# Pythonでの文字列生成 
Pythonでの文字列生成の方法はいくつか存在します。 
・+演算子による結合 
・join()メソッドの利用 
・format()メソッドの利用 
・フォーマット済み文字列リテラル（f-string、f文字列）の利用 
ここでは各手法を簡単に紹介します。 
 
 
# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
 
 

# +演算子による結合 
+演算子を用いて文字列の変数および文字列リテラルを結合することが可能です。 

```python
if __name__ == '__main__':
 print('文字列' + '結合')
 # 文字列結合

 a = '文字列'
 b = '結合'
 print(a+b)
 # 文字列結合

```

整数型など文字列以外の値が含まれている場合エラーになるので注意が必要です。 
str()をつけてキャストすることで、結合可能になります。 

```python
if __name__ == '__main__':
 for i in range(3):
 print(str(i) + '回目です')
 # 0回目です
 # 1回目です
 # 2回目です

 for i in range(3):
 print(i + '回目です')
 # TypeError: unsupported operand type(s) for +: 'int' and 'str'

```

また、+演算子を用いず文字列リテラルを並べて記述するだけでも結合可能です。

```python
if __name__ == '__main__':
 test = 'test''test'
 print(test)
 # testtest

 # スペースが入っていてもOK
 test2 = 'test' 'test'
 print(test2)
 # testtest

```
 
 
# join()メソッドの利用
[str.join(iterable)](https://docs.python.org/ja/3.10/library/stdtypes.html#str.join "str.join(iterable)")を用いることで文字列のリスト等を結合することが可能です。 
'区切り文字'.join(iterable)の様に利用し、iterableは文字列のリストやtupleなどが利用可能です。

```python
if __name__ == '__main__':
 temp_list = ['join', 'テスト', 'python']
 print(','.join(temp_list))
 # join,テスト,python

 temp_list = ['join', 'テスト', 'python']
 print('_'.join(temp_list))
 # join_テスト_python

 temp_list = ['join', 'テスト', 'python']
 print('かつ'.join(temp_list))
 # joinかつテストかつpython

 temp_tuple = ('join', 'テスト', 'python')
 print(','.join(temp_tuple))
 # join,テスト,python

```

文字列以外の型が含まれる場合はエラーとなってしまうので、リスト内方表記などを使って文字列型に変換することでjoin()を使用することが可能です。

```python
if __name__ == '__main__':
 temp_list = [1, 2, 3]
 print(','.join([str(t) for t in temp_list]))

```
 
 
# format()メソッドの利用 
文字列内に置換フィールド{}を組み込み、[str.format(*args, **kwargs)](https://docs.python.org/ja/3.10/library/stdtypes.html#str.format "str.format(*args, **kwargs)")を使用することでformat()の引数で指定した値に置き換えることが可能です。 

```python
if __name__ == '__main__':
 print('{}回目のテストです'.format(10))
 # 10回目のテストです

 print('{}回目の{}です'.format(10, 'テスト'))
 # 10回目のテストです

```

関連記事：[Pythonでformatメソッドを用いた書式の指定](https://hachidev.com/posts/python-format "Pythonでformatメソッドを用いた書式の指定")
 
 
# フォーマット済み文字列リテラル（f-string、f文字列）の利用
Pythonではバージョン3.6よりフォーマット済み文字列リテラル(f-string)というものが追加されています。 
接頭辞 'f' または 'F'を付けることで、文字列の中に変数や式などを組み込んで記載することが可能です。 
[https://docs.python.org/ja/3.10/tutorial/inputoutput.html#tut-f-strings](https://docs.python.org/ja/3.10/tutorial/inputoutput.html#tut-f-strings "7.1.1. フォーマット済み文字列リテラル") 
[https://docs.python.org/ja/3.10/reference/lexical_analysis.html#f-strings](https://docs.python.org/ja/3.10/reference/lexical_analysis.html#f-strings "2.4.3. フォーマット済み文字列リテラル")

```python
if __name__ == '__main__':
 print(f'{1}と{3}は奇数です')
 # 1と3は奇数です

 a = '奇数'
 print(f'{1}と{3}は{a}です')
 # 1と3は奇数です

 x = 10
 y = 20
 print(f'{x}+{y}={x+y}')
 # 10+20=30

 print(f'{x=}と{y=}の和は{x + y=}です')
 # x=10とy=20の和はx + y=30です

```

関連記事：[Pythonのフォーマット済み文字列リテラル（f-string、f文字列）](https://hachidev.com/posts/python-f-string "Pythonのフォーマット済み文字列リテラル（f-string、f文字列）")

python-logo-master-v3-TM

Pythonの文字列生成まとめ

# str.format()メソッド
文字列strには[str.format(*args, **kwargs)](https://docs.python.org/ja/3.10/library/stdtypes.html#str.format "str.format(*args, **kwargs)")メソッドが用意されており、文字列の書式を指定することが可能です。
 
 

# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
 
 

# 基本的な使い方
文字列内に置換フィールド{}を組み込み、format()を使用することでformat()の引数で指定した値に置き換えることが可能です。 
置換フィールド{}と引数の数が一致していれば複数利用も可能です。 

```python
if __name__ == '__main__':
 print('{}回目のテストです'.format(10))
 # 10回目のテストです

 print('{}回目の{}です'.format(10, 'テスト'))
 # 10回目のテストです

```

引数の数が足りていない場合は、下記の様にエラーが発生します。 
また、引数が多い場合は無視されます。

```python
if __name__ == '__main__':
 print('{}回目の{}です'.format(10, 'テスト', 100))
 # 10回目のテストです

 print('{}回目の{}です'.format(10))
 # IndexError: Replacement index 1 out of range for positional args tuple

```
 
 

# 使用する引数の指定
## 整数を使って指定
置換フィールド{}内に整数値を指定することで使用する引数を指定することが出来ます。同じ引数を複数回使用することも可能です。

```python
if __name__ == '__main__':
 print('{0}回目の{1}です。{2}回目の{1}でNGがありました'.format(10, 'テスト', 5))
 # 10回目のテストです。5回目のテストでNGがありました

```
 
## 名前を使って指定
置換フィールド{}とformat()の引数に名前を指定することで使用する引数を指定することが出来ます。整数の時同様、同じ引数を複数回使用することも可能です。

```python
if __name__ == '__main__':
 print('{num1}回目の{st}です。{ng}回目の{st}でNGがありました'.format(num1=10, st='テスト', ng=5))
 # 10回目のテストです。5回目のテストでNGがありました

```
 
# 書式の指定
「:」を用いて書式指定をすることが可能です。 
上記に記載の通り名前を使って使用する引数の指定も可能です。
 
## 0埋め

```python
if __name__ == '__main__':
 for i in range(3):
 print('{:08}回目です'.format(i))
 # 00000000回目です
 # 00000001回目です
 # 00000002回目です

 # 名前を使って指定
 for i in range(3):
 print('{num:08}回目です'.format(num=i))
 # 00000000回目です
 # 00000001回目です
 # 00000002回目です

```
 
## 桁区切り

```python
if __name__ == '__main__':
 for i in range(3):
 print('{:,}回目です'.format(i+1000))
 # 1,000回目です
 # 1,001回目です
 # 1,002回目です

 # 名前を使って指定
 for i in range(3):
 print('{num:,}回目です'.format(num=i + 1000))
 # 1,000回目です
 # 1,001回目です
 # 1,002回目です

```
 
## 小数点以下の桁数指定

```python
if __name__ == '__main__':
 for i in range(1,3):
 print('{:.3f}回目です'.format(i/100))
 # 0.010回目です
 # 0.020回目です

 # 名前を使って指定
 for i in range(1, 3):
 print('{num:.3f}回目です'.format(num=i / 100))
 # 0.010回目です
 # 0.020回目です

```
 
## 幅指定（自動、左寄せ、中央寄せ、右寄せ）

```python
if __name__ == '__main__':
 x = 10
 y = 20
 # 自動設定
 print('{x:5}と{y:10}の和は{sum}です'.format(x=x, y=y, sum=x+y))
 # 10と 20の和は30です

 # 左寄せ
 print('{x:<5}と{y:<10}の和は{sum}です'.format(x=x, y=y, sum=x+y))
 # 10 と20 の和は30です

 # 中央寄せ
 print('{x:^5}と{y:^10}の和は{sum}です'.format(x=x, y=y, sum=x+y))
 # 10 と 20 の和は30です

 # 右寄せ
 print('{x:>5}と{y:>10}の和は{sum}です'.format(x=x, y=y, sum=x+y))
 # 10と 20の和は30です
```

Pythonでformatメソッドを用いた書式の指定

# フォーマット済み文字列リテラル（f-string、f文字列）について
Pythonではバージョン3.6よりフォーマット済み文字列リテラル(f-string)というものが追加されています。 
接頭辞 'f' または 'F'を付けることで、文字列の中に変数や式などを組み込んで記載することが可能になります。 
[7.1.1. フォーマット済み文字列リテラル](https://docs.python.org/ja/3.10/tutorial/inputoutput.html#tut-f-strings "7.1.1. フォーマット済み文字列リテラル") 
[2.4.3. フォーマット済み文字列リテラル](https://docs.python.org/ja/3.10/reference/lexical_analysis.html#f-strings "2.4.3. フォーマット済み文字列リテラル")
 
 
# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
numpy：1.24.3 
 
 

# 基本的な使い方
文字列に接頭辞 'f' または 'F'を付け、変数を{}で囲んで記載するだけです。 
整数型など文字列以外の型や変数、式を使用したりすることが可能です。 
{変数=}と記述することで、変数名も一緒に出力してくれます。

```python
if __name__ == '__main__':
 print(f'{1}と{3}は奇数です')
 # 1と3は奇数です

 a = '奇数'
 print(f'{1}と{3}は{a}です')
 # 1と3は奇数です

 x = 10
 y = 20
 print(f'{x}+{y}={x+y}')
 # 10+20=30

 print(f'{x=}と{y=}の和は{x + y=}です')
 # x=10とy=20の和はx + y=30です

```
 
 

# 書式設定
{}内でコロンを用いることで文字列の書式を指定することも可能です。

## 0埋め

```python
if __name__ == '__main__':
 for i in range(3):
 print(f'{i:08}回目です')
 # 00000000回目です
 # 00000001回目です
 # 00000002回目です

```
 
## 桁区切り

```python
if __name__ == '__main__':
 for i in range(3):
 print(f'{i+1000:,}回目です')
 # 1,000回目です
 # 1,001回目です
 # 1,002回目です

```
 
## 小数点以下の桁数指定

```python
if __name__ == '__main__':
 for i in range(1,3):
 print(f'{i/100:.3f}回目です')
 # 0.010回目です
 # 0.020回目です

```
 
## 幅指定（自動、左寄せ、中央寄せ、右寄せ）

```python
if __name__ == '__main__':
 x = 10
 y = 20
 # 自動設定
 print(f'{x=:5}と{y=:10}の和は{x + y=}です')
 # x= 10とy= 20の和はx + y=30です

 # 左寄せ
 print(f'{x=:<5}と{y=:<10}の和は{x + y=}です')
 # x=10 とy=20 の和はx + y=30です

 # 中央寄せ
 print(f'{x=:^5}と{y=:^10}の和は{x + y=}です')
 # x= 10 とy= 20 の和はx + y=30です

 # 右寄せ
 print(f'{x=:>5}と{y=:>10}の和は{x + y=}です')
 # x= 10とy= 20の和はx + y=30です

```

Pythonのフォーマット済み文字列リテラル（f-string、f文字列）

# NumPyとは 
NumPyはPythonで数値計算を効率的に行うためのライブラリです。 
[NumPy ドキュメント](https://numpy.org/doc/stable/index.html "NumPy ドキュメント") 

配列や行列データを扱うことができ、それらを操作するためのメソッドが多く用意されています。 
また、リストに比べメモリ使用量が少なく処理も高速なため大量データの処理にも適しています。 

```bin
pip install numpy
```

または

```bin
conda install numpy
```
でインストールが可能です。

 
 
# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
numpy：1.24.3 
 
 

# NumPy配列の作成 
## リストから作成 
[numpy.array()](https://numpy.org/doc/1.24/reference/generated/numpy.array.html "numpy.array()")メソッドにリストを渡すことでNumPy配列を作成することが可能です。 

```python
import numpy as np

if __name__ == '__main__':
 # 1次元のNumPy配列作成
 arr_1d = np.array([0,1,2,3])
 print(arr_1d)
 # [0 1 2 3]

 # 2次元のNumPy配列作成
 arr_2d = np.array([[0,1,2,3],[4,5,6,7]])
 print(arr_2d)
 # [[0 1 2 3]
 # [4 5 6 7]]
```

print文で出力するだけでは分かりにくいですが、Pycharmの変数ビューアで確認すると下記の様にndarrayが作成されていることが確認できます。 

![numpy_ndarray](//images.ctfassets.net/g03afh073hzw/5m6U68WGgWhe4zA5bb9bmG/e1f08cb78b1bdb67eb1f104555aeeca5/image.png)

## numpy.arange()を利用して作成 
引数に開始値(start)、終了値(stop)、間隔(step)を指定することが可能な[numpy.arange()](https://numpy.org/doc/1.24/reference/generated/numpy.arange.html "numpy.arange()")メソッドを利用することで連番配列や等差数列を作成することが可能です。 
np.arange(終了値)：0～(終了値-1)までの連番配列作成 
np.arange(開始値, 終了値)：(開始値)～(終了値-1)までの連番配列作成 
np.arange(開始値, 終了値, 間隔)：(開始値)～(終了値-1)までの等差数列作成 

```python
import numpy as np

if __name__ == '__main__':
 # 連番配列作成(np.arange(終了値))
 arr_1d_1 = np.arange(10)
 print(arr_1d_1)
 # [0 1 2 3 4 5 6 7 8 9]

 # 連番配列作成(np.arange(開始値, 終了値))
 arr_1d_2 = np.arange(5, 10)
 print(arr_1d_2)
 # [5 6 7 8 9]

 # 等差数列作成(np.arange(開始値, 終了値, 間隔))
 arr_1d_3 = np.arange(2, 10, 2)
 print(arr_1d_3)
 # [2 4 6 8]

 # 等差数列作成(np.arange(開始値, 終了値, 間隔))
 # 小数も指定可能
 arr_1d_f = np.arange(0.2, 1, 0.2)
 print(arr_1d_f)
 # [0.2 0.4 0.6 0.8]
```

