閉じる

Pandasでデータを自在に操る！条件抽出の基本から効率的な複数条件指定まで解説

広告

Pythonのデータ分析ライブラリであるPandasは、現代のデータサイエンスや業務効率化において欠かせないツールです。

膨大なデータの中から必要な情報だけを素早く、かつ正確に取り出す「条件抽出」は、データ分析の工程において最も頻繁に行われる操作の一つです。

本記事では、Pandasを用いた条件抽出の基本から、実務で役立つ応用テクニック、さらにはコードの可読性や処理速度を向上させるためのヒントまで、具体例を交えて詳しく解説します。

目次 [ close ]
  1. Pandasにおける条件抽出の重要性
  2. 基本的な条件抽出：ブールインデックス参照
    1. 比較演算子を用いた抽出
    2. 複数条件の組み合わせ（AND/OR/NOT）
  3. .loc を用いた行と列の同時抽出
  4. より直感的に記述する：query() メソッド
    1. query() の基本構文
    2. 変数を利用した動的な抽出
  5. 特定のパターンや範囲で抽出する便利なメソッド
    1. isin() によるリスト内検索
    2. between() による範囲指定
    3. 文字列操作を伴う抽出（str.contains など）
  6. 欠損値（NaN）の扱いとフィルタリング
  7. 日付データの条件抽出
  8. パフォーマンスを意識した条件抽出のコツ
  9. まとめ

Pandasにおける条件抽出の重要性

データ分析の現場では、数万行から数億行に及ぶデータフレームを扱うことが珍しくありません。

その中から「特定の売上以上のデータ」や「特定の期間内のログ」を抽出する作業は、分析の精度を左右する重要なステップです。

Pandasには条件抽出を行うための方法が複数用意されています。

シンプルな記述で済むものから、複雑な条件を高速に処理できるものまで多岐にわたるため、状況に応じて最適な手法を選択することが、保守性の高いコードを書くための第一歩となります。

基本的な条件抽出：ブールインデックス参照

Pandasで最も一般的、かつ直感的な抽出方法が「ブールインデックス（Boolean Indexing）」を利用する方法です。

これは、各行が条件を満たすかどうかを真偽値（True/False）で判定し、Trueの行だけを抽出する仕組みです。

比較演算子を用いた抽出

まずは、数値の大小比較や一致・不一致を確認する基本的な手法を見ていきましょう。

Python
import pandas as pd

# サンプルデータの作成
data = {
    '名前': ['田中', '佐藤', '鈴木', '高橋', '田中'],
    '年齢': [25, 32, 18, 45, 29],
    '売上': [150, 300, 120, 500, 210],
    '部署': ['営業', '技術', '営業', '総務', '技術']
}
df = pd.DataFrame(data)

# 年齢が30歳以上の行を抽出
result = df[df['年齢'] >= 30]
print(result)
実行結果
   名前  年齢   売上  部署
1  佐藤  32  300  技術
3  高橋  45  500  総務

この例では、df['年齢'] >= 30 という記述によって、各行が30以上であれば True、そうでなければ False となるシリーズが生成されます。

これをデータフレームの [] に渡すことで、条件に合致するデータのみをフィルタリングしています。

複数条件の組み合わせ（AND/OR/NOT）

実務では「25歳以上、かつ、売上が200以上」といった複数の条件を組み合わせるケースが多くあります。

この場合、以下のビット演算子を使用します。

  • & (AND)：すべての条件を満たす
  • | (OR)：いずれかの条件を満たす
  • ~ (NOT)：条件を満たさない

ここで注意が必要なのは、各条件式を必ず半角の括弧 () で囲む必要がある点です。

これは、Pythonの演算子の優先順位において、比較演算子よりもビット演算子の方が優先されるために起こるエラーを防ぐためです。

Python
# 年齢が25歳以上、かつ売上が200以上のデータを抽出
condition = (df['年齢'] >= 25) & (df['売上'] >= 200)
result = df[condition]
print(result)
実行結果
   名前  年齢   売上  部署
1  佐藤  32  300  技術
3  高橋  45  500  総務
4  田中  29  210  技術

.loc を用いた行と列の同時抽出

ブールインデックスは便利ですが、特定の行を抽出しつつ、「特定の列だけを表示したい」という場合には .loc を使用するのがスマートです。

Python
# 営業部の人の「名前」と「売上」だけを抽出
result = df.loc[df['部署'] == '営業', ['名前', '売上']]
print(result)
実行結果
   名前   売上
0  田中  150
2  鈴木  120

.loc[行の条件, 列の指定] という構造になっており、データの参照が非常に明確になります。

また、df[df['A'] > 0]['B'] のように二段階で記述する（連鎖インデックス）と、メモリのコピーが発生したり、警告（SettingWithCopyWarning）の原因になったりすることがあるため、値の書き換えを伴う抽出では .loc の使用が推奨されます。

より直感的に記述する：query() メソッド

複雑な条件式を書く際、ブールインデックスではデータフレーム名（df）を何度も記述する必要があり、コードが冗長になりがちです。

これを解決するのが query() メソッドです。

query() の基本構文

query() では、条件を文字列として記述します。

Python
# queryメソッドによる抽出
result = df.query('年齢 > 30 and 部署 == "技術"')
print(result)
実行結果
   名前  年齢   売上  部署
1  佐藤  32  300  技術

このメソッドのメリットは、圧倒的な読みやすさにあります。

また、内部的に最適化されたライブラリ（NumExpr）を使用することがあるため、非常に大きなデータフレームを扱う際には、通常のブールインデックスよりも高速に動作する場合があります。

変数を利用した動的な抽出

プログラムの中で定義した変数を使って抽出したい場合は、文字列の中で @ 記号を頭に付けます。

Python
target_age = 30
# 外部変数を参照して抽出
result = df.query('年齢 >= @target_age')
print(result)

