#7 データ型

1 1st STEP ビッグデータの 読み込みとデータの確認 Section ５ データ型 ⑨ 「データ名」.dtypes ⑩ pd.read_excel("データのある場所", dtype = {“列名": データ型})

2 Section 5 データ型 １．データ型 Pandasでは、各列ごとにそれぞれデータ型を保持しています。 データ型 意味 object 文字列 int64 整数 float64 浮動小数点 bool 真/偽 Datetime64[ns] 日付および時刻 timedelta 2つの日時の差 category 文字列のカテゴリ

3 Section 5 データ型 ⑨ 「データ名」.dtypes PandasのDataFrameである「id_pos」のそれぞれの項目が、どのようなデータ型であるか を知るためには、⑨ を使います。dtypesの前にある「.」を忘れないようにしましょう！

4
Section 5 データ型

２．データ型と処理
Pandasでは、データ型それぞれに合った処理方法が決められています。プログラムがエ
ラーになる原因は、データ型に合った処理を行っていないことが多いものです。
例えば、「int64」のデータをカウント（個数を数える）を指示すると、エラーになります。
整数は加減乗除などの計算を行うものですから、個数を数えても意味はないからです。
ID-POS分析では、「CustomerID」、すなわち誰が購入したかが重要となってきますので、
その数をカウントすることがよく出てきます。id_posでは、「CustomerID」がfloat64型に
なっていますので、カウントできるようにobject型に修正する必要があります。
#4のプログラム「② pd.read_excel(‘データのある場所‘)」では、データ型を特に指示しま
せんでしたので、Pandasがデータ型を自動（適当に）で決めて読み込みました。「,」に
続けて、dtype = {"CustomerID": object}とすれば、「CustomerID」をobject型（文
字列）として読み込むことができます。

5 Section 5 データ型 ⑩ pd.read_excel("データのある場所", dtype = {“列名": データ型}) 「CustomerID」をobject型（文字列）として読み込むために⑩を書いてみましょう。 「id_pos」と区別するために、「id_pos2」と名付けておきます。 なお、プログラムが横に長くなりますので、下記のように2行に分けて書きましょう。Python の場合、（）内は、単語の途中以外、どこで改行しても構いません。

6 Section 5 データ型 ⑩ pd.read_excel("データのある場所", dtype = {"カラム名": データ型}) ⑨を使って、「CustomerID」が、 「float64型」から「object型」に変わったことを確認しま しょう。

7 Section 5 データ型 【参考】 read_excel（応用編） Excelデータの読み込みについて、「YutaKaのPython教室」が分かりやすくまとめています。 余力のある方は、下記のURLをクリックしてみて下さい！ https://www.yutaka-note.com/entry/pandas_read_excel_1

• https://www.yutaka-note.com/entry/pandas_read_excel_1

8 Section 5 データ型 【参考】 csvファイルの読み込み 読み込むデータは、Excelばかりではありません。各項目間がカンマ（,）で区切られたデータ 「csv（Comma Separated Values）」形式のデータも、よく使われます。 csvデータの読み込みは、⑩の「excel」の部分を「csv」に変えれば、読み込むことができます。 ⑩‘ pd.read_csv("データのある場所“) csvデータの読み込みについては、作者が謎の「note.nkmk.me」が分かりやすくまとめていま す。余力のある方は、下記のURLをクリックしてみて下さい！ 「pandasでcsv/tsvファイル読み込み（read_csv, read_table）」 https://note.nkmk.me/python-pandas-read-csv-tsv/

• https://note.nkmk.me/python-pandas-read-csv-tsv/