## numpy.linspace()を利用して作成 
[numpy.arange()](https://numpy.org/doc/1.24/reference/generated/numpy.arange.html "numpy.arange()")メソッドと似たような関数に[numpy.linspace()](https://numpy.org/doc/1.24/reference/generated/numpy.linspace.html "numpy.linspace()")メソッドがあり、同様に配列を生成することが可能です。 
numpy.arange()と違い、間隔ではなく要素数を指定することで配列を生成することが出来ます。 

```python
import numpy as np

if __name__ == '__main__':
 # 等差数列作成(np.linspace(開始値, 終了値, 要素数))
 arr_1d_1 = np.linspace(1, 10, 4)
 print(arr_1d_1)
 # [ 1. 4. 7. 10.]

 # 等差数列作成(np.linspace(開始値, 終了値, 要素数))
 arr_1d_2 = np.linspace(1, 10, 10)
 print(arr_1d_2)
 # [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]

 # 等差数列作成(np.linspace(開始値, 終了値, 要素数))
 # 開始値 > 終了値とした場合も対応可能です
 arr_1d_3 = np.linspace(10, 1, 10)
 print(arr_1d_3)
 # [10. 9. 8. 7. 6. 5. 4. 3. 2. 1.]
```

numpylogo

【NumPy】NumPy配列の作成

# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
pandas：1.5.3 
データセット：scikit-learnのirisを使用(scikit-learnは1.2.2) 

# データセットの準備 
前回と同じirisデータセットを使用して動作を確認していきます。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 print(df.head())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # [5 rows x 5 columns]
``` 
 
 
# replaceを使用した要素の置換
pandas.DataFrame、pandas.Seriesにはreplace()メソッドが用意されており、これを用いることで要素の置換を行うことが可能です。 
[pandas.Series.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.Series.replace.html "pandas.Series.replace") 
[pandas.DataFrame.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.replace.html "pandas.DataFrame.replace")

irisデータセットではtargetに0、1、2が設定されておりこれらはそれぞれsetosa、versicolor、virginicaを表しています。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 print(load_iris(as_frame=True).target_names)
 # ['setosa' 'versicolor' 'virginica']
``` 

今回は0、1、2をsetosa、versicolor、virginicaに変換してみます。 
replace()メソッドは 
replace('元の値', '置換後の値') 
で置換することが可能です。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 最後の5行表示
 print(df.tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [5 rows x 5 columns]

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 # for文を使用して花の種類を順番に置換
 for i, t in enumerate(target_name):
 df = df.replace(i, t)
 # 最後の5行表示
 print(df.tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... virginica virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # 
 # [5 rows x 5 columns]

 # target列をSeriesとして抽出
 s = df['target']
 # for文を使用して花の種類を順番に置換
 for i, t in enumerate(target_name):
 s = s.replace(i, t)
 # 最初の5行表示
 print(s.head())
 # 0 setosa
 # 1 setosa
 # 2 setosa
 # 3 setosa
 # 4 setosa
 # Name: target, dtype: object

 # 最後の5行表示
 print(s.tail())
 # 145 virginica
 # 146 virginica
 # 147 virginica
 # 148 virginica
 # 149 virginica
 # Name: target, dtype: object
``` 

引数に{'元の値':'置換後の値'}の様な辞書型データを渡すことでも同様に置換が可能です。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 最後の5行表示
 print(df.tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [5 rows x 5 columns]

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 print(df.replace({0:target_name[0], 1:target_name[1], 2:target_name[2]}).tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... virginica virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # 
 # [5 rows x 5 columns]
``` 

しかしいずれの場合も上記の様に全列が置換対象となってしまいます。 
{対象の列名:{'元の値':'置換後の値'}}という辞書型データを渡すことで特定の列のみを対象としてい置換することが可能です。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 最後の5行表示
 print(df.tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [5 rows x 5 columns]

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 print(df.replace({'target':{0:target_name[0], 1:target_name[1], 2:target_name[2]}}).tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... 2.0 virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # 
 # [5 rows x 5 columns]
``` 

また、[pandas.Series.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.Series.replace.html "pandas.Series.replace")、[pandas.DataFrame.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.replace.html "pandas.DataFrame.replace")には引数inplaceが用意されており、Trueを設定することで元のDataFrameをそのまま置換することが可能です。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 最後の5行表示
 print(df.tail())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [5 rows x 5 columns]

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 # inplaceがFalse（デフォルト値）の場合
 df.replace({'target': {0: target_name[0], 1: target_name[1], 2: target_name[2]}})
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # [150 rows x 5 columns]

 # inplaceがTrueの場合
 df.replace({'target': {0: target_name[0], 1: target_name[1], 2: target_name[2]}}, inplace=True)
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # [150 rows x 5 columns]

``` 

 
 
# 正規表現を使って置換
[pandas.Series.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.Series.replace.html "pandas.Series.replace") 
[pandas.DataFrame.replace](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.replace.html "pandas.DataFrame.replace")には引数regexが用意されており、Trueを設定することで正規表現を使用した置換が可能となります。 
replaceは完全一致した値しか置換されないため正規表現を使用しない場合、例えば下記の様に置換が行われません。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 df.replace({'target': {0: target_name[0], 1: target_name[1], 2: target_name[2]}}, inplace=True)
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 setosa
 # 1 4.9 3.0 ... 0.2 setosa
 # 2 4.7 3.2 ... 0.2 setosa
 # 3 4.6 3.1 ... 0.2 setosa
 # 4 5.0 3.6 ... 0.2 setosa
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... 2.0 virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # [150 rows x 5 columns]

 print(df.replace({'target':{'set':'SET'}}))
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 setosa
 # 1 4.9 3.0 ... 0.2 setosa
 # 2 4.7 3.2 ... 0.2 setosa
 # 3 4.6 3.1 ... 0.2 setosa
 # 4 5.0 3.6 ... 0.2 setosa
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... 2.0 virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # [150 rows x 5 columns]

``` 

正規表現を使うと部分的な置換も可能です。試しに「t(任意の文字列)s」を「TTT」に変換するという処理を実行してみると下記の様になります。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 花の種類をリストで取得
 target_name = load_iris(as_frame=True).target_names

 df.replace({'target': {0: target_name[0], 1: target_name[1], 2: target_name[2]}}, inplace=True)
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 setosa
 # 1 4.9 3.0 ... 0.2 setosa
 # 2 4.7 3.2 ... 0.2 setosa
 # 3 4.6 3.1 ... 0.2 setosa
 # 4 5.0 3.6 ... 0.2 setosa
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... 2.0 virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # [150 rows x 5 columns]

 print(df.replace('t.s', 'TTT', regex = True).head())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 seTTTa
 # 1 4.9 3.0 ... 0.2 seTTTa
 # 2 4.7 3.2 ... 0.2 seTTTa
 # 3 4.6 3.1 ... 0.2 seTTTa
 # 4 5.0 3.6 ... 0.2 seTTTa
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 virginica
 # 146 6.3 2.5 ... 1.9 virginica
 # 147 6.5 3.0 ... 2.0 virginica
 # 148 6.2 3.4 ... 2.3 virginica
 # 149 5.9 3.0 ... 1.8 virginica
 # [150 rows x 5 columns]

``` 

 
 
# Nanの置換
実データにおいて欠損値が含まれているケースは多々あります。そのような場合はreplace()を使わず[pandas.DataFrame.fillna](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.fillna.html "pandas.DataFrame.fillna")を使用することで簡単に欠損値を変換することが出来ます。 
irisデータセットにはNanが含まれていないため、意図的にデータを変換の上fillnaを実行してみます。 
特定の値をnp.nanへ置換すればOKです。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 3.0をNanへ置換
 df.replace(3.0, np.nan, inplace=True)
 # 0.2をNanへ置換
 df.replace(0.2, np.nan, inplace=True)
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... NaN 0
 # 1 4.9 NaN ... NaN 0
 # 2 4.7 3.2 ... NaN 0
 # 3 4.6 3.1 ... NaN 0
 # 4 5.0 3.6 ... NaN 0
 # .. ... ... ... ... ...
 # 145 6.7 NaN ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 NaN ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 NaN ... 1.8 2
 # [150 rows x 5 columns]

 # Nanを1.0へ置換（穴埋め）
 df.fillna(1.0, inplace=True)
 print(df)
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 1.0 0
 # 1 4.9 1.0 ... 1.0 0
 # 2 4.7 3.2 ... 1.0 0
 # 3 4.6 3.1 ... 1.0 0
 # 4 5.0 3.6 ... 1.0 0
 # .. ... ... ... ... ...
 # 145 6.7 1.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 1.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 1.0 ... 1.8 2
 # [150 rows x 5 columns]

```

pandas

pandas.DataFrame、pandas.Seriesの要素を置換する

# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
pandas：1.5.3 
データセット：scikit-learnのirisを使用(scikit-learnは1.2.2) 
 
 

# データセットの準備 
前回までと同じirisデータセットを使用して動作を確認していきます。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 print(df.head())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # [5 rows x 5 columns]
``` 
 
 
# booleanのリストを使用したデータ抽出
pandas.DataFrame、pandas.Seriesは共に[]に[True, False]の様なbooleanのリストを渡すことで特定の行（Trueが指定された行）を抽出することが可能です。 
例えば、下記の様に[True, False, True, False, ・・・]というリストを渡すことで偶数行のデータを抽出することが出来ます。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # sepal length (cm)列をSeriesとして抽出
 s = df['sepal length (cm)']

 # TrueとFalseが交互に存在するリストを作成
 bool_list = [True, False]*int(len(df)/2)

 # データフレームから偶数行のみ抽出
 print(df[bool_list])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # 6 4.6 3.4 ... 0.3 0
 # 8 4.4 2.9 ... 0.2 0
 # .. ... ... ... ... ...
 # 140 6.7 3.1 ... 2.4 2
 # 142 5.8 2.7 ... 1.9 2
 # 144 6.7 3.3 ... 2.5 2
 # 146 6.3 2.5 ... 1.9 2
 # 148 6.2 3.4 ... 2.3 2
 # 
 # [75 rows x 5 columns]

 # seriesから偶数行のみ抽出
 print(s[bool_list])
 # 0 5.1
 # 2 4.7
 # 4 5.0
 # 6 4.6
 # 8 4.4
 # ... 
 # 140 6.7
 # 142 5.8
 # 144 6.7
 # 146 6.3
 # 148 6.2
 # Name: sepal length (cm), Length: 75, dtype: float64
``` 

また、pandas.DataFrame、pandas.Seriesでは比較演算子を使うことで条件に合致する行のみをTrueとして取得することが可能です。 
これを使って「sepal length (cm)が5より大きいデータ」を抽出してみます。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # sepal length (cm)列をSeriesとして抽出
 s = df['sepal length (cm)']

 # Dataframeからsepal length (cm)が5より大きいデータを選択
 print(df['sepal length (cm)'] > 5)
 # 0 True
 # 1 False
 # 2 False
 # 3 False
 # 4 False
 # ... 
 # 145 True
 # 146 True
 # 147 True
 # 148 True
 # 149 True
 # Name: sepal length (cm), Length: 150, dtype: bool

 # seriesからsepal length (cm)が5より大きいデータを選択
 print(s > 5)
 # 0 True
 # 1 False
 # 2 False
 # 3 False
 # 4 False
 # ... 
 # 145 True
 # 146 True
 # 147 True
 # 148 True
 # 149 True
 # Name: sepal length (cm), Length: 150, dtype: bool

 # 上記のリストを使ってDataframeからsepal length (cm)が5より大きいデータのみ抽出
 print(df[df['sepal length (cm)'] > 5])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 5 5.4 3.9 ... 0.4 0
 # 10 5.4 3.7 ... 0.2 0
 # 14 5.8 4.0 ... 0.2 0
 # 15 5.7 4.4 ... 0.4 0
 # .. ... ... ... ... ...
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [118 rows x 5 columns]

 # 上記のリストを使ってseriesからsepal length (cm)が5より大きいデータのみ抽出
 print(s[s > 5])
 # 0 5.1
 # 5 5.4
 # 10 5.4
 # 14 5.8
 # 15 5.7
 # ... 
 # 145 6.7
 # 146 6.3
 # 147 6.5
 # 148 6.2
 # 149 5.9
 # Name: sepal length (cm), Length: 118, dtype: float64
``` 

下記の様に「&」「|」を使用することで複数条件を指定することも可能です。 
各条件を()で括らないとエラーとなるので注意が必要です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # Dataframeからsepal length (cm)が5より大きく5.5より小さいデータのみ抽出
 print(df[(df['sepal length (cm)'] > 5) & (df['sepal length (cm)'] < 5.5)])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 5 5.4 3.9 ... 0.4 0
 # 10 5.4 3.7 ... 0.2 0
 # 16 5.4 3.9 ... 0.4 0
 # 17 5.1 3.5 ... 0.3 0
 # 19 5.1 3.8 ... 0.3 0
 # 20 5.4 3.4 ... 0.2 0
 # 21 5.1 3.7 ... 0.4 0
 # 23 5.1 3.3 ... 0.5 0
 # 27 5.2 3.5 ... 0.2 0
 # 28 5.2 3.4 ... 0.2 0
 # 31 5.4 3.4 ... 0.4 0
 # 32 5.2 4.1 ... 0.1 0
 # 39 5.1 3.4 ... 0.2 0
 # 44 5.1 3.8 ... 0.4 0
 # 46 5.1 3.8 ... 0.2 0
 # 48 5.3 3.7 ... 0.2 0
 # 59 5.2 2.7 ... 1.4 1
 # 84 5.4 3.0 ... 1.5 1
 # 98 5.1 2.5 ... 1.1 1
 # 
 # [20 rows x 5 columns]

``` 
 
 
# queryを使用したデータ抽出
[pandas.DataFrame.query](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.query.html "pandas.DataFrame.query")を使用することでも条件を指定してデータ抽出を行うことが可能です。 
ただしpandas.DataFrame.queryはpandas.DataFrameのみで使用可能です。 
普通はquery('5 < 列名')の様な使い方をしますが、今回は列名に空白が入っているためそのままだとエラーが発生します。 
今回のデータの様に列名に空白が入っている場合はバッククォート「``」で列をくくる必要があります。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # Dataframeからsepal length (cm)が5より大きく5.5より小さいデータのみ抽出
 print(df.query('5 < `sepal length (cm)` < 5.5'))
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 5 5.4 3.9 ... 0.4 0
 # 10 5.4 3.7 ... 0.2 0
 # 16 5.4 3.9 ... 0.4 0
 # 17 5.1 3.5 ... 0.3 0
 # 19 5.1 3.8 ... 0.3 0
 # 20 5.4 3.4 ... 0.2 0
 # 21 5.1 3.7 ... 0.4 0
 # 23 5.1 3.3 ... 0.5 0
 # 27 5.2 3.5 ... 0.2 0
 # 28 5.2 3.4 ... 0.2 0
 # 31 5.4 3.4 ... 0.4 0
 # 32 5.2 4.1 ... 0.1 0
 # 39 5.1 3.4 ... 0.2 0
 # 44 5.1 3.8 ... 0.4 0
 # 46 5.1 3.8 ... 0.2 0
 # 48 5.3 3.7 ... 0.2 0
 # 59 5.2 2.7 ... 1.4 1
 # 84 5.4 3.0 ... 1.5 1
 # 98 5.1 2.5 ... 1.1 1
 # 
 # [20 rows x 5 columns]

