数を使用して、2つのデータフレームdf_receipt[['customer_id', 'amount']] と df_receipt['amount'].rank(method='first', ascending=False) を列軸 (axis=1) で連結しています。得られたデータフレームは、変数df_tmpに代入される。最初のdataframe df_receipt[['customer_id', 'amount']]には、より大きなdataframe df_receiptから2つの列 'customer_id' と 'amount' が含まれていますが、2番目のdataframeは 'first' 方式で計算した 'amount' 列を降順にした順位となっています。

連結されたdf_tmpの列を、df_tmp.columns属性を用いて、'customer_id', 'amount', 'ranking'にリネームする。

sort_values()メソッドでdf_tmpのデータフレームを'ranking'列で昇順にソートし、head(10)メソッドで上位10行を返します。

全体として、このコードはdf_receipt dataframeの'customer_id'と'amount'カラムと'first'メソッドで計算した'amount'の順位を降順に連結しています。出来上がったdataframeは'ranking'カラムでソートされ、最も高いランクを持つ上位10行を返します。これは、購入した商品に最もお金をかけた顧客を表しています。このコードと前のコードとの唯一の違いは、使用されているランクメソッドです。ここでは「first」メソッドを使用しており、「amount」カラムの同じ値に同じランクを割り当てています。一方、「min」メソッド「amount」カラムの同じ値に最も低いランクを割り当てています。