時間帯別顧客属性分析で新たな発見！ pandas Series.dt.minute とgroupby の強力タッグ

pandas.Series.dt.minute：日付型データの分を取得・操作する魔法の杖

pandas.Series.dt.minute は、pandas ライブラリの Series オブジェクトに含まれる日付型データの分を取得・操作する魔法の杖のような属性です。この杖を使うことで、以下のことができます。

• データの分析：特定の時間のデータだけを取り出して分析したり、時間の経過によるデータの変化を調べたりすることができます。
• データの加工：特定の時間のデータに修正を加えたり、新しい時間軸に基づいてデータを再構築したりすることができます。
• データの可視化：特定の時間のデータだけをグラフや図表で表現することで、データの特徴をより分かりやすく見ることができます。

使い方

pandas.Series.dt.minute は、以下の2つの方法で使用できます。

分を取得

# Seriesオブジェクト
df['date'] = pd.to_datetime(['2023-01-01 12:34:56', '2023-01-02 13:45:01', '2023-01-03 14:56:02'])

# 分を取得
df['minute'] = df['date'].dt.minute

# 結果
#    date  minute
# 0  2023-01-01     34
# 1  2023-01-02     45
# 2  2023-01-03     56

分を指定してフィルタリング

# 午前中のデータだけ抽出
df = df[df['date'].dt.minute < 60]

# 結果
#    date  minute
# 0  2023-01-01     34
# 1  2023-01-02     45

pandas.Series.dt.minute と一緒に使える便利な属性は以下の通りです。

• dt.hour: 時間を取得
• dt.day: 日を取得
• dt.month: 月を取得
• dt.year: 年を取得
• dt.weekday: 曜日を取得

これらの属性を組み合わせることで、より複雑なデータ分析や操作を行うことができます。

補足

• pandas.Series.dt は、datetime 型のデータに対してのみ使用できます。
• 時刻データの扱い方には、他にも time 型や datetime64[ns] 型などがあります。

応用例

• 特定の時間帯の売上データを集計して分析する
• 特定の曜日の顧客行動を分析する
• 時間帯による気温の変化をグラフ化する

練習問題

以下のコードを使って、df の中で最も分が多い時間帯を特定してみましょう。

# データの準備
df['date'] = pd.to_datetime(['2023-01-01 12:34:56', '2023-01-02 13:45:01', '2023-01-03 14:56:02', '2023-01-04 15:07:03'])

# 分を取得
df['minute'] = df['date'].dt.minute

# 分の出現回数を集計
minute_counts = df['minute'].value_counts()

# 最も分が多い時間帯を取得
most_frequent_minute = minute_counts.sort_values(ascending=False).index[0]

# 結果を出力
print(f"最も分が多い時間帯：{most_frequent_minute}")

解答

最も分が多い時間帯：0

pandas.Series.dt.minute は、日付型データの分を取得・操作する強力なツールです。このツールを使いこなすことで、データ分析の可能性を大きく広げることができます。

pandas.Series.dt.minute を使ったサンプルコード集

特定の時間帯のデータだけ抽出

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 午前中のデータだけ抽出
morning_df = df[df['date'].dt.hour < 12]

# 結果
#    date  value
# 0  2023-01-01   10
# 1  2023-01-02   20

# 午後のデータだけ抽出
afternoon_df = df[df['date'].dt.hour >= 12]

# 結果
#    date  value
# 2  2023-01-03   30
# 3  2023-01-04   40

特定の曜日のデータだけ抽出

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 月曜日のデータだけ抽出
monday_df = df[df['date'].dt.weekday == 0]

# 結果
#    date  value
# 0  2023-01-02   20

# 火曜日のデータだけ抽出
tuesday_df = df[df['date'].dt.weekday == 1]

# 結果
#    date  value
# 1  2023-01-03   30

時間帯によるデータの変化を調べる

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-01 13:45:01", "2023-01-01 14:56:02", "2023-01-01 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 時間帯ごとの売上を集計
hourly_sales = df.groupby(df['date'].dt.hour)['value'].sum()

# 結果
# hour  value
# 12   10
# 13   20
# 14   30
# 15   40

# 時間帯ごとの売上をグラフ化する
import matplotlib.pyplot as plt

plt.plot(hourly_sales.index, hourly_sales.values)
plt.xlabel("時間帯")
plt.ylabel("売上")
plt.show()

特定の時間のデータに修正を加える

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-01 13:45:01", "2023-01-01 14:56:02", "2023-01-01 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 午前中のデータの値を2倍にする
df.loc[df['date'].dt.hour < 12, 'value'] *= 2

# 結果
#    date  value
# 0  2023-01

pandas.Series.dt.minute を使ったその他の方法

特定の分を含むデータだけ抽出

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 30分を含むデータだけ抽出
df = df[df['date'].dt.minute == 30]

# 結果
#    date  value
# 1  2023-01-02   20
# 3  2023-01-04   40

分を基準にデータをソート

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 分を基準にデータをソート
df = df.sort_values(by='date.dt.minute')

# 結果
#    date  value
# 0  2023-01-01   10
# 2  2023-01-03   30
# 1  2023-01-02   20
# 3  2023-01-04   40

分を文字列に変換

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 分を文字列に変換
df['minute_str'] = df['date'].dt.minute.astype(str)

# 結果
#    date  value minute_str
# 0  2023-01-01   10        34
# 1  2023-01-02   20        45
# 2  2023-01-03   30        56
# 3  2023-01-04   40        07

分を数値に変換

# データの準備
df = pd.DataFrame({
    "date": pd.to_datetime(["2023-01-01 12:34:56", "2023-01-02 13:45:01", "2023-01-03 14:56:02", "2023-01-04 15:07:03"]),
    "value": [10, 20, 30, 40]
})

# 分を数値に変換
df['minute_int'] = df['date'].dt.minute

# 結果
#    date  value  minute_int
# 0  2023-01-01   10        34
# 1  2023-01-02   20        45
# 2  2023-01-03   30        56
# 3  2023-01-04   40        07

分を0から5