``` 

変数を使用する場合は、「@変数」とすることで条件式に使用することが可能です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # Dataframeからsepal length (cm)が5より大きく5.5より小さいデータのみ抽出
 min = 5
 max = 5.5
 print(df.query('@min < `sepal length (cm)` < @max'))
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 5 5.4 3.9 ... 0.4 0
 # 10 5.4 3.7 ... 0.2 0
 # 16 5.4 3.9 ... 0.4 0
 # 17 5.1 3.5 ... 0.3 0
 # 19 5.1 3.8 ... 0.3 0
 # 20 5.4 3.4 ... 0.2 0
 # 21 5.1 3.7 ... 0.4 0
 # 23 5.1 3.3 ... 0.5 0
 # 27 5.2 3.5 ... 0.2 0
 # 28 5.2 3.4 ... 0.2 0
 # 31 5.4 3.4 ... 0.4 0
 # 32 5.2 4.1 ... 0.1 0
 # 39 5.1 3.4 ... 0.2 0
 # 44 5.1 3.8 ... 0.4 0
 # 46 5.1 3.8 ... 0.2 0
 # 48 5.3 3.7 ... 0.2 0
 # 59 5.2 2.7 ... 1.4 1
 # 84 5.4 3.0 ... 1.5 1
 # 98 5.1 2.5 ... 1.1 1
 # 
 # [20 rows x 5 columns]

``` 

特定の値と一致するデータのみ抽出する場合はリストとinを使って下記の様に記述することもできます。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # Dataframeからsepal length (cm)が5.1、5.2のデータのみ抽出
 print(df.query('`sepal length (cm)` in [5.1, 5.2]'))
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 17 5.1 3.5 ... 0.3 0
 # 19 5.1 3.8 ... 0.3 0
 # 21 5.1 3.7 ... 0.4 0
 # 23 5.1 3.3 ... 0.5 0
 # 27 5.2 3.5 ... 0.2 0
 # 28 5.2 3.4 ... 0.2 0
 # 32 5.2 4.1 ... 0.1 0
 # 39 5.1 3.4 ... 0.2 0
 # 44 5.1 3.8 ... 0.4 0
 # 46 5.1 3.8 ... 0.2 0
 # 59 5.2 2.7 ... 1.4 1
 # 98 5.1 2.5 ... 1.1 1
 # 
 # [13 rows x 5 columns]

```

pandas.DataFrame、pandas.Seriesから特定条件のデータを抽出

# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
pandas：1.5.3 
データセット：scikit-learnのirisを使用(scikit-learnは1.2.2) 
 
 

# データセットの準備 
前回と同じirisデータセットを使用して動作を確認していきます。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 print(df.head())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # [5 rows x 5 columns]
``` 
 
 
# 列データ取得
pandas.DataFrameでは列名を指定することで指定列のデータを取得することが出来ます。 
単独の列を指定した場合pandas.Series、複数の列を指定した場合pandas.DataFrame形式でデータを取得することが出来ます。 
今回は「df.columns」を使って列名の一覧を取得し、それを用いて列データを取得します。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 # 列名をindexオブジェクトとして取得
 col_list = df.columns
 print(col_list)
 # Index(['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)',
 # 'petal width (cm)', 'target'],
 # dtype='object')

 # インデックスオブジェクトの先頭（sepal length (cm)）列のデータを取得
 print(df[col_list[0]])
 # 0 5.1
 # 1 4.9
 # 2 4.7
 # 3 4.6
 # 4 5.0
 # ... 
 # 145 6.7
 # 146 6.3
 # 147 6.5
 # 148 6.2
 # 149 5.9
 # Name: sepal length (cm), Length: 150, dtype: float64

 # データ型確認
 print(type(df[col_list[0]]))
 # <class 'pandas.core.series.Series'>

 # インデックスオブジェクトの1、2列目（sepal length (cm)、sepal width (cm)）のデータを取得
 print(df[col_list[0:2]])
 # sepal length (cm) sepal width (cm)
 # 0 5.1 3.5
 # 1 4.9 3.0
 # 2 4.7 3.2
 # 3 4.6 3.1
 # 4 5.0 3.6
 # .. ... ...
 # 145 6.7 3.0
 # 146 6.3 2.5
 # 147 6.5 3.0
 # 148 6.2 3.4
 # 149 5.9 3.0
 # 
 # [150 rows x 2 columns]

 # データ型確認
 print(type(df[col_list[0:2]]))
 # <class 'pandas.core.frame.DataFrame'>
``` 

また、[pandas.DataFrame.loc](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.loc.html "pandas.DataFrame.loc")を使用しても同様にデータを取得することが可能です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 # 列名をindexオブジェクトとして取得
 col_list = df.columns
 print(col_list)
 # Index(['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)',
 # 'petal width (cm)', 'target'],
 # dtype='object')

 # インデックスオブジェクトの先頭（sepal length (cm)）列のデータを取得
 print(df.loc[:, col_list[0]])
 # 0 5.1
 # 1 4.9
 # 2 4.7
 # 3 4.6
 # 4 5.0
 # ... 
 # 145 6.7
 # 146 6.3
 # 147 6.5
 # 148 6.2
 # 149 5.9
 # Name: sepal length (cm), Length: 150, dtype: float64

 # データ型確認
 print(type(df.loc[:, col_list[0]]))
 # <class 'pandas.core.series.Series'>

 # インデックスオブジェクトの1、2列目（sepal length (cm)、sepal width (cm)）のデータを取得
 print(df.loc[:, col_list[0:2]])
 # sepal length (cm) sepal width (cm)
 # 0 5.1 3.5
 # 1 4.9 3.0
 # 2 4.7 3.2
 # 3 4.6 3.1
 # 4 5.0 3.6
 # .. ... ...
 # 145 6.7 3.0
 # 146 6.3 2.5
 # 147 6.5 3.0
 # 148 6.2 3.4
 # 149 5.9 3.0
 # 
 # [150 rows x 2 columns]

 # データ型確認
 print(type(df.loc[:, col_list[0:2]]))
 # <class 'pandas.core.frame.DataFrame'>
``` 
 
 
# 行データ取得
行番号または行名を指定することで任意の行のデータを取得することが可能です。 
リストと同じようにマイナスの値を指定することで開始行を後ろの行から開始したり、[開始行:終了行:ステップ数]と指定することでデータ取得間隔を指定することが可能です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 # 先頭5行分のデータ取得
 print(df[0:5])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # 
 # [5 rows x 5 columns]

 # 最後5行分のデータ取得
 print(df[-5:])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 145 6.7 3.0 ... 2.3 2
 # 146 6.3 2.5 ... 1.9 2
 # 147 6.5 3.0 ... 2.0 2
 # 148 6.2 3.4 ... 2.3 2
 # 149 5.9 3.0 ... 1.8 2
 # 
 # [5 rows x 5 columns]

 # 最後10行のうち偶数業のデータのみ取得
 print(df[0:10:2])
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # 6 4.6 3.4 ... 0.3 0
 # 8 4.4 2.9 ... 0.2 0
 # 
 # [5 rows x 5 columns]
```

pandas.DataFrameの行・列データを取得

# 環境
今回動作の確認を行った際のバージョンは下記の通り 
python：3.10.9 
pandas：1.5.3 
データセット：scikit-learnのirisを使用(scikit-learnは1.2.2) 
 
 
# pandas.DataFrameのサイズ取得
## データセットの準備 
まずはデータセットの準備を行います。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 print(df.head())
 # sepal length (cm) sepal width (cm) ... petal width (cm) target
 # 0 5.1 3.5 ... 0.2 0
 # 1 4.9 3.0 ... 0.2 0
 # 2 4.7 3.2 ... 0.2 0
 # 3 4.6 3.1 ... 0.2 0
 # 4 5.0 3.6 ... 0.2 0
 # [5 rows x 5 columns]
``` 
 
 
## df.shapeによるサイズ取得
データフレームでは[pandas.DataFrame.shape](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.shape.html "pandas.DataFrame.shape")を使用することで行数と列数のタプル(行数, 列数)を取得することが出来ます。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 行数と列数取得
 print(df.shape)
 # (150, 5)
 size = df.shape
 # 行数取得
 row = size[0]
 print(row)
 # 150
 # 列数取得
 col = size[1]
 print(col)
 # 5
``` 

下記の様にアンパックで取得することも可能です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 行数と列数取得
 row_2, col_2 = df.shape
 print(row_2)
 # 150
 print(col_2)
 # 5
``` 
 
 
## len()によるサイズ取得
Pythonの組み込み関数[len()](https://docs.python.org/ja/3/library/functions.html?highlight=len#len "len()")を使用することでも行数、列数を取得することが可能です。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 行数取得
 row = len(df)
 print(row)
 # 150

 # 列数取得
 col = len(df.columns)
 print(col)
 # 5
``` 
 
 
## df.info()によるサイズ取得
[pandas.DataFrame.info](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.info.html "pandas.DataFrame.info")を使用することでもサイズやメモリ使用量などデータフレームの情報を取得することが出来ます。 
ただし、df.shapeなどと違い結果は標準出力されるため、変数に値を格納して使用することはできません。
print()を使用しなくても標準出力されます。 

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # データフレームの情報取得
 df.info()
 # <class 'pandas.core.frame.DataFrame'>
 # RangeIndex: 150 entries, 0 to 149
 # Data columns (total 5 columns):
 # # Column Non-Null Count Dtype 
 # --- ------ -------------- ----- 
 # 0 sepal length (cm) 150 non-null float64
 # 1 sepal width (cm) 150 non-null float64
 # 2 petal length (cm) 150 non-null float64
 # 3 petal width (cm) 150 non-null float64
 # 4 target 150 non-null int32 
 # dtypes: float64(4), int32(1)
 # memory usage: 5.4 KB
``` 
 
 
## 全要素数取得
[pandas.DataFrame.size](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.size.html "pandas.DataFrame.size")を使用することで全要素数（＝行数×列数）を取得することが出来ます。
上記で取得した行数と列数をかけた値になっていることがわかります。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame

 # 全要素数取得
 ele = df.size
 print(ele)
 # 750
``` 
 
 
# pandas.Seriesのサイズ取得
pandas.Seriesも基本的にはpandas.DataFrameと同様の方法でサイズを取得することが出来ます。 
ただし、pandas.Seriesなので基本的に列数は1となるため[pandas.DataFrame.shape](https://pandas.pydata.org/pandas-docs/version/1.5/reference/api/pandas.DataFrame.shape.html "pandas.DataFrame.shape")を使用した場合、要素数が1のタプルとなるので注意が必要です。 
上記で使用したデータフレームから「sepal length (cm)」の列を抽出して使用します。

```python
from sklearn.datasets import load_iris

if __name__ == '__main__':
 df = load_iris(as_frame=True).frame
 series = df['sepal length (cm)']

 # 行数取得
 print(series.shape)
 # (150,)
 size = series.shape
 # 行数取得
 row = size[0]
 print(row)
 # 150

 # len()を使って行数取得
 row = len(series)
 print(row)
 # 150

 # sizeを使って全要素数取得
 ele = series.size
 print(ele)
 # 150
```

pandas.DataFrame、pandas.Seriesのサイズ（行数、列数）取得

polarsの基本操作

# pandas.DataFrame→NumPy配列（numpy.ndarray）へ変換
まずはpandas.DataFrameからNumPy配列への変換です。 
pandasが用意してくれている[to_numpy()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_numpy.html#pandas.DataFrame.to_numpy "to_numpy()")を使用することで変換が可能です。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.DataFrame({"col0": [0, 1, 2, 3, 4], "col1": [5, 6, 7, 8, 9]})
 print(df)
 # 出力結果
 # col0 col1
 # 0 0 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9

 arr = df.to_numpy()
 # 型の確認
 print(type(arr))
 # 出力結果
 # <class 'numpy.ndarray'>

 print(arr)
 # 出力結果
 # [[0 5]
 # [1 6]
 # [2 7]
 # [3 8]
 # [4 9]]
``` 

基本的にはこれだけなのですが、公式ドキュメントに記載の通りここで得られる結果はview担っている可能性があります。 
つまり、下のDataFrameと同じメモリを参照しており、「arr」の値を変更すると元のDataFrameも変更されてしまいます。 
一度実行してみましょう。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.DataFrame({"col0": [0, 1, 2, 3, 4], "col1": [5, 6, 7, 8, 9]})
 print(df)
 # 出力結果
 # col0 col1
 # 0 0 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9

 arr = df.to_numpy()
 # 型の確認
 print(type(arr))
 # 出力結果
 # <class 'numpy.ndarray'>

 print(arr)
 # 出力結果
 # [[0 5]
 # [1 6]
 # [2 7]
 # [3 8]
 # [4 9]]

 # 配列の(0,0)の要素を10に置き換える
 arr[0,0] = 10

 print(arr)
 # NumPy配列出力結果
 # [[10 5]
 # [ 1 6]
 # [ 2 7]
 # [ 3 8]
 # [ 4 9]]

 print(df)
 # DataFrame出力結果
 # col0 col1
 # 0 10 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9
``` 

これを防ぐために、[to_numpy()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.to_numpy.html#pandas.DataFrame.to_numpy "to_numpy()")では「copy」という引数が用意されています。 
copy=Trueと指定することで、上記の様な現象を確実に防ぐことが可能です。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.DataFrame({"col0": [0, 1, 2, 3, 4], "col1": [5, 6, 7, 8, 9]})
 print(df)
 # 出力結果
 # col0 col1
 # 0 0 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9

 arr = df.to_numpy(copy=True)
 # 型の確認
 print(type(arr))
 # 出力結果
 # <class 'numpy.ndarray'>

 print(arr)
 # 出力結果
 # [[0 5]
 # [1 6]
 # [2 7]
 # [3 8]
 # [4 9]]

 # 配列の(0,0)の要素を10に置き換える
 arr[0,0] = 10

 print(arr)
 # NumPy配列出力結果
 # [[10 5]
 # [ 1 6]
 # [ 2 7]
 # [ 3 8]
 # [ 4 9]]

 print(df)
 # DataFrame出力結果
 # col0 col1
 # 0 0 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9
``` 

 
 
# NumPy配列（numpy.ndarray）→pandas.DataFrameへ変換 
以前[【pandas】DataFrame形式のデータ生成/データ取得](https://hachidev.com/posts/python-pandas-dataframe "【pandas】DataFrame形式のデータ生成/データ取得")という記事でも記載した通り、下記の様にすることで変換が可能です。 

```python
import pandas as pd
import numpy as np

if __name__ == '__main__':
 # 1次元のNumPy配列
 input_ndarr_1d = np.arange(5)
 df_ndarr_1d = pd.DataFrame(input_ndarr_1d)
 print(df_ndarr_1d)
 # 出力結果
 # 0
 # 0 0
 # 1 1
 # 2 2
 # 3 3
 # 4 4

