通し番号の付与　cumcount()

cumcount()

cumcount() はDataFrameにはなく、DataFrameGroupByだけで使えるメソッドです。グループごとに、データに対して通し番号をふりたい時に使います。たとえば、以下のようなケースです。

• 複数ユーザーの購入履歴のログで、ユーザーごとに何回目の購入データかわかるように識別子をふる
• 複数クラスの試験結果のデータで、クラスごとに生徒に対して一意な識別子をふる

次のように記述して使います。

# 指定した列名でグループ化
grouped = df.groupby(列名)
# グループごとに0始まりの通し番号をふる
grouped.cumcount()

デフォルトでは、上の行から順に通し番号をふります。下の行から通し番号をふりたい場合は、引数ascendingでFalseを指定します。

DataFrameGroupByのrank()は列ごとに値を計算するため結果がDataFrameになりますが、cumcount()は行の並び順で値が決まります。つまり、列の値は無関係なので、結果はSeriesになります。

具体的な例を見てみましょう。次のような試験結果と学習時間のデータについて考えます。

生徒ID	クラス	点数	学習時間（分）
ST001	1-A	60	232
ST002	1-A	87	345
ST003	1-B	66	180
ST004	1-A	72	22
ST005	1-B	74	120
ST006	1-B	58	215

クラスごとに、各データに0始まりの通し番号をふってみましょう。

# 列「クラス」でグループ化
grouped = df.groupby("クラス")
# グループごとに0始まりの通し番号をふる
grouped.cumcount()

実行結果:

生徒ID
ST001    0
ST002    1
ST003    0
ST004    2
ST005    1
ST006    2
dtype: int64

各グループごとに、上から順に通し番号がふられていることがわかります。
たとえば、クラス1-Aのデータ（ST001、ST002、ST004）は、行の並び順にしたがって生徒ST001が0、 生徒ST002が1、生徒ST004が2になっています。

演習

import pandas as pd

# 試験結果のデータを読み込み
df = pd.read_csv("dataset/score_study_time.csv", index_col="生徒ID")
# 先頭5行を確認
df.head()

	クラス	点数	学習時間（分）
生徒ID
ST001	1-A	48.0	226
ST002	1-A	0.0	24
ST003	1-B	80.0	271
ST004	1-A	NaN	45
ST005	1-A	68.0	271

今回はクラスごとに通し番号をふるので、groupby()を使ってクラスごとにグループ化します。

# 列「クラス」でグループ化
grouped = df.groupby("クラス")

各クラスの上の行から順に、0始まりの通し番号を割り当てましょう。

これは、cumcount()を使って実現できます。rank()は列ごとに計算されるので結果はDataFrameでしたが、cumcount()は列の値は関係ないため、結果はSeriesの形で得られます。

# グループ内で上から順に通し番号をつける
cumcount_df = grouped.cumcount()
cumcount_df

生徒ID
ST001    0
ST002    1
ST003    0
ST004    2
ST005    3
ST006    1
ST007    4
ST008    2
ST009    3
ST010    4
ST011    5
ST012    6
ST013    5
ST014    6
ST015    7
ST016    8
ST017    7
ST018    9
ST019    8
ST020    9
dtype: int64

実行結果を、新しい列として元のDataFrameに追加しましょう。In [4]:

# グループ内での通し番号を新しい列として追加する
df["グループ内ID"] = cumcount_df
# 結果の先頭5行を確認
df.head()

	クラス	点数	学習時間（分）	グループ内ID
生徒ID
ST001	1-A	48.0	226	0
ST002	1-A	0.0	24	1
ST003	1-B	80.0	271	0
ST004	1-A	NaN	45	2
ST005	1-A	68.0	271	3

確認のため、クラスが1-Aのデータの結果を見てみましょう。クラス1-Aのデータの中で上の行から順に0、1、2……と通し番号が割り振られていることがわかります。In [5]:

# 1-Aのデータだけを確認する
df[df["クラス"] == "1-A"]

	クラス	点数	学習時間（分）	グループ内ID
生徒ID
ST001	1-A	48.0	226	0
ST002	1-A	0.0	24	1
ST004	1-A	NaN	45	2
ST005	1-A	68.0	271	3
ST007	1-A	49.0	236	4
ST011	1-A	98.0	381	5
ST012	1-A	84.0	286	6
ST017	1-A	81.0	355	7
ST019	1-A	78.0	326	8
ST020	1-A	90.0	301	9

同様に、クラス1-Bのデータも確認してみましょう。こちらも、グループ内の上の行から順に0始まりの通し番号が付与されていることがわかります。このように、DataFrameGroupByオブジェクトのcumcount()ではグループ単位で変換処理が適用されます。In [6]:

# 1-Bのデータだけを確認する
df[df["クラス"] == "1-B"]

	クラス	点数	学習時間（分）	グループ内ID
生徒ID
ST003	1-B	80.0	271	0
ST006	1-B	58.0	215	1
ST008	1-B	79.0	334	2
ST009	1-B	75.0	256	3
ST010	1-B	NaN	229	4
ST013	1-B	58.0	192	5
ST014	1-B	83.0	286	6
ST015	1-B	62.0	220	7
ST016	1-B	69.0	222	8
ST018	1-B	NaN	224	9