このように、@ を使うことで動的なクエリ発行が容易になり、スクリプトの柔軟性が高まります。

特定のパターンや範囲で抽出する便利なメソッド

数値の大小比較だけでなく、リストに含まれているか、特定の範囲内か、といった判定が必要なシーンも多いでしょう。

Pandasにはそれらを簡潔に記述するための専用メソッドが備わっています。

isin() によるリスト内検索

「部署が『営業』または『技術』のデータを抽出したい」という場合、== を or でつなげるよりも、isin() を使う方が効率的です。

Python
# 指定したリストのいずれかに合致するか確認
target_depts = ['営業', '技術']
result = df[df['部署'].isin(target_depts)]
print(result)
実行結果
   名前  年齢   売上  部署
0  田中  25  150  営業
1  佐藤  32  300  技術
2  鈴木  18  120  営業
4  田中  29  210  技術

抽出対象となるリストを外部から与えることができるため、設定ファイルやGUIからの入力をそのまま反映させる処理と相性が良いのが特徴です。

between() による範囲指定

「年齢が20歳から40歳の間」といった範囲指定には、between() が便利です。

Python
# 20歳以上、40歳以下の行を抽出（両端を含む）
result = df[df['年齢'].between(20, 40)]
print(result)

デフォルトでは境界値（20と40）を含みますが、引数 inclusive を調整することで、「境界を含めない」といった制御も可能です。

文字列操作を伴う抽出（str.contains など）

文字列データに対して、「〜を含む」「〜で始まる」といった条件を設定したい場合は、str アクセサを利用します。

Python
# 名前の中に「田」が含まれる人を抽出
result = df[df['名前'].str.contains('田')]
print(result)
実行結果
   名前  年齢   売上  部署
0  田中  25  150  営業
4  田中  29  210  技術

str.contains() は正規表現もサポートしているため、「特定のパターンに合致するIDを抽出する」といった高度なテキスト処理も可能です。

ただし、欠損値（NaN）が含まれている列に対して実行するとエラーになるか、結果が不定になる可能性があるため注意が必要です。

欠損値（NaN）の扱いとフィルタリング

実データには、値が入っていない欠損値（NaN: Not a Number）が含まれることが多々あります。

欠損値がある行を除外したり、逆に欠損値がある行だけを確認したりするには、isna() や notna() を使用します。

Python
import numpy as np

# サンプルデータに欠損値を混入
df.loc[0, '売上'] = np.nan

# 売上が欠損している行を抽出
nan_data = df[df['売上'].isna()]
print("--- 欠損あり ---")
print(nan_data)

# 売上が欠損していない行を抽出
valid_data = df[df['売上'].notna()]
print("--- 欠損なし ---")
print(valid_data)
実行結果
--- 欠損あり ---
   名前  年齢  売上  部署
0  田中  25 NaN  営業
--- 欠損なし ---
   名前  年齢     売上  部署
1  佐藤  32  300.0  技術
2  鈴木  18  120.0  営業
3  高橋  45  500.0  総務
4  田中  29  210.0  技術

データクレンジングのフェーズでは、これらのメソッドを用いて「不正なデータを弾く」処理が必須となります。

日付データの条件抽出

日付データを含むデータフレームの場合、単なる文字列比較ではなく、Pandasの datetime 型として扱うことで、より強力な抽出が可能になります。

Python
# 日付データの作成
df['日付'] = pd.to_datetime(['2026-01-01', '2026-02-15', '2026-03-10', '2026-04-05', '2026-05-20'])

# 2026年3月以降のデータを抽出
result = df[df['日付'] >= '2026-03-01']
print(result)

Pandasは賢く、文字列形式の日付（’2026-03-01’）を自動的に比較可能な形式に解釈してくれます。

さらに、dt アクセサを使えば、「特定の月だけ」「週末だけ」といった抽出も容易です。

パフォーマンスを意識した条件抽出のコツ

データサイズが数GBを超えるような大規模な分析では、抽出の仕方が処理時間に大きく影響します。

以下のポイントを意識しましょう。

  1. ベクトル化演算を維持する
    Pythonの for 文を使って一行ずつ判定するのは極めて低速です。今回紹介したように、Pandasの標準的なメソッド（ベクトル化演算）を使用することが、最速の道です。


  2. 抽出後のコピーに注意
    大きなデータフレームから一部を抽出して新しい変数に代入する場合、メモリを節約したいなら copy() を明示的に使うか検討してください。元のデータフレームを参照し続けると、意図しないメモリ保持が発生することがあります。


  3. インデックスの活用
    特定の値を頻繁に検索する場合は、その列を set_index() でインデックスに設定しておくと、検索速度が飛躍的に向上します。


まとめ

Pandasでの条件抽出は、単に「データを絞り込む」だけではなく、データの構造を理解し、クリーンな状態で分析に回すための基盤技術です。

本記事で解説した以下のポイントを使い分けましょう。

  • シンプルな条件ならブールインデックス
  • 複数条件や読みやすさ重視ならquery()
  • 特定の列も同時に選びたいなら.loc
  • 欠損値や特定のリスト、範囲を扱うなら専用メソッド（isin, between, isna）

条件抽出をマスターすれば、データの海から価値ある洞察を掘り出すスピードが劇的に向上します。

ぜひ、ご自身のプロジェクトや日々の業務でもこれらのテクニックを活用してみてください。

さらなる応用として、条件に基づいて値を代入する np.where() との組み合わせなども学習すると、より複雑なデータ加工に対応できるようになります。

Pandasの機能をフル活用して、データ分析の生産性を高めていきましょう。

URLをコピーしました！