 # 2次元のNumPy配列
 input_ndarr_2d = np.arange(10).reshape(2, 5)
 df_ndarr_2d = pd.DataFrame(input_ndarr_2d)
 print(df_ndarr_2d)
 # 出力結果
 # 0 1 2 3 4
 # 0 0 1 2 3 4
 # 1 5 6 7 8 9

```

もちろんDataFrameだけでなくpandas.Seriesにも変換可能です。 

```python
import pandas as pd
import numpy as np

if __name__ == '__main__':
 # 1次元のNumPy配列
 input_ndarr_1d = np.arange(5)
 series = pd.Series(input_ndarr_1d)
 print(type(series))
 # 出力結果
 # <class 'pandas.core.series.Series'>

 print(series)
 # 出力結果
 # 0
 # 0 0
 # 1 1
 # 2 2
 # 3 3
 # 4 4
 # dtype: int32

```

NumPy配列、pandas.DataFrameでは処理速度が違ったり、用意されている関数が違ったりするため必要に応じて相互変換していくのがいいでしょう。

pandas.DataFrameとNumPy配列（numpy.ndarray）の相互変換

# 使用データ 
今回はMySQLとSQL Serverを使って試してみます。 
MySQLは[資産記録アプリ開発②～DB作成～](https://hachidev.com/posts/assets-management-db "資産記録アプリ開発②～DB作成～")で立てたものに新しくDBを作成し、「pandas_test_table」というテーブルを下記の様なデータ構造で作成しました。 
![20230106161600](//images.ctfassets.net/g03afh073hzw/7AQXlLBQx5F8PYGdLwU3Wn/85c0d1b7f1cf04169d7c3619f679e6e5/20230106161600.jpg) 

テスト用データをいくつか追加しておきます。 

| id | datetime | memo |
| ---------- | ---------- | ---------- |
| 1 | 2023-01-01 00:00:00 | 正月 |
| 2 | 2023-01-02 00:00:00 | 帰省 |
| 3 | 2023-01-04 00:00:00 | 大発会 |

SQL Serverは公式サイトからダウンロード可能です。 
今回は「SQL Server 2019 Developer エディション」をインストールして使用しています。 
[SQL Server のダウンロード | Microsoft](https://www.microsoft.com/ja-jp/sql-server/sql-server-downloads "SQL Server のダウンロード | Microsoft") 

インストールは指示に従ってインストールするだけなので、今回手順は省略します。 
また、SQL Serverを使用する際はMicrosoftが[SQL Server Management Studio (SSMS)](https://learn.microsoft.com/ja-jp/sql/ssms/download-sql-server-management-studio-ssms?view=sql-server-ver16 "SQL Server Management Studio (SSMS)")というクライアントツールを用意してくれています。GUIで操作したい場合は、こちらも合わせてインストールしておくと便利です。 
MySQLと同じようにデータベース、テーブルを作成しテスト用データを追加しておきます。 

 
 
# 事前準備 
下記ライブラリをインストールしておきます。 

```bash
pip install SQLAlchemy
 # MySQL用
pip install PyMySQL
 # SQL Server用
pip install pyodbc
``` 

anacondaを使っている場合は下記などでインストール可能です。 
[ANACONDA.ORG](https://anaconda.org/ "ANACONDA.ORG")で検索するといくつかパッケージが見つかります。 

```bash
conda install -c conda-forge sqlalchemy
conda install -c conda-forge pymysql
conda install -c conda-forge pyodbc
``` 

また、SQL Serverを使用する場合はODBC Driverも必要になりますので下記からインストールしておく必要があります。 
必要に応じてダウンロードしてください。 
[ODBC Driver for SQL Server のダウンロード - ODBC Driver for SQL Server | Microsoft Learn](https://learn.microsoft.com/ja-jp/sql/connect/odbc/download-odbc-driver-for-sql-server?view=sql-server-ver16 "ODBC Driver for SQL Server のダウンロード - ODBC Driver for SQL Server | Microsoft Learn")

 
 
# MySQLからデータ取得 
pandasの[read_sql_query()](https://pandas.pydata.org/docs/reference/api/pandas.read_sql_query.html "read_sql_query()")を使って取得します。 
公式ドキュメントの通り、引数で最低限sql、conを指定すると取得することが出来ます。 
今回は用意したテーブルのデータすべてを取得するクエリを実行しています。 
DBへ接続するための設定とクエリは必要に応じて書き換えてください。 

```python
import pandas as pd
import sqlalchemy

if __name__ == '__main__':
 # MySQLへ接続するための設定
 user = 'root'
 password = 'root'
 host = '127.0.0.1'
 port = 3306
 database = 'pandas_test'
 url = f'mysql+pymysql://{user}:{password}@{host}:{port}/{database}'

 con = sqlalchemy.create_engine(url)
 query = 'select * from pandas_test_table'
 df = pd.read_sql_query(query, con)
 print(df)
 # 出力結果
 # id datetime memo
 # 0 1 2023-01-01 正月
 # 1 2 2023-01-02 帰省
 # 2 3 2023-01-04 大発会
``` 

引数index_colを指定することで任意の列をindexとして取得することが可能です。 

```python
import pandas as pd
import sqlalchemy

if __name__ == '__main__':
 # MySQLへ接続するための設定
 user = 'root'
 password = 'root'
 host = '127.0.0.1'
 port = 3306
 database = 'pandas_test'
 conn_str = f'mysql+pymysql://{user}:{password}@{host}:{port}/{database}'

 con = sqlalchemy.create_engine(conn_str)
 query = 'select * from pandas_test_table'
 df = pd.read_sql_query(query, con, index_col='id')
 print(df)
 # 出力結果
 # datetime memo
 # id 
 # 1 2023-01-01 正月
 # 2 2023-01-02 帰省
 # 3 2023-01-04 大発会
``` 

 
 
# SQL Serverからデータ取得 
SQL Serverの場合も基本的にやることは同じですが、接続文字列が変わってきます。 
私はWindows認証で接続しているため、下記の様な接続文字列を使用しました。 
また、[urllib.parse](https://docs.python.org/ja/3/library/urllib.parse.html "urllib.parse")を使ってURLエンコードも行っています。 

```python
import pandas as pd
import sqlalchemy
import urllib

if __name__ == '__main__':
 servername = 'DESKTOP-PGSQEV1'
 database = 'pandas_test'
 driver = 'ODBC Driver 17 for SQL Server'
 conn_str = 'mssql+pyodbc:///?odbc_connect=' + urllib.parse.quote_plus(f'DRIVER={driver};SERVER={servername};DATABASE={database};Trusted_Connection=yes')

 con = sqlalchemy.create_engine(conn_str)
 query = 'select * from pandas_test_table'
 df = pd.read_sql_query(query, con)
 print(df)
 # 出力結果
 # id datetime memo
 # 0 1 2023-01-01 正月
 # 1 2 2023-01-02 帰省
 # 2 3 2023-01-04 大発会
``` 

 
 
# read_sql_table()、read_sql() 
pandasでは他にも[read_sql_table()](https://pandas.pydata.org/docs/reference/api/pandas.read_sql_table.html "read_sql_table()")という関数も用意されており、こちらを使用することでも同様にデータを取得することができます。 
この関数ではqueryの代わりにテーブルを指定することでデータを取得することが出来るため、クエリが書けなくてもデータ取得可能です。 

```python
import pandas as pd
import sqlalchemy
import urllib

if __name__ == '__main__':
 servername = 'DESKTOP-PGSQEV1'
 database = 'pandas_test'
 driver = 'ODBC Driver 17 for SQL Server'
 conn_str = 'mssql+pyodbc:///?odbc_connect=' + urllib.parse.quote_plus(f'DRIVER={driver};SERVER={servername};DATABASE={database};Trusted_Connection=yes')

 con = sqlalchemy.create_engine(conn_str)
 df = pd.read_sql_table('pandas_test_table', con) # 第一引数でテーブル名指定
 print(df)
 # 出力結果
 # id datetime memo
 # 0 1 2023-01-01 正月
 # 1 2 2023-01-02 帰省
 # 2 3 2023-01-04 大発会
``` 

また、[read_sql()](https://pandas.pydata.org/docs/reference/api/pandas.read_sql.html "read_sql()")という関数も用意されていますが、こちらは公式ドキュメントにも記載のある通り[read_sql_table()](https://pandas.pydata.org/docs/reference/api/pandas.read_sql_table.html "read_sql_table()")と[read_sql_query()](https://pandas.pydata.org/docs/reference/api/pandas.read_sql_query.html "read_sql_query()")のラッパー関数となっています。 
第一引数のsqlにクエリまたはテーブル名を指定することでデータを取得することが出来ます。 
例えば、下記の2つは同じ結果を取得することが出来ます。 

```python
import pandas as pd
import sqlalchemy
import urllib

if __name__ == '__main__':
 servername = 'DESKTOP-PGSQEV1'
 database = 'pandas_test'
 driver = 'ODBC Driver 17 for SQL Server'
 conn_str = 'mssql+pyodbc:///?odbc_connect=' + urllib.parse.quote_plus(f'DRIVER={driver};SERVER={servername};DATABASE={database};Trusted_Connection=yes')

 con = sqlalchemy.create_engine(conn_str)
 query = 'select * from pandas_test_table'
 df_query = pd.read_sql(query, con) # 第一引数でクエリ指定
 print(df_query)
 # 出力結果
 # id datetime memo
 # 0 1 2023-01-01 正月
 # 1 2 2023-01-02 帰省
 # 2 3 2023-01-04 大発会

 df_table = pd.read_sql('pandas_test_table', con) # 第一引数でテーブル名指定
 print(df_table)
 # 出力結果
 # id datetime memo
 # 0 1 2023-01-01 正月
 # 1 2 2023-01-02 帰省
 # 2 3 2023-01-04 大発会
```

Python pandasでMySQLとSQL Serverからデータ取得

# 使用データ 
csvの時同様e-Statから適当にデータをとってきて使用させていただきます。 
[国勢調査 / 令和２年国勢調査 / 速報集計 人口速報集計　（男女別人口及び世帯総数）](https://www.e-stat.go.jp/stat-search/files?page=1&layout=datalist&toukei=00200521&tstat=000001136464&cycle=0&tclass1=000001136465&tclass2=000001154388&stat_infid=000032092710&file_type=0&tclass3val=0&metadata=1&data=1 "国勢調査 / 令和２年国勢調査 / 速報集計 人口速報集計　（男女別人口及び世帯総数）")
開くとこの様なデータになっています。 
![20230106104500](//images.ctfassets.net/g03afh073hzw/KIN6vdGcXAc3ad1xe3ZiX/85b145652f957488d15fb3afe488cbfd/20230106104500.jpg)

このデータをpandasの[read_excel()](https://pandas.pydata.org/docs/reference/api/pandas.read_excel.html "read_excel()")を使って読み取ってみます。 

 
 

# 事前準備 
read_excel()は内部ではファイル形式に合わせていくつかのライブラリを使用しています。 

```bash
engine:str, default None
 If io is not a buffer or path, this must be set to identify io. Supported engines: “xlrd”, “openpyxl”, “odf”, “pyxlsb”. Engine compatibility :
 “xlrd” supports old-style Excel files (.xls).
 “openpyxl” supports newer Excel file formats.
 “odf” supports OpenDocument file formats (.odf, .ods, .odt).
 “pyxlsb” supports Binary Excel files.

```
※[公式ドキュメント](https://pandas.pydata.org/docs/reference/api/pandas.read_excel.html "公式ドキュメント")より引用 

大抵の場合.xlsと.xlsxが読み込めればいいと思うので、とりあえずopenpyxlとxlrdをインストールしておけば十分でしょう。 

```bash
pip install openpyxl
pip install xlrd
``` 

anacondaを使っている場合は下記などでインストール可能です。 
[ANACONDA.ORG](https://anaconda.org/ "ANACONDA.ORG")で検索するといくつかパッケージが見つかります。 

```bash
conda install -c conda-forge openpyxl
conda install -c conda-forge xlrd
``` 
 
 
# 基本的な使い方 
基本的には引数のioにExcelファイルのパスを指定するだけで読み取りが可能です。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_excel('a01.xlsx')
 print(df)
``` 

今回の場合、読み取ると下記のようになっています。 
これだと使いにくいので、色々試していきます。 
![20230106113600](//images.ctfassets.net/g03afh073hzw/5mlNhyC5dwvCdsI5RtC41P/2ef2ed5709110cece25f76b551168497/20230106113600.jpg) 

 
 

# ヘッダー行、インデックス行の指定 
引数のheader、index_colに0始まりの行番号、列番号を指定することで、ヘッダー/インデックスとして使用することが出来ます。 
また、この2つはリストで指定することが可能です。今回のファイルは少し複雑な構造になっているのでリストで指定してみます。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_excel('a01.xlsx', header=[8,9,10,11,12], index_col=[0,1,2])
 print(df)
``` 

結果は下記のようになります。 

![20230106134700](//images.ctfassets.net/g03afh073hzw/4nSC5gCjI6IgfQgoWXGdcS/8bbc958ab52639212eda9e9b5ce57bad/20230106134700.jpg) 

 
 
# 独自のヘッダーを指定 
上記の様なデータが扱いにくい場合は、独自のヘッダーを指定することも可能です。 
例えば、D、E列に「人口男女_総数」「人口男女_男」と指定して取得してみます。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_excel('a01.xlsx',
 names=['人口男女_総数', '人口男女_男'],
 usecols=[3,4],
 skiprows=12)
 print(df)
``` 

下記のように取得できます。 
![20230106135700](//images.ctfassets.net/g03afh073hzw/4HAfKwasQR5U7kXITljN7l/314249640f5e9cca0595734944193718/20230106135700.jpg) 

 
 
# シートの指定 
今回のデータはシートが1つしかなかったので指定する必要がありませんでしたが、複数が存在する場合「特定のシートのデータのみ取得」「複数シートのデータを取得」といったことも可能です。 サンプルファイルを用意して試してみます。 
■Sheet1 

| col0_sheet1 | col1_sheet1 |
| ---------- | ---------- |
| 0 | 3 |
| 1 | 4 |
| 2 | 5 |

■Sheet2 

| col0_sheet2 | col1_sheet2 |
| ---------- | ---------- |
| 0 | 3 |
| 1 | 4 |
| 2 | 5 |

```python
import pandas as pd

if __name__ == '__main__':
 # Sheet1データ取得
 df_sheet1 = pd.read_excel('sample.xlsx', sheet_name='Sheet1')
 print(df_sheet1)
 # 出力結果
 # col0_sheet1 col1_sheet1
 # 0 0 3
 # 1 1 4
 # 2 2 5

 # Sheet2データ取得
 df_sheet2 = pd.read_excel('sample.xlsx', sheet_name='Sheet2')
 print(df_sheet2)
 # 出力結果
 # col0_sheet2 col1_sheet2
 # 0 0 3
 # 1 1 4
 # 2 2 5

 # Sheet1,Sheet2データ取得(シート名で指定)
 df_sheetall = pd.read_excel('sample.xlsx', sheet_name=['Sheet1','Sheet2'])
 print(df_sheetall)
 # 出力結果
 # {'Sheet1':
 # col0_sheet1 col1_sheet1
 # 0 0 3
 # 1 1 4
 # 2 2 5, 
 # 'Sheet2':
 # col0_sheet2 col1_sheet2
 # 0 0 3
 # 1 1 4
 # 2 2 5}

 # Sheet1,Sheet2データ取得(番号で指定)
 df_sheetall2 = pd.read_excel('sample.xlsx', sheet_name=[0, 1])
 print(df_sheetall2)
 # 出力結果
 # {'Sheet1':
 # col0_sheet1 col1_sheet1
 # 0 0 3
 # 1 1 4
 # 2 2 5, 
 # 'Sheet2':
 # col0_sheet2 col1_sheet2
 # 0 0 3
 # 1 1 4
 # 2 2 5}
``` 

