Excelのフィルタのように、特定の文字列を含むデータを抽出する方法です。
pandasのデータフレームで、指定した条件の行を取得します。
サンプルデータ
東京都のオープンデータセットから認可保育所の一覧を使用します。
以下のリンクをクリックすると、CSVファイルがダウンロードされます。
/ 組織/ 東京都福祉保健局/ 社会福祉施設等一覧（令和元年5月1日時点）/ 認可保育所
URL: http://www.opendata.metro.tokyo.jp/fukushihoken/R0105/201905-2-1-hoikusyo.csv
CSVファイルの読み込み
pandasでCSVファイルを読み込みます。
このCSVファイルは、WindowsのCP932（ANSI）フォーマットで作成されています。
読み込み時に、フォーマットを指定しないとエラーになりますので、注意してください。
import pandas as pd
df_ninkaen = pd.read_csv('/Users/user/Desktop/201905-2-1-hoikusyo.csv', encoding='cp932')
df_ninkaen[['設置', '施設名', '所在地']].head() 設置 施設名 所在地
0 区市町村 いずみこども園 千代田区神田和泉町１
1 営利法人 あい保育園東神田 千代田区東神田２－６－５ 東神田ビル２・３階
2 社福法人 千代田せいが保育園 千代田区神田岩本町１５－７
3 営利法人 ベネッセ内神田保育園 千代田区内神田２－１－１３
4 区市町村 神田保育園 千代田区神田淡路町２－１０９Windows環境で、デスクトップに保存したファイルを読み込む例です。
pandasのDataFrameで作った配列df_ninkaenに、データを読み込みました。
URLを指定すると、インターネット上に配置されたファイルを読み込むことができます。
url_tokyo = 'http://www.opendata.metro.tokyo.jp/fukushihoken/R0105/201905-2-1-hoikusyo.csv'
df_ninkaen = pd.read_csv(url_tokyo, encoding='cp932')
カラムがたくさんあるので、「設置、施設名、所在地」の3項目を使用します。
CSVファイルの読み込む方法は、以下の記事をご覧ください。
>>【Python入門】CSVファイルをコード１行で読み込む方法
文字列が完全一致
配列df_ninkaenのデータと、抽出したい文字列がすべて同じとき （完全一致） は、pandasのisinメソッドで抽出できます。
pandas.isin()
1つ目のカラム「設置」のデータが、文字列「事務組合」の行を抽出します。
df_ninkaen[['設置', '施設名', '所在地']][df_ninkaen['設置'].isin(['事務組合'])] 設置 施設名 所在地
982 事務組合 生活クラブ保育園ぽむ・砧 世田谷区砧４－３８－４ グランドテラス１階
2765 事務組合 生活クラブ保育園ぽむ・国分寺 国分寺市泉町３－３３－２ 西晴ビル１階
2784 事務組合 さくらっこ保育園 国立市中１－１６－２５ シャトレクインテスビル２Ｆカラム「設置」が、文字列「事務組合」に完全一致する3行のデータが抽出されました。
文字列「事務組合」を「組合」に変更します。
df_ninkaen[['設置', '施設名', '所在地']][df_ninkaen['設置'].isin(['組合'])]設置 施設名 所在地カラム「設置」が、文字列「組合」に完全一致するデータはありませんでした。
文字列「事務組合」と文字列「組合」は、別の文字列として判定されます。
文字列が部分一致（〇〇を含む）
配列df_ninkaenのデータに、抽出したい文字列が含まれているとき （部分一致） は、pandasのstr.containsメソッドで抽出できます。
pandas.str.contains()
1つ目のカラム「設置」のデータが、文字列「組合」を含む行を抽出します。
df_ninkaen[['設置', '施設名', '所在地']][df_ninkaen['設置'].str.contains('組合')] 設置 施設名 所在地
982 事務組合 生活クラブ保育園ぽむ・砧 世田谷区砧４－３８－４ グランドテラス１階
2765 事務組合 生活クラブ保育園ぽむ・国分寺 国分寺市泉町３－３３－２ 西晴ビル１階
2784 事務組合 さくらっこ保育園 国立市中１－１６－２５ シャトレクインテスビル２Ｆ「設置」のデータで、「組合」を含んでいる（部分一致）データが抽出されました。
文字列「事務組合」は、文字列「組合」を含んでいるため、条件に一致すると判定されます。
複数の条件で抽出（and、or）
複数の条件でデータを抽出することができます。
抽出条件を括弧()でかこみ、論理演算子（&、|）でつなぎます。
・A and B ： A かつ B は、「&」
・A or B ： A または B は、「|」
1つ目のカラム「設置」のデータが、文字列「市」を含み、
かつ、3つ目のカラム「所在地」に、文字列「多摩」を含む行を抽出します
df_ninkaen[['設置', '施設名', '所在地']][(df_ninkaen['設置'].str.contains('市'))&
(df_ninkaen['所在地'].str.contains('多摩'))] 設置 施設名 所在地
2711 区市町村 たまだいら保育園 日野市多摩平４丁目４番地の２
2738 区市町村 東村山市立第三保育園 東村山市多摩湖町１－２３－４
2889 区市町村 多摩保育園 多摩市和田４１８－１
2892 区市町村 貝取保育園 多摩市貝取４－１０
2989 区市町村 石畑保育園 西多摩郡瑞穂町大字石畑１８３７番地
2991 区市町村 むさしの保育園 西多摩郡瑞穂町むさし野一丁目５番地カラム「設置」が、文字列「市」を含むデータ「区市町村」で、
カラム「所在地」に、文字列「多摩」を含むデータが抽出されました。
query関数で書き換え
pandasでデータを抽出するには、上記のようなブールインデックス参照を使う方法の他に、query関数を使う方法があります。
複数の条件で抽出する場合は、条件式が長くなってしまうので、データフレーム名の記述が一度でよいquery関数はおすすめです。
上記の例をquery関数で書き換えてみます。
df_ninkaen[['設置', '施設名', '所在地']].query('設置.str.contains("市") & \
所在地.str.contains("多摩")', engine='python') 設置 施設名 所在地
2711 区市町村 たまだいら保育園 日野市多摩平４丁目４番地の２
2738 区市町村 東村山市立第三保育園 東村山市多摩湖町１－２３－４
2889 区市町村 多摩保育園 多摩市和田４１８－１
2892 区市町村 貝取保育園 多摩市貝取４－１０
2989 区市町村 石畑保育園 西多摩郡瑞穂町大字石畑１８３７番地
2991 区市町村 むさしの保育園 西多摩郡瑞穂町むさし野一丁目５番地
query関数の使い方は、以下をご覧ください。
【Python入門】文字列の部分一致による抽出（query関数）
まとめ
- isinを使って、文字列が一致するデータを抽出できました
- str.containを使って、文字列の一部を含むデータを抽出できました
- 複数の抽出条件を、andでつなぐ方法がわかりました