複数シートのデータを取得した場合、辞書型で取得することが出来るので、下記の様にDataFrameを取得することが可能です。 

```python
import pandas as pd

if __name__ == '__main__':
 # Sheet1,Sheet2データ取得(シート名で指定)
 df_sheetall = pd.read_excel('sample.xlsx', sheet_name=['Sheet1','Sheet2'])
 print(df_sheetall)
 # 出力結果
 # 上記同様

 # DataFrame取得
 df_sheetall_ex = df_sheetall['Sheet1']
 print(df_sheetall_ex)
 # 出力結果
 # col0_sheet1 col1_sheet1
 # 0 0 3
 # 1 1 4
 # 2 2 5

 # Sheet1,Sheet2データ取得(番号で指定)
 df_sheetall2 = pd.read_excel('sample.xlsx', sheet_name=[0, 1])
 print(df_sheetall2)
 # 出力結果
 # 上記同様

 # DataFrame取得
 df_sheetall2_ex = df_sheetall2[0]
 print(df_sheetall2_ex)
 # 出力結果
 # col0_sheet1 col1_sheet1
 # 0 0 3
 # 1 1 4
 # 2 2 5
```

Python pandasでExcelファイル読み込み(DataFrame形式でデータ取得)

# 使用データ 
今回はこちらのデータを使用します。 
[国勢調査 / 令和２年国勢調査 / 小地域集計　（主な内容：基本単位区別，町丁・字別人口など） 13：東京都](https://www.e-stat.go.jp/stat-search/files?page=1&layout=datalist&toukei=00200521&tstat=000001136464&cycle=0&tclass1=000001136472&tclass2=000001159886&stat_infid=000032163273&file_type=1&tclass3val=0&metadata=1&data=1 "国勢調査 / 令和２年国勢調査 / 小地域集計　（主な内容：基本単位区別，町丁・字別人口など） 13：東京都") 

開くとこの様なデータになっています。 
![20230105175700](//images.ctfassets.net/g03afh073hzw/4cQlmuDUjxMdje3jCOyv4A/d83b89277d947727f4a77893e1e7e33c/20230105175700.jpg) 

このデータをpandasの[read_csv()](https://pandas.pydata.org/docs/reference/api/pandas.read_csv.html?highlight=read_csv "read_csv()")を使って読み取ってみます。 

 
 

# 文字コードの指定 
大抵の場合、csvファイルを読み取るだけであれば下記の様にするだけで大丈夫です。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv')
 print(df)

``` 

しかし、今回は下記の様なエラーが発生します。 

```python
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x97 in position 0: invalid start byte
``` 
公式ドキュメントではデフォルト値＝Noneとなっていますが、utf-8で読み取りが行われる様です。 
サクラエディタでファイルを開いてみるとSJISとなっています。 
![20230105181600](//images.ctfassets.net/g03afh073hzw/gMrUagtjOdtgZHHrft8ap/441a5365b0588a064b219f54968d4948/20230105181600.jpg) 
なので、下記のように文字コードを指定して実行してみます。 
引数のencodingで指定することが可能です。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv', encoding="shift-jis")
 print(df)

``` 

エラーなく実行することが出来ました。 
![20230105182600](//images.ctfassets.net/g03afh073hzw/7gBX63j45cMYFsGwhS0JUL/d8671fb4bfef3aac4a94921acb909e40/20230105182600.jpg) 

 
 
# 列、開始行を指定 
データ処理を行うには、A列、1～4行目はなくても良さそうなので、B～M列、5行目以降のデータを取得してみます。 
列の指定はusecols、開始行の指定はskiprowsで指定することが可能です。 
usecols：読み込みたい列を指定します。列は0始まりです。 
skiprows：指定した行数分スキップしてデータを読み込みます。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv', skiprows=4, usecols=[1,2,3,4,5,6,7,8,9,10,11,12], encoding="shift-jis")
 print(df)

``` 

下記のように取得できました。 
![20230105183700](//images.ctfassets.net/g03afh073hzw/46OLVKLpX71UdLLV69exiS/5516ac9321d60a63b7085e26d18662e4/20230105183700.jpg) 

また、usecolの代わりにheaderを使用しても同様の結果を取得することが可能です。 
headerは行名（ヘッダー行）として使用する行を指定する引数です。 
下記のように5行目をヘッダー行を指定することで同様の結果を取得することが出来ます。 
※0始まりのため、5行目を指定する場合はheader=4とする 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv', header=4, usecols=[1,2,3,4,5,6,7,8,9,10,11,12], encoding="shift-jis")
 print(df)

``` 

 
 
# 欠損値として扱う値の指定 
DataFrameでは[dropna()](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.dropna.html "dropna()")を使用することでnanを含むデータを削除することが出来ます。 
そのため、データ読み込み時からあらかじめnanとしてデータを読み取った方が後々楽な場合があります。 
pandasではna_valuesで値を指定することで、NaNとしてデータを読み込むことが出来ます。 
今回は「-」をnanとして読み込んでみます。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv', skiprows=4, usecols=[1,2,3,4,5,6,7,8,9,10,11,12], encoding="shift-jis")
 print(df)

``` 

![20230105190600](//images.ctfassets.net/g03afh073hzw/NUAmmZhmA6vKVNkqFMS5D/5ee7aab0f9299c242288db333e335b12/20230105190600.jpg) 

 
 
# 行名（ヘッダー行）の指定 
上記の例では先頭行がヘッダーとして使用されていましたが、引数namesで任意の値を指定することでそれをヘッダーすることが出来ます。 
これまでは5行目をヘッダー行として使用していたため、skiprows=4としていましたが今回の場合5行目は不要なためskiprows=5としています。 

```python
import pandas as pd

if __name__ == '__main__':
 df = pd.read_csv('h01_13.csv',
 skiprows=5,
 usecols=[1,2,3,4,5,6,7,8,9,10,11,12],
 encoding="shift-jis",
 names=['1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', '12'])
 print(df)

``` 
![20230105192700](//images.ctfassets.net/g03afh073hzw/ykcwa7iFxVZ3pyl11rK9W/b8fcc542adabd8d0c459b212a22b9129/20230105192700.jpg) 

他にも様々な引数がありますが、よく使用するのは上記のものかなと思います。 
その他のものは[公式ドキュメント](https://pandas.pydata.org/docs/reference/api/pandas.read_csv.html?highlight=read_csv "公式ドキュメント")をご参照ください。

Python pandasでcsvファイル読み込み(DataFrame形式でデータ取得)

# DataFrameとは 
Pythonのデータ分析ライブラリの1つであるpandasで使用できるデータ構造であり、2次元の表形式でデータを扱うことが出来ます。 
■Pycharmで見た場合の例： 
![20230105150900](//images.ctfassets.net/g03afh073hzw/6Kcr5NTnlmetos9FD1APfH/41119e3abb2e736a771ea8d26543da4d/20230105150900.jpg) 
※使用データ：[国勢調査 / 令和２年国勢調査 / 小地域集計　（主な内容：基本単位区別，町丁・字別人口など） 13：東京都](https://www.e-stat.go.jp/stat-search/files?page=1&layout=datalist&toukei=00200521&tstat=000001136464&cycle=0&tclass1=000001136472&tclass2=000001159886&stat_infid=000032163273&file_type=1&tclass3val=0&metadata=1&data=1 "国勢調査 / 令和２年国勢調査 / 小地域集計　（主な内容：基本単位区別，町丁・字別人口など） 13：東京都") 

配列を用いた処理などと比較すると処理が遅いというデメリットがありますが、様々な機能が用意されており、データ分析を行いやすいというメリットがあります。 

 
 
# DataFrameの生成 
[公式ドキュメント](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html#pandas.DataFrame "公式ドキュメント")にある通り、コンストラクタpandas.DataFrameのdataにndarrayやdict、listを指定することでDataFrameを生成することが出来ます。 
また、csvやエクセルファイルから生成することも可能です。 

 

## numpy配列から生成 
1次元、2次元どちらでも可です。 

```python
import pandas as pd
import numpy as np

if __name__ == '__main__':
 # 1次元のnumpy配列
 input_ndarr_1d = np.arange(5)
 df_ndarr_1d = pd.DataFrame(input_ndarr_1d)
 print(df_ndarr_1d)
 # 出力結果
 # 0
 # 0 0
 # 1 1
 # 2 2
 # 3 3
 # 4 4

 # 2次元のnumpy配列
 input_ndarr_2d = np.arange(10).reshape(2, 5)
 df_ndarr_2d = pd.DataFrame(input_ndarr_2d)
 print(df_ndarr_2d)
 # 出力結果
 # 0 1 2 3 4
 # 0 0 1 2 3 4
 # 1 5 6 7 8 9

```

columns、indexに配列を指定することで、列/行名を指定することが出来ます。 

```python
import pandas as pd
import numpy as np

if __name__ == '__main__':
 # 2次元のnumpy配列
 input_ndarr_2d = np.arange(10).reshape(2, 5)
 df_ndarr_2d = pd.DataFrame(input_ndarr_2d,
 columns=['col0', 'col1', 'col2', 'col3', 'col4'],
 index=['index0', 'index1'])
 print(df_ndarr_2d)
 # 出力結果
 # col0 col1 col2 col3 col4
 # index0 0 1 2 3 4
 # index1 5 6 7 8 9

```
 

## リストから生成 
numpy配列同様、1次元、2次元どちらでも可です。 
また、辞書型データのリストでもOKです。 

```python
import pandas as pd

if __name__ == '__main__':
 # 1次元のリスト
 input_list_1d = [0, 1, 2, 3, 4]
 df_list_1d = pd.DataFrame(input_list_1d)
 print(df_list_1d)
 # 出力結果
 # 0
 # 0 0
 # 1 1
 # 2 2
 # 3 3
 # 4 4

 # 2次元のリスト
 input_list_2d = [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]
 df_list_2d = pd.DataFrame(input_list_2d)
 print(df_list_2d)
 # 出力結果
 # 0 1 2 3 4
 # 0 0 1 2 3 4
 # 1 5 6 7 8 9

 # リスト(辞書型)
 input_dict = [{'0': 0, '1': 1, '2': 2, '3': 3, '4': 4},
 {'0': 5, '1': 6, '2': 7, '3': 8, '4': 9}]
 df_dict = pd.DataFrame(input_dict)
 print(df_dict)
 # 出力結果
 # 0 1 2 3 4
 # 0 0 1 2 3 4
 # 1 5 6 7 8 9

```
 

## 辞書型データから生成 
columnsを指定することで、特定のデータのみでDataFrameを生成することが出来たり、ネスト構造の辞書型データからDataFrameを生成することが出来ます。 

```python
import pandas as pd

if __name__ == '__main__':
 # 辞書型(リスト)
 input_dict = {'0': [0, 1, 2, 3, 4], '1': [5, 6, 7, 8, 9]}
 df_dict = pd.DataFrame(input_dict)
 print(df_dict)
 # 出力結果
 # 0 1
 # 0 0 5
 # 1 1 6
 # 2 2 7
 # 3 3 8
 # 4 4 9

 # 辞書型(リスト) columns指定
 df_dict_col = pd.DataFrame(input_dict, columns=['0'])
 print(df_dict_col)
 # 出力結果
 # 0
 # 0 0
 # 1 1
 # 2 2
 # 3 3
 # 4 4

 # 辞書型(ネスト)
 input_dict_nest = {'col0': {'index0':0, 'index1':1}, 'col1': {'index0':2, 'index1':3}}
 df_dict_nest = pd.DataFrame(input_dict_nest)
 print(df_dict_nest)
 # 出力結果
 # col0 col1
 # index0 0 2
 # index1 1 3

```
 

# csv、Excelファイルから取得 
pandasのread_csv()やread_excel()などを使用することで、csv、ExcelファイルなどからDataFrameを生成することが出来ます。 
詳細は下記記事を参照してください。 
[Python pandasでcsvファイル読み込み(DataFrame形式でデータ取得)](https://hachidev.com/posts/python-pandas-csv "Python pandasでcsvファイル読み込み(DataFrame形式でデータ取得)") 
[Python pandasでExcelファイル読み込み(DataFrame形式でデータ取得)](https://hachidev.com/posts/python-pandas-excel "Python pandasでExcelファイル読み込み(DataFrame形式でデータ取得)]") 
 
 
# DBから取得 
MySQLやSQL ServerのデータをDataFrameとして取得することも可能です。 
詳細は下記記事を参照してください。 
[Python pandasでMySQLとSQL Serverからデータ取得](https://hachidev.com/posts/python-pandas-db "Python pandasでMySQLとSQL Serverからデータ取得")

【pandas】DataFrame形式のデータ生成/データ取得

# 処理時間計測の基本 
処理時間を計測するにあたり、基本的な考え方は「処理終了時刻-処理開始時刻」です。 Pythonで処理時間を計測する場合、timeモジュールの[perf_counter](https://docs.python.org/3.9/library/time.html?highlight=time%20perf_counter#time.perf_counter "perf_counter")がよく使用されます。 
例えば、下記の様な使い方をすることで処理時間を計測することが可能です。 

```python
import time

if __name__ == '__main__':
 # 計測開始
 start_time = time.perf_counter()

 # 計測対象
 time.sleep(5)

 # 計測終了
 end_time = time.perf_counter()

 # 処理時間算出(sec)
 elapsed_time = end_time - start_time
 print(elapsed_time)
``` 
 
perf_counterは単位が秒ですが、[process_time_ns](https://docs.python.org/3.9/library/time.html?highlight=time%20perf_counter#time.perf_counter_ns "process_time_ns") 関数を使用することでナノ秒単位で取得することも可能です。 

 
 

# 処理時間計測用クラスの作成 
上記の様な方法でもいいのですが、毎回処理時間を算出するのが面倒な場合、下記のように計測用クラスを作成することでstart、endを呼び出すだけで計測が可能となります。 
また、計測開始時間をリストに格納し保持しておくことで、一度に様々な個所の時間を計測することが可能です。 

```python
import time

class Performance:
 def __init__(self):
 # 計測開始時間を格納しておくためのリスト初期化
 self.start_time_list = []

 def start(self):
 # 計測会時間を格納
 self.start_time_list.append(time.perf_counter())

 def end(self, msg):
 # startの呼び出し回数とendの呼び出し回数が一致しているかどうかチェック。リストが空かどうかで判定
 if len(self.start_time_list) == 0:
 print('startの呼び出し回数とendの呼び出し回数が一致していません')
 return
 # 開始時間の取得（リストの最後の値を取得）
 start_time = self.start_time_list.pop(-1)
 # 終了
 end_time = time.perf_counter()
 # 経過時間算出
 elapsed_time = end_time - start_time
 print(msg + ':' + str(elapsed_time))

if __name__ == '__main__':
 performance = Performance()
 # 処理全体の時間を計測するためのstart呼び出し
 performance.start()

 # 1回目のsleepを計測するためのstart呼び出し
 performance.start()
 time.sleep(5)
 # 1回目のsleepを計測するためのend呼び出し
 performance.end('1回目のsleep')

 # 2回目のsleepを計測するためのstart呼び出し
 performance.start()
 time.sleep(5)
 # 2回目のsleepを計測するためのend呼び出し
 performance.end('2回目のsleep')

 # 処理全体の時間を計測するためのend呼び出し
 performance.end('全体の時間')
``` 

 
 

# デコレータの作成 
関数単位で計測したい場合は、デコレータを活用するとよりすっきりと記述することが出来ます。 
下記の様なデコレータを作成し、計測したい関数などの宣言の前に@デコレータ名とすることで計測可能です。 

```python
import time

def performance(f):
 def _wrapper(*args, **keywords):
 # 計測開始
 start_time = time.perf_counter()

 # 対象関数の実行
 ret = f(*args, **keywords)

 # 計測終了
 end_time = time.perf_counter()

 # 処理時間算出(s)
 elapsed_time = end_time - start_time
 # print文で関数名と処理時間を出力
 print(f.__name__, elapsed_time)

 return ret

 return _wrapper

@performance
def test_func():
 time.sleep(5)

if __name__ == '__main__':
 test_func()
```

ストップウォッチ

【Python】処理時間を計測する方法

グラフ

資産記録アプリ開発④～フロントエンド実装・資産残高管理画面～

# 事前準備 
Django REST frameworkを使用してAPI（バックエンド）を開発していきます。 
まずは、下記コマンドでインストールします。 

```bash
pip install djangorestframework
``` 

config/settings.pyに下記の記述を追加します。 

```python
INSTALLED_APPS = [
 'django.contrib.admin',
 'django.contrib.auth',
 'django.contrib.contenttypes',
 'django.contrib.sessions',
 'django.contrib.messages',
 'django.contrib.staticfiles',
 'asset_management',
 'rest_framework', # この行を追加する
]
``` 

これでDjango REST frameworkを使用するための準備が出来たのでAPIを作っていきます。 
 
 

# Serializerの作成 
DBから取り出したモデルオブジェクトをJsonに変換するためのSerializerを用意します。 
asset_managementフォルダ配下にserializers.pyを作成し、rest_frameworkの「serializers.ModelSerializer」を継承することで下記のように作ることが可能です。 

```python
from rest_framework import serializers
from .models import Asset

class AssetSerializer(serializers.ModelSerializer):
 class Meta:
 model = Asset
 fields = "__all__"
``` 
 
 

# Viewの作成 
Django REST frameworkにはViewSetsを使った方法なども存在しますが、今回はAPIViewを継承して作成していきます。 
APIViewを継承して作成する場合は、必要なHTTPメソッドを全て自分で記述する必要があります。 
まずはテーブルのデータをすべて取得するためのGETメソッドを「asset_management/views.py」に作成してみます。 
「order_by('created_at')」とすることで、日付順に並べる様にしました。

```python
from rest_framework.views import APIView
from rest_framework.status import HTTP_200_OK
from rest_framework.response import Response
from .models import Asset
from .serializers import AssetSerializer

class AssetListAPIView(APIView):
 def get(self, request):
 asset = Asset.objects.all().order_by('created_at')
 serializer = AssetSerializer(asset, many=True)

 return Response(serializer.data, status=HTTP_200_OK)
``` 
 
 
# URLの設定 
先ほど作成したAPIを呼び出すためのルーティングの設定を行います。 
「config/urls.py」「asset_management/urls.py」をそれぞれ下記のように修正します。 
■config/urls.py 

```python
from django.contrib import admin
from django.urls import path, include

urlpatterns = [
 path('api/asset-management/', include('asset_management.urls')), # この行を修正
 path('admin/', admin.site.urls),
]

```

■asset_management/urls.py 

```python
from django.urls import path
from . import views

urlpatterns = [
 path('v1/assetlist/', views.AssetListAPIView.as_view()), # この行を修正
]
``` 
Class-based Viewsを読み込むとき、「as_view()」と記述する必要があるので注意が必要です。 

 
 

# サンプルデータの追加 
最低限の動作確認を行うため、とりあえずphpMyAdminの画面からデータを追加しておきます。 
![20221120193200](//images.ctfassets.net/g03afh073hzw/63aXv0iDZ49UHgWI8446s/f8866d7165c4b9a224a174903d51faa6/20221120193200.jpg) 
![20221120193300](//images.ctfassets.net/g03afh073hzw/3ULdWLkJ3ynqN3CioJDlna/b2ee167210fd1c671a62d228e6c51f1f/20221120193300.jpg)

 
 

# API動作確認 
http://localhost:8888/api/asset-management/v1/assetlist/ 
にアクセスし、想定通りのデータが取得できているかどうかを確認します。 
![20221120193700](//images.ctfassets.net/g03afh073hzw/6dOrq64y5qmlijUzw3kv2R/03c15bf691faa49e4713b7fa72750738/image.png)

DBに登録した通りの値が取得できることが確認できました。 

 
 

# データ追加・更新・削除用APIの作成 
合わせて新規データ追加、更新、削除用APIも作成しておきます。 
先ほどと同じようにPOST、PUT、DELETEメソッドを作成して処理を記述するのみです。 
この時点でフロントエンドのとIFを決めておき、記述していきます。 
また、POST時には「diff」「diff_rate」は自動計算。「date」はとりあえず今日の日付を取得して自動で入れるようにします。 

```python
from rest_framework.views import APIView
from rest_framework.status import HTTP_200_OK, HTTP_201_CREATED, HTTP_400_BAD_REQUEST
from rest_framework.response import Response
from .models import Asset
from .serializers import AssetSerializer

class AssetListAPIView(APIView):
 def get(self, request):
 asset = Asset.objects.all()
 serializer = AssetSerializer(asset, many=True)

 return Response(serializer.data, status=HTTP_200_OK)

 # ここから追加した内容
 def post(self, request):
 date = dt.date.today()
 asset_amount = int(request.data['asset'])
 managed_app = request.data['app']
 memo = request.data['memo']
 last_data = Asset.objects.filter(managed_app=managed_app).order_by("created_at").last()
 diff = asset_amount - last_data.asset_amount
 diff_rate = round((asset_amount/last_data.asset_amount-1)*100, 2)
 data = {'asset_amount': asset_amount,
 'created_at': date,
 'diff': diff,
 'diff_rate': diff_rate,
 'managed_app': managed_app,
 'memo': memo
 }
 serializer = AssetSerializer(data=data)
 if serializer.is_valid():
 serializer.save()
 return Response(serializer.data, status=HTTP_201_CREATED)
 return Response(serializer.errors, status=HTTP_400_BAD_REQUEST)

 def put(self, request):
 req_data = request.data
 data = {'id': req_data['id'], 'asset_amount': req_data['asset_amount'], 'diff': req_data['diff'],
 'diff_rate': req_data['diff_rate'], 'created_at': req_data['created_at'],
 'managed_app': req_data['managed_app'], 'memo': req_data['memo']}
 pre_data = Asset.objects.get(id=data['id'])
 serializer = AssetSerializer(pre_data, data=data)
 if serializer.is_valid():
 serializer.save()
 return Response(serializer.data, status=HTTP_201_CREATED)
 return Response(serializer.errors, status=HTTP_400_BAD_REQUEST)

 def delete(self, request):
 req_target = request.query_params.get('target')
 data = Asset.objects.get(id=req_target)
 data.delete()
 return Response(status=HTTP_204_NO_CONTENT)
``` 
こちらもSerializerを使って簡単に実装することが出来ます。 

先ほどと同じように動作確認してみます。 
http://localhost:8888/api/asset-management/v1/asset/ 
へアクセスすると、画面下にPOST用の欄があるのでこれを使います。 
![20221120194200](//images.ctfassets.net/g03afh073hzw/6QRmhuBOjbT9ZSMfwgGufL/87d81eeeb7894cb7d96485cfef1fd7e3/20221120194200.jpg) 

下記の様なデータを追加してみます。 

```yaml
{
"asset":"2600000",
"app":"1",
"memo":""
}
``` 

成功すると下記のように表示されます。

![20221120194700](//images.ctfassets.net/g03afh073hzw/2vr3KzztuwxthYQ1pKOglh/c2f2bd0fbb6fb8a8935de9db635ba4c3/20221120194700.jpg) 

# その他のAPI作成 
とりあえずAssetモデルからデータの取得・更新・削除・追加を行うための基本的なAPIは作成しましたが、これだけでは使いにくいので他のAPIも用意しておきます。 

## 特定の情報のみ取得するAPI 
例えば、「Zaim」として登録したデータのみ取得するようなAPIです。グラフ表示用データ取得などに使うことを想定しています。 
基本的には同じことをやっていくだけなのですが、今回は「query_params.get()」でクエリパラメータを取得するようにします。ここでアプリを指定する想定です。 
また、資産額（asset_amouunt）のみを返すように作成するので、先ほど作成したSerializerは使わず、自分で配列を作り、それをreturnするようにしました。 

```python
class AssetAmountAPIView(APIView):
 def get(self, request):
 req_target = request.query_params.get('target')
 if req_target:
 asset = Asset.objects.filter(managed_app__name=req_target)
 asset = asset.values('asset_amount')
 asset_list = [
 {
 'amount': a['asset_amount']
 }
 for a in asset
 ]
 data_list = []
 for a in asset_list:
 data_list.append(a['amount'])

 return Response({'data': data_list}, status=HTTP_200_OK)
``` 

## グラフラベル取得API 
グラフは縦軸：資産額、横軸：登録日とする予定なので、日付の一覧を取得するAPIを作成しておきます。 
とりあえず全アプリ同じ日にデータを登録することを前提とし、1つのアプリの情報のみ取得するようにします。
今回は「Zaim」決め打ちで作成しました。ここを各アプリごとに取得したい場合は、先ほどと同じように 
「req_target = request.query_params.get('target')」 
とすることで対象アプリを指定できるような作りにすればいいでしょう。 

```python
class AssetDateAPIView(APIView):
 def get(self, request):
 asset = Asset.objects.filter(managed_app__name='Zaim')
 asset = asset.values('created_at')
 asset_list = [
 {
 'created_at': a['created_at']
 }
 for a in asset
 ]
 date_list = []
 for a in asset_list:
 date_list.append(a['created_at'].strftime('%Y/%m/%d'))

 return Response({'data': date_list}, status=HTTP_200_OK)
``` 

## アプリ一覧取得API 
アプリマスタからアプリ一覧を取得するAPIです。例えば、データ登録画面を作る際に、セレクトボックスを作ったりするときに使います。 

```python
class AppListAPIView(APIView):
 def get(self, request):
 app = AppMaster.objects.all().order_by('id')
 serializer = AppSerializer(app, many=True)

 return Response(serializer.data, status=HTTP_200_OK)
``` 

最低限の作成・確認が出来たので、今回は一旦ここまでとしておきます。

資産記録アプリ開発③～Django REST frameworkを使ったAPIの実装～

# 環境 
Docker、docker-compose以前入れた物なのでバージョンは少し古めです。 
OS：Windows 11 Home（21H2） 
Docker：version 20.10.2, build 2291f61 
docker-compose： version 1.27.4, build 40524192 
Python： 3.8 
 
 

# MySQL環境構築 
MySQLは最新版ではなく5.7を使用します。
ついでにGUIで色々出来るようにphpMyAdminもインストールしておきます。 

この2つをdocker-composeを使って構築していきます。 

まずはdocker-compose.yamlを作成します。 

```yaml
version: '3'

services:
 mysqldb:
 image: mysql:5.7
 container_name: mysql57_container
 environment:
 MYSQL_ROOT_PASSWORD: root
 MYSQL_DATABASE: money
 TZ: 'Asia/Tokyo'
 volumes:
 - ./docker/db/data:/var/lib/mysql 
 - ./docker/db/my.cnf:/etc/mysql/conf.d/my.cnf
 - ./docker/db/sql:/docker-entrypoint-initdb.d
 ports:
 - "3306:3306"
 command: mysqld --character-set-server=utf8mb4 --collation-server=utf8mb4_unicode_ci
 phpmyadmin:
 image: phpmyadmin/phpmyadmin
 depends_on:
 - mysqldb
 environment:
 - PMA_ARBITRARY=1
 - PMA_HOSTS='mysqldb'
 ports:
 - "8000:80"
 volumes:
 - ./docker/phpmyadmin/sessions:/sessions
``` 

データ永続化などを考慮した作りにしておきます。 
合わせて下記の様なフォルダを作成しておきます。 

```yaml
D:mysql
├─docker-compose.yml
│
└─docker
 ├─db
 │ ├─my.cnf
 │ │
 │ ├─data
 │ │
 │ └─sql
 └─phpmyadmin
 └─sessions
``` 

準備が出来たら立ち上げます。

```bash
docker-compose up
``` 

「http://localhost:8000」へアクセスし、下記の様な画面が表示されログインできれば、立ち上げ成功です。 
![20221010120100](//images.ctfassets.net/g03afh073hzw/HgnQfAZxSsB8LCzM9NP62/ee9bd556becdc13fe907813a419ec175/20221010120100.jpg) 

![20221010121200](//images.ctfassets.net/g03afh073hzw/7mmkx4nUdCZlNw27TZyBkN/b91ec40dcbcd1b1e17d723cc640d4668/20221010121200.jpg) 
 
 

# テーブル作成 
まずは以前の手順を参考にDjangoの環境を構築します。 

```bash
conda create -n assetmanagement python=3.8
conda activate assetmanagement
conda install -c conda-forge django
django-admin startproject AssetManagement
``` 

参考： 
[Djangoを使ってみる①(環境構築～プロジェクト作成)](https://hachidev.com/posts/Django%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%A6%E3%81%BF%E3%82%8B%E2%91%A0(%E7%92%B0%E5%A2%83%E6%A7%8B%E7%AF%89%EF%BD%9E%E3%83%97%E3%83%AD%E3%82%B8%E3%82%A7%E3%82%AF%E3%83%88%E4%BD%9C%E6%88%90) 
[Djangoを使ってみる②(アプリケーションの作成)](https://hachidev.com/posts/Django%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%A6%E3%81%BF%E3%82%8B%E2%91%A1(%E3%82%A2%E3%83%97%E3%83%AA%E3%82%B1%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3%E3%81%AE%E4%BD%9C%E6%88%90) 
[Djangoを使ってみる④(Modelの作成～管理画面の使用)](https://hachidev.com/posts/Django%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%A6%E3%81%BF%E3%82%8B%E2%91%A3(Model%E3%81%AE%E4%BD%9C%E6%88%90%EF%BD%9E%E7%AE%A1%E7%90%86%E7%94%BB%E9%9D%A2%E3%81%AE%E4%BD%BF%E7%94%A8)

下記の様なファイルが生成されます。 
今回はわかりやすいように「settings.py」等が入っているフォルダを「config」という名前に変更しておきます。 
「manage.py」「settings.py」の修正が必要なのでプロジェクト内を「AssetManagement」で検索して全て「config」に修正します。 

![20221010153500](//images.ctfassets.net/g03afh073hzw/4IqCcwZSq7qs6yVXSDvhjl/2258128fea5077e67a3435a640c3becb/20221010153500.jpg) 

続いて、アプリを作成します。ついでにMySQLを使用するためのライブラリもインストールしておきます。 

```bash
python manage.py startapp asset_management
pip install mysqlclient
``` 

次にテーブルを作成するためにモデルの定義を行います。 
今回は資産総額管理画面のためのモデルだけ作成します。 
「asset_management\models.py」を下記のように編集します。 

```python
from django.db import models

class AppMaster(models.Model):
 name = models.CharField(max_length=128, unique=True)

class Asset(models.Model):
 created_at = models.DateField()
 asset_amount = models.IntegerField()
 diff = models.IntegerField()
 diff_rate = models.FloatField()
 managed_app = models.ForeignKey(AppMaster, on_delete=models.CASCADE, related_name='asett_app')
 memo = models.CharField(max_length=256, null=True, blank=True)
``` 

Djangoはデフォルトではsqliteを使用する設定になっているため、settings.pyを下記のように修正し、MySQLに接続するようにします。 
今回は環境変数から値を読み取る様記載しました。 

```python
DATABASES = {
 'default': {
 'ENGINE': 'django.db.backends.mysql',
 'NAME': os.environ['DBNAME'],
 'USER': os.environ['DBUSER'],
 'PASSWORD': os.environ['DBPASSWORD'],
 'HOST': os.environ['DBHOST'],
 'PORT': os.environ['DBPORT'],
 }
}
``` 
 
 

環境変数設定例 : 

| 変数名 | 値 |
| ---------- | ---------- |
| DBNAME | money |
| DBUSER | root |
| DBPASSWORD | root |
| DBHOST | 127.0.0.1 |
| DBPORT | 3306 |

 
 
その他、エラーが出ない様settings.pyやuils.pyを修正しておきましょう。 
環境が整ったら、マイグレーションを行います。 

```bash
python manage.py makemigrations
python manage.py migrate
``` 

マイグレーションが成功後、再度phpMyAdminへアクセスすると下記のようにテーブルが作成されています。 
![20221010163100](//images.ctfassets.net/g03afh073hzw/2fg9ZjHEanqAVhOpqPeHFO/dade936dbc7d97cc66123f8319d2aed8/20221010163100.jpg) 
![20221010163200](//images.ctfassets.net/g03afh073hzw/3aZKu1fqjNvzcWvPEU19Wl/f757bdbdead8010d4cfa827d14754b39/20221010163200.jpg)

資産記録アプリ開発②～DB作成～

# 今回やりたいこと 
資産の記録をするためのアプリケーションを作成していきます。 
例えば、総資産額や株式の配当金などを記録・可視化するためのアプリケーションです。 

普段家計簿アプリ等を使ってお金の管理をしているのですが、いまいち自分の使い方に合わず、部分的にエクセルを使用して管理していたりします。 
データ数も増えてきたので自分の管理しやすいようなアプリケーションを作ってみようと思います。 

 
 
# 使用するもの
下記を使ってブラウザで閲覧できるものを作ります。 
・Next.js 
・Django 
・MySQL 
外部公開などはせず自分のみが使用する想定なので、ユーザー管理機能などは作りません。 

 
 
# イメージ 
最近は色々なサービスがありますが、今回は[Figma](https://www.figma.com/ja/ "Figma")というサービスを使ってみました。 
まずは簡単なものとして下記のようなものを作ってみようと思います。 
■資産総額管理画面 
現在複数の家計簿アプリで管理し、それぞれ微妙に連携している口座等が異なるという面倒くさい使い方をしているので、複数のグラフが表示できるようにします。 
![資産総額](//images.ctfassets.net/g03afh073hzw/3u9OZ2S8Mle1dUTaQmHNJf/0314fbe22ff9f9a3e2e621ac6c205507/____________.png) 

■配当金管理画面 
![配当管理](//images.ctfassets.net/g03afh073hzw/6jy01XAxDuhv36avtNclGp/b959213cf0e6f44d7ba52cfe2624a1b8/____________.png) 

データ登録や編集・削除は面倒なので省略 

 
 
# DB構成 
複数ページを作成する予定ではありますが、それぞれ関連するようなものではないのでとりあえず各ページに対応した独立したテーブルを作成します。 
また、アプリ名や会社名などはマスターテーブルを用意して管理することとします。 

| 資産総額管理テーブル |
| ---------- |
| No（PK） |
| 登録日 |
| 金額 |
| 増減額(前月比) |
| 増減率(前月比) |
| 管理アプリ |
| メモ |

 
 

| アプリテーブル |
| ---------- |
| No（PK） |
| アプリ名 |

 
 

| 配当金管理テーブル |
| ---------- |
| No（PK） |
| 登録日 |
| 会社名 |
| 株数 |
| 金額 |
| メモ |

 
 

| 会社テーブル |
| ---------- |
| No（PK） |
| 会社名 |
| 証券コード |
| 市場 |

 
 

| 市場テーブル |
| ---------- |
| No（PK） |
| 市場名 |
| 国 |

何となくイメージが出来てきたので、次回から環境を作っていこうと思います。 
あまり深く考えていないので、作っている間に色々変わってきそうですが、好きに開発できるのも個人開発のいいところです。

資産記録アプリ開発①～構想・簡易設計～

前回（[Djangoを使ってみる⑤(DBの中身を表示)](https://hachidev.com/posts/django_start_view "Djangoを使ってみる⑤(DBの中身を表示)")）DBの中身を表示してみたが、あのままでは少し味気ないので他の方法を試してみます。 
 
 

# DataTablesについて 
今回はDataTablesというものを使ってみます。 
DataTables：[datatables](https://datatables.net/ "datatables") 

・ページング機能 
・ソート機能 
・検索機能 
などが搭載されたテーブルを手軽に使うことが出来ます。 

データ量が多い場合はServer-side processingを使うと良いでしょう。 
今回データ量は少ないですがServer-side processingを使ってやってみます。 

 
 
# django-datatables-viewのインストール 
DjangoでServer Side Processingする場合は、 django-datatables-viewを使います。 
下記コマンドでインストールしておきます。 

```bash
pip install django-datatables-view
``` 

 
 
# HTMLテンプレートの作成 
必要な処理は以下の通りです。 
①DataTablesを使うのに必要なファイルの読み込み

```html
<link rel="stylesheet" href="https://cdn.datatables.net/t/bs-3.3.6/jqc-1.12.0,dt-1.10.11/datatables.min.css"/>
 <script src="https://cdn.datatables.net/t/bs-3.3.6/jqc-1.12.0,dt-1.10.11/datatables.min.js"></script>
```

②テーブルの作成 

```html
<table id="book" class="table table-bordered">
 <thead>
 <tr>
 <th>本の名前</th>
 <th>作者</th>
 <th>出版社</th>
 <th>価格</th>
 </tr>
 </thead>
</table>
``` 

③作成したテーブルにDataTablesを適用 

```html
<script>
 $('#book').DataTable({
 オプションを記載
 });
</script>
``` 
オプションは公式に詳しく載っているので必要なものを記載しておきます。 
オプション：[option](https://datatables.net/reference/option/ "option") 

今回はServer-side processing(ajax)を使用するので下記のように設定します。 

```html
<!DOCTYPE html>
<html lang="en">
 <head>
 <meta charset="UTF-8">
 <title>書籍一覧</title>
 <link rel="stylesheet" href="https://cdn.datatables.net/t/bs-3.3.6/jqc-1.12.0,dt-1.10.11/datatables.min.css"/>
 <script src="https://cdn.datatables.net/t/bs-3.3.6/jqc-1.12.0,dt-1.10.11/datatables.min.js"></script>
 </head>
 <body>
 <table id="book" class="table table-bordered">
 <thead>
 <tr>
 <th>本の名前</th>
 <th>作者</th>
 <th>出版社</th>
 <th>価格</th>
 </tr>
 </thead>
 </table>
 <script>
 $('#book').DataTable({
 deferRender: true,
 serverSide: true,
 processing: true,
 orderCellsTop: true,
 responsive: true,
 ajax: {
 "url": "/data/",
 "type": "GET",
 },
 columnDefs: [
 {targets: 0, data: 'book_name'},
 {targets: 1, data: 'author' },
 {targets: 2, data: 'publisher' },
 {targets: 3, data: 'price' },
 ]
 });
 </script>
 </body>
</html>
``` 
 
 
# views.pyの編集 
先ほど設定したテーブルにmodelのデータを渡すための処理を追加します。 
これまでと違い「class」にしなければいけないので注意が必要です。 

```python
from django_datatables_view.base_datatable_view import BaseDatatableView

class DataTableView(BaseDatatableView):
 # モデルの指定
 model = book_list
 # 表示するフィールドの指定
 columns = ['book_name', 'author', 'publisher', 'price']

 # 検索方法の指定：部分一致
 def get_filter_method(self):
 return super().FILTER_ICONTAINS
```
ソース全体はこちらを参照： 
[views.py](https://github.com/hachi0088/django/blob/master/test_app/views.py "views.py") 
 
 
# urls.pyの編集 
htmlファイルを読み込むための処理と先ほどのviews.pyに記載した処理を紐づけるための処理を記載します。 

```python
from django.urls import path
from django.views.generic import TemplateView
from .views import DataTableView #追加部分
from . import views

urlpatterns = [
 path('', views.index, name='index'),
 path('book_list/', views.view_book_list, name='book_list'),
 path('book_list_datatables', TemplateView.as_view(template_name='test_app/book_list_datatables.html'), name='book_list_datatables'), #追加部分
 path('data/', DataTableView.as_view()), #追加部分
]
``` 

※「path('data/', DataTableView.as_view()),」 
の「'data/'」の部分はhtmlファイルに記載した「ajax」のurlの部分と一致させる必要があります 

```html
ajax: {
 "url": "/data/",
 "type": "GET",
 },
``` 
 
 
# 動作確認 
「python manage.py runserver 127.0.0.1:8000」でサーバを起動させ、 
[http://127.0.0.1:8000/book_list_datatables] 
にアクセスをし、下記のように表示されていればＯＫです。 
![20210530114822](//images.ctfassets.net/g03afh073hzw/630ZrFUBFOg1M1Hzy7qRY9/e7fedbe9af142cf6b74c54b36eacdc56/20210530114822.jpg)

環境一式はこちら： 
[https://github.com/hachi0088/django](https://github.com/hachi0088/django "https://github.com/hachi0088/django")

Django

DataTablesとDjango（model）の連携

# 目指す形 
前回登録したデータをテーブル形式で表示するページを作成してみます。
「下記赤枠の部分をクリックすると、データ一覧表示」というのを目指してみます。 
![20210523120021](//images.ctfassets.net/g03afh073hzw/585eFX5xzjPRWReYcnr3kA/f2b65dfc4fa650d58f711c13924cd1f4/20210523120021.jpg) 
 
 
# view.pyの編集 
test_appフォルダの中にある「view.py」に関数を追加します。 

```python
from django.http import HttpResponse
from django.shortcuts import render
from .models import book_list

def index(request):
 return render(request, 'test_app/index.html')

# 今回追加した関数
def view_book_list(request):
 data = book_list.objects.all() # book_listテーブルの全データ取得
 contents = {'data': data} # contentsという辞書型変数に取得したデータを格納
 return render(request, 'test_app/book_list.html', contents) # book_list.htmlを表示する処理。先ほどのcontentsという変数に格納されたデータを渡す
``` 
 
 
# テンプレートの作成 
「templates」フォルダに「book_list.html」を作成します。 
book_list.htmlには、 
テーブルを1つ用意し、先ほどviews.pyで設定した「contents」という変数に格納されているデータを展開し、一覧を表示する 
という処理を記載します。 

```html
<!DOCTYPE html>
<html>

<head>
 <meta charset="utf-8" />
 <title>書籍一覧</title>
</head>

<body>
 <h1>書籍一覧</h1>
 <table border="1">
 <tr>
 <th>本の名前</th>
 <th>作者</th>
 <th>出版社</th>
 <th>価格</th>
 </tr>
 {% for book in data %} 
 <tr>
 <td>{{ book.book_name }}</td>
 <td>{{ book.author }}</td>
 <td>{{ book.publisher }}</td>
 <td>{{ book.price }}</td>
 </tr>
 {% endfor %}
 </table>
</body>
``` 
 
 
# urls.pyの編集 
先ほど作成したテンプレートを表示できるようurls.pyに下記を追記します。 

```python
from django.http import HttpResponse
from django.shortcuts import render
from .models import book_list

def index(request):
 return render(request, 'test_app/index.html')

# 今回追加した関数
from django.urls import path

from . import views

urlpatterns = [
 path('', views.index, name='index'),
 path('book_list/', views.view_book_list, name='book_list'), #追加部分
]
``` 
 
 
# index.htmlの編集 
index.htmlの101行目にリンクを記載する部分があるのでリンク先のURLを「book_list/」と修正します。 
![20210523145735](//images.ctfassets.net/g03afh073hzw/1o7kUdmxFqb5QMkIT2PlGf/81c570fe4eb25d513fd0b7342fbd2b5d/20210523145735.jpg) 
 
 
# 動作確認 
いつも通り 
python manage.py runserver 127.0.0.1:8000 
でサーバーを起動し、「[http://127.0.0.1:8000/]」へアクセスします。 
赤枠部分をクリックしてページ遷移をするとDBに登録したデータの一覧が表示されます。 
![20221019121600](//images.ctfassets.net/g03afh073hzw/1liHh0wzphMFawV002zpQg/64b9b11a84eeff5275e5fc4ac7110ee0/20221019121600.jpg)

Djangoを使ってみる⑤(DBの中身を表示)

# modelの作成 
## models.pyの編集 
test_appフォルダの中にある「models.py」を編集しmodelを作成することでDBのテーブル設計が出来ます。 

![20210522183811](//images.ctfassets.net/g03afh073hzw/3OKEj0WxToOlt25lUSo31y/35864de622df547574c1343b83fdf770/20210522183811.png) 

例えば下記の様なデータ構造を作りたい場合
テーブル名：book_list

| 本の名前(book_name) | 作者(author) | 出版社(publisher) | 価格(price) |
| ---------- | ---------- | ---------- | ---------- |
| 入門 Python 3 | Bill Lubanovic | オライリージャパン | 4070 |
| 独習Python | 山田 祥寛 | 翔泳社 | 3300 |
| ・・・ | ・・・ | ・・・ | ・・・ |

models.pyに下記のように追記します。 

```python
from django.db import models

class book_list(models.Model):
 book_name = models.CharField(max_length=200)
 author = models.CharField(max_length=200)
 publisher = models.CharField(max_length=200)
 price = models.CharField(max_length=200)
``` 

※field type、field option一覧：[Model field reference | Django documentation | Django](https://docs.djangoproject.com/en/3.2/ref/models/fields/#model-field-types "Model field reference | Django documentation | Django") 
 
 
## マイグレーションファイルの作成 
settings.pyを開き、INSTALLED_APPSにアプリケーションを追加します。 
![20210522191201](//images.ctfassets.net/g03afh073hzw/57R3FIvkmNxEZS2cmkc5Tm/a14224cad6b91a26405d30a2bd4d325f/20210522191201.png)

makemigrationsコマンドを実行します。 
コマンド例：python manage.py makemigrations test_app 

そうすると「book_list」というmodelが作成されます。 
![20210522191335](//images.ctfassets.net/g03afh073hzw/5crAUl3pwMI3KdLyBw82Cu/0c0e468aa7c1a9d8b1cef0d40163c749/20210522191335.png) 
 
 
## modelをデータベースに反映 
migrateコマンドを実行し、modelをデータベースに反映させます。 
コマンド例：python manage.py migrate 
![20210523091245](//images.ctfassets.net/g03afh073hzw/1zOLVzZwAmnKI7nD5wTkLu/f1720c8f3fbad55a683156ede2147240/20210523091245.png) 

これでデータベースにbook_listというテーブルを作成することが出来ました。 
modelを確認するため、管理画面を有効化してみます。 
 
 
# 管理画面の使用 
必須というわけではありませんが、簡単に使用できるので使ってみます。 
 
 
## 管理者ユーザーの作成 
管理画面を使用するために管理者ユーザー (スーパーユーザー) を作成します。 
コマンド：python manage.py createsuperuser 
ユーザー名やメールアドレス、パスワードを入力します。 
パスワードは8文字以上設定する必要があるので注意が必要です。 

![20210523093005](//images.ctfassets.net/g03afh073hzw/1V7Rjj2742xyumBhdXttBh/e5864d81848ae24c527adb38d146c512/20210523093005.png) 

 
 
## admin.pyの編集 
管理画面でmodelを見るために、modelを登録する必要があります。 
「test_app」フォルダに含まれているadmin.pyを開き、以下のように記述します。 

```python
from django.contrib import admin
from test_app.models import book_list #追加

admin.site.register(book_list) #追加
``` 

![20210523093557](//images.ctfassets.net/g03afh073hzw/5vIxAVVPuSDXuzfI9EqmsD/50822529d30182a72f36f0cca3f9576f/20210523093557.png) 
 
 
## 管理画面へログイン 
これまで通り 
python manage.py runserver 127.0.0.1:8000 
でサーバを起動させます。 
起動後、ブラウザから 
http://127.0.0.1:8000/admin/ 
へアクセスします。 

ログイン画面が出てくるので先ほど設定したユーザー名とパスワードを入力してログインします。 

![20210523094003](//images.ctfassets.net/g03afh073hzw/6O3yVqs2YlTq2gJ6ReQCLS/2b413b9281ddc9a6473c70410d41530c/20210523094003.png) 

ログインに成功すると下記のような画面が表示されます。 
「Book_lists」が表示されているのでmodelの登録は問題なくできているようです。 
![20210523094214](//images.ctfassets.net/g03afh073hzw/1d5Cm5kyqI7akfqQJjIubJ/1764daaf35e314200dd444563a2e4f70/20210523094214.png) 
 
 
## データ登録 
先ほどの「Book_lists」クリックすると下記の様な画面が表示されます。 
![20210523094332](//images.ctfassets.net/g03afh073hzw/5Iy1y1LImCAmwwrTTNEgYk/eb5a3c60a1bf4ebe0d267d64a15cc4b0/20210523094332.png) 

『「BOOK_LIST」を追加＋』をクリックすると下記の様なデータ登録画面が表示されます。 
![20210523094839](//images.ctfassets.net/g03afh073hzw/aF6TRLPAJt0QvlncjQWNz/620c1e4c223f8cf4b63e07882fc5535e/20210523094839.png) 

最初の例に挙げた2つのデータを登録してみます。 
![20210523095248](//images.ctfassets.net/g03afh073hzw/3nneklGGXP5cntFts1hfOC/068b9e3e59406ba185dac4109f106250/20210523095248.png)

データが登録されると下記のように「book_list object」というのが2つ生成されます。
各リンクをクリックすると、データの中身を編集することも可能です。 
![20210523095329](//images.ctfassets.net/g03afh073hzw/4nDru0KkAgftQ0KkTC5WQr/912cb9704bd7f29ff2b0fbc0fc346a2a/20210523095329.png)

Djangoを使ってみる④(Modelの作成～管理画面の使用)

# 使用するテンプレート 
「Hello, world」と表示するだけでは味気ないので既存のテンプレートを使ってトップページを作ってみます。 
今回は試しに「LESSER」というテンプレートを使ってみます。 
その他、「bootstrap テンプレート」などで調べると無料、有料問わず色々出てくるので好きなテンプレートを選べばOKです。 
基本的にやることはどのテンプレートでも同じになるはずです。 
[Lesser: Free HTML5 Bootstrap Template - FreeHTML5.co](https://freehtml5.co/preview/?item=lesser-free-html5-bootstrap-template:embed "Lesser: Free HTML5 Bootstrap Template - FreeHTML5.co")
 
 
# テンプレートのダウンロードと配置 
「Free Download」からテンプレートをダウンロードします。 
![20210509154521](//images.ctfassets.net/g03afh073hzw/w7YEOzlUhRqjZyuV1yYaW/5dbda881caa65c3f59579a702eedb567/20210509154521.png)

manage.pyのある階層に「static」「templates」フォルダを作成します。 
![20210509154656](//images.ctfassets.net/g03afh073hzw/6yGBvR4FFNssfP4BKeu7k8/71461df9d17fcdb99f9de12eba19be2e/20210509154656.png) 

ダウンロードしたテンプレートを解凍し、「css」「fonts」「images」「js」「sass」を先ほど作成した「static」フォルダにコピーします。 
![20210509155411](//images.ctfassets.net/g03afh073hzw/kRr1QVGLS6CqBrT8Ua0Mp/581f756d9136ac6cb4ffd60ba1492b15/20210509155411.png) 

「templates」フォルダに「test_app」というフォルダを作成し、そこにindex.htmlをコピーします。 
![20210509155655](//images.ctfassets.net/g03afh073hzw/162fLxNCncoVTXYYQIVB4O/c7debdb0de679b6b1a2d8d7334f51031/20210509155655.png) 
 
 
# settings.pyの編集 
TEMPLATESの部分を以下のように修正します。 

```python
TEMPLATES = [
 {
 'BACKEND': 'django.template.backends.django.DjangoTemplates',
 'DIRS': [os.path.join(BASE_DIR, 'templates')],　#修正箇所
 'APP_DIRS': True,
 'OPTIONS': {
 'context_processors': [
 'django.template.context_processors.debug',
 'django.template.context_processors.request',
 'django.contrib.auth.context_processors.auth',
 'django.contrib.messages.context_processors.messages',
 ],
 },
 },
]
``` 

また、下記を追加します。 

```python
STATICFILES_DIRS = [
 os.path.join(BASE_DIR, "static")
]
``` 
※osがimportされていない場合は「import os」も追加します 

変更を加えた箇所 
![20210509155948](//images.ctfassets.net/g03afh073hzw/5CMTQYaWrGnObEwkWVZOOG/8dc3c16000fef06dea37931608211cae/20210509155948.png) 
 
 
# test_app/views.pyの編集 
「Hello, world」と表示する処理を記載していた個所を、index.htmlを読み込む処理に変更します。 
views.pyを以下のように編集します。 

```python
from django.http import HttpResponse
from django.shortcuts import render #新規追加

def index(request):
 return render(request, 'test_app/index.html') #index.htmlを読み込む処理に変更
``` 
 
 
# index.htmlの修正 
デフォルト状態ではstatic配下のファイルを読みに行くことが出来ないためパスを変更する必要があります。 
まずファイルの先頭に下記の記述を追加します。 

```html
{% load static %}
``` 

次にcssファイル、jsファイル、jpgファイルを読み込ませるため、 

```html
<link rel="stylesheet" href="css/******.css">
<script src="js/******.js"></script>
<a href="#" class="featured-grid" style="background-image: url(images/******.jpg);">
<a href="#"><img class="img-responsive" src="images/******.jpg" alt="Blog"></a>
``` 

の様な個所のファイルパスの部分を「{% static 'ファイルパス' %}」で囲みます。

```html
<link rel="stylesheet" href="{% static 'css/******.css' %}">
<script src="{% static 'js/******.js' %}"></script>
<a href="#" class="featured-grid" style="background-image: url({% static 'images/******.jpg' %});">
<a href="#"><img class="img-responsive" src="{% static 'images/******.jpg' %}" alt="Blog"></a>
``` 
の様に修正します。 
例えば下記の様な個所です。 

![20210509161106](//images.ctfassets.net/g03afh073hzw/3ybEskNm2AY4h8wNgSI8SH/43a65d7b8dd7df1df1c0f4380c22932e/20210509161106.png) 

参考：変更後のファイル 
[ファイル](https://github.com/hachi0088/django/blob/master/templates/test_app/index.html "ファイル") 
 
 
# 動作確認 
サーバを再起動し、http://127.0.0.1:8000へアクセスします。 
下記のようにテンプレートが読み込まれていればOK。 

![20210509162814](//images.ctfassets.net/g03afh073hzw/64DBqJmFeXdp8pyEgPAN3r/b275f6d5e3a0c24165d92e145890ea12/20210509162814.png)
![20210509162826](//images.ctfassets.net/g03afh073hzw/6PHIgkJ4Y46jkRa75if27y/a6aaac9c35bbaa60bfdc366301d30bef/20210509162826.png)

Djangoを使ってみる③(テンプレートの適用)

# アプリケーションの作成 
「python manage.py startapp アプリケーション名」でアプリケーションを作成します。 
今回は「test_app」という名前で作成して進めていきます。 

```shell
python manage.py startapp test_app
``` 

作成すると下記のようにtest_appフォルダが生成されます。 
![ファイル一覧①](//images.ctfassets.net/g03afh073hzw/4llfJGlgJdHCUne2sZpplg/1db7ed84699559cc4a3728cce0fa1099/_____________________.png)

![ファイル一覧②](//images.ctfassets.net/g03afh073hzw/14EGKWutJSppfhPW27YS8t/3b2036c8d5d347906f2b1bcfac934504/_____________________.png)
 
 
# test_app/view.pyの編集 
HttpResponseを返す関数を作成します。
下記はページへアクセスしたときにページ上に「Hello, world」を表示する処理になります。 

```python
from django.http import HttpResponse

def index(request):
 return HttpResponse("Hello, world")
``` 
 
 
# test_app/urls.pyの作成 
test_appフォルダ配下にurls.pyを作成し、下記のコードを記述します。
view.pyで作成した関数を記述します。 

```python
from django.urls import path

from . import views

urlpatterns = [
 path('', views.index, name='index'),
]
``` 
 
 
# django_site/urls.pyの編集 
```python
from django.contrib import admin
from django.urls import path, include #追加

urlpatterns = [
 path('', include('test_app.urls')), #追加
 path('admin/', admin.site.urls),
]
``` 
 
 
# 動作確認 
サーバを再起動し、作成したページにアクセスすると下記のように表示されます。
![hello](//images.ctfassets.net/g03afh073hzw/2gGGwej2i1u3oXdxSwCtEj/4b4900fa8119dec1ba6d4191e2661d26/hello.png)

Djangoを使ってみる②(アプリケーションの作成)

# 前提
OS:Windows10 
 
 
# 準備 
Django用の環境を作成し、インストール 
bootstrapもインストールしておきます 

```shell
conda create -n django python=3.7
conda activate django
conda install -c conda-forge django
conda install -c conda-forge django-bootstrap4
```
 
 
# プロジェクトの作成
プロジェクトを作成したい場所へ移動します 

```shell
D:
cd django
```
プロジェクトの作成 

```shell
django-admin startproject django_site
```
プロジェクトを作成すると以下のようなファイルが自動生成されます 
![generate_file](//images.ctfassets.net/g03afh073hzw/41tlDpDCW7TrCCgk695GbX/7a3c1a8724dbb32891475ff33571952d/generate_file.png)
![generate_file2](//images.ctfassets.net/g03afh073hzw/JXbyZhkSGN9OmDpvlMsb8/383bc02977479b63d79007cfb7e4cdb4/generate_file2.png)
 
 
# サーバの起動
manage.pyのある場所へ移動し、「python manage.py runserver」を実行します 

```shell
cd django_site
python manage.py runserver
```

起動が成功すると下記のようなメッセージが出力されます 
![launch_server](//images.ctfassets.net/g03afh073hzw/1dXDKu6loXy3eNxW42JW0S/28d4d3ef43a34ec76eee67d5ae7ff488/launch_server.png)

メッセージに記載されているアドレスへアクセスすると以下のような画面が表示されます 
![start](//images.ctfassets.net/g03afh073hzw/ZPabE9mYhoKw6DPMjyUSM/0fc5b4c2716b94a149b75bbe8311ef12/start.png)

ポートなどを指定したい場合は「python manage.py runserver IPアドレス:ポート番号」とすればOKです 

```shell
python manage.py runserver 127.0.0.1:8080
``` 

 
 
# setting.pyの変更
## アクセス許可設定
setting.pyの28行目でアクセス許可の設定が可能です 
IPアドレスやホスト名を記述することで、アクセスを制限することが出来ます。 
「"*"」とすることですべてのホストを許可することも可能です 

```python
ALLOWED_HOSTS = ["*"]
``` 
 
 
## LANGUAGE_CODE、TIME_ZONEの設定
setting.pyを開き106行目(LANGUAGE_CODE)、108行目(TIME_ZONE)を以下のように変更します 

```python
LANGUAGE_CODE = 'ja'

TIME_ZONE = 'Asia/Tokyo'
```
![setting](//images.ctfassets.net/g03afh073hzw/4wObiVRyCoV5fCDcPcWWeD/7194f10435ffc3f927a58efbf5096403/setting.png)

変更し、サーバを再起動すると以下のように日本語になっていることが確認できます 
![japanase](//images.ctfassets.net/g03afh073hzw/3lKTIpE2IBjFFCfBxnObrM/5020e32a2fecb81f9c31a27e335f5ae0/japanase.png)