上巻 第5章 解答例

ここでは、 本書の学習内容の定着 を目的とした練習問題とその解答・解説を掲載します。 なお、問題の性質上、本書で取り上げた処理と重複することがあります。 ご了承ください。

前提

以下のように、ライブラリのインポートと変数の定義が完了していることを前提とします。

Show code cell content Hide code cell content

# pathlibモジュールのインポート
# ファイルシステムのパスを扱う
from pathlib import Path

# pandas：データ解析ライブラリのインポート
# pdという名前で参照可能
import pandas as pd

# plotly.expressのインポート
# インタラクティブなグラフ作成のライブラリ
# pxという名前で参照可能
import plotly.express as px

# plotly.graph_objectsからFigureクラスのインポート
# 型ヒントの利用を主目的とする
from plotly.graph_objects import Figure

Show code cell content Hide code cell content

# データ格納ディレクトリのパス
DIR_IN = Path("../../../data/cm/input")

# ファイル名の定義
FN_CE = "cm_ce.csv"

# plotlyの描画設定の定義
# Jupyter Notebook環境のグラフ表示に適切なものを選択
RENDERER = "plotly_mimetype+notebook"

また、本書中で取り上げた以下の関数も、同様に利用可能とします。

Show code cell source Hide code cell source

def show_fig(fig: Figure) -> None:
    """
    所定のレンダラーを用いてplotlyの図を表示
    Jupyter Bookなどの環境での正確な表示を目的とする

    Parameters
    ----------
    fig : Figure
        表示対象のplotly図

    Returns
    -------
    None
    """

    # 図の周囲の余白を設定
    # t: 上余白
    # l: 左余白
    # r: 右余白
    # b: 下余白
    fig.update_layout(margin=dict(t=25, l=25, r=25, b=25))

    # 所定のレンダラーで図を表示
    fig.show(renderer=RENDERER)

以下のようにファイルを読み込んでいると仮定します。

Show code cell content Hide code cell content

# マンガ各話データを格納するcm_ce.csvを読み出し、df_ceとして格納
df_ce = pd.read_csv("../../../data/cm/input/cm_ce.csv")

基礎 問題1：DataFrameの冒頭行の確認

関連セクション: Pandasの基礎

データ分析の第一歩は、データの中身を確認することです。 本文では head() メソッドでデフォルトの5行を表示しましたが、もう少し多くの行を確認してみましょう。

df_ce の先頭10行を表示してください。

ヒント

• head() メソッドに引数を渡すことで、表示する行数を指定できます

• 例えば df.head(3) とすると先頭3行が表示されます

Show code cell content Hide code cell content

# df_ceの先頭10行を表示
df_ce.head(10)

	ceid	cename	ccid	miid	page_start	page_end	pages	page_start_position	two_colored	four_colored	miname	mcid	mcname	date	price	ccname
0	CE00000	第238話/この世代	C90829	M535428	10.0	31.0	22.0	0.021368	False	True	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	ダイヤのA
1	CE00001	#134 話の続き	C90482	M535428	33.0	50.0	18.0	0.070513	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	君のいる町
2	CE00002	第5話 チア・ザ・マシンガン!	C90297	M535428	51.0	68.0	18.0	0.108974	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	アゲイン!!
3	CE00003	第233話 妖精の輝き	C89978	M535428	69.0	88.0	20.0	0.147436	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	FAIRY TAIL
4	CE00004	-BOUT 71- From Dark Zone	C89929	M535428	89.0	108.0	20.0	0.190171	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	A-BOUT!
5	CE00005	第94話	C90168	M535428	109.0	130.0	22.0	0.232906	False	True	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	我間乱 ～GAMARAN～
6	CE00006	第36話 星	C89936	M535428	131.0	150.0	20.0	0.279915	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	AKB49 ～恋愛禁止条例～
7	CE00007	#164 どうやって	C89939	M535428	151.0	168.0	18.0	0.322650	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	Baby Steps ベイビーステップ
8	CE00008	code:133 覚悟の証	C89961	M535428	169.0	188.0	20.0	0.361111	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	CODE:BREAKER コード:ブレイカー
9	CE00009	324時間目 明かされた秘密!!	C91386	M535428	189.0	206.0	18.0	0.403846	False	False	週刊少年マガジン 2011年 表示号数24	C119033	週刊少年マガジン	2011-05-25	248.0	魔法先生 ネギま! MAGISTER NEGI MAGI

解説

head() メソッドは、DataFrameの先頭から指定した行数を取得する基本的なメソッドです。

引数を省略するとデフォルトで5行が表示されますが、head(10) のように引数を指定することで任意の行数を表示できます。 データの概要を把握する際に、5行では不十分な場合に活用しましょう。

関連セクション: 詳しくはPandasの基礎を参照してください。

基礎 問題2：記述統計量の確認

関連セクション: Pandasの基礎

数値データの全体像を把握するには、平均値や標準偏差などの記述統計量を確認することが有効です。

df_ce の pages（ページ数）列と page_start_position（掲載位置）列に対して describe() メソッドを適用し、記述統計量を確認してください。

ヒント

• 複数の列を選択するには df[["列名1", "列名2"]] のようにリストで指定します

• describe() メソッドは、件数・平均・標準偏差・最小値・四分位数・最大値を一括で算出します

Show code cell content Hide code cell content

# pages列とpage_start_position列の記述統計量を確認
df_ce[["pages", "page_start_position"]].describe()

	pages	page_start_position
count	180076.000000	180076.000000
mean	18.524906	0.514882
std	7.713260	0.283149
min	1.000000	0.002045
25%	17.000000	0.274943
50%	19.000000	0.520642
75%	20.000000	0.759642
max	487.000000	1.000000

解説

describe() メソッドは、数値データの記述統計量を一括で算出する便利なメソッドです。

出力には、データ件数（count）、平均値（mean）、標準偏差（std）、最小値（min）、四分位数（25%、50%、75%）、最大値（max）が含まれます。 これらの統計量を確認することで、データの分布や外れ値の有無を素早く把握できます。

関連セクション: 詳しくはPandasの基礎を参照してください。

標準 問題3：特定の雑誌に絞った基礎統計

関連セクション: Pandasの基礎

全体の統計量だけでなく、特定のカテゴリに絞った統計量を確認することで、より詳細な傾向が見えてきます。

df_ce から週刊少年チャンピオン（mcname が「週刊少年チャンピオン」）のデータのみを抽出し、pages 列の記述統計量を describe() で確認してください。

ヒント

• 特定の条件に合致する行を抽出するには、ブールインデックス df[df["列名"] == "値"] を使用します

• 例えば df[df["mcname"] == "週刊少年サンデー"] とすると、週刊少年サンデーのデータのみが抽出されます

Show code cell content Hide code cell content

# 週刊少年チャンピオンのデータのみを抽出
df_champion = df_ce[df_ce["mcname"] == "週刊少年チャンピオン"]

# pages列の記述統計量を確認
df_champion["pages"].describe()

count    45444.000000
mean        18.076886
std          7.012900
min          1.000000
25%         16.000000
50%         20.000000
75%         20.000000
max        207.000000
Name: pages, dtype: float64

解説

ブールインデックスによるフィルタリングと describe() を組み合わせることで、特定のカテゴリに限定した統計量を確認できます。

週刊少年チャンピオンのページ数統計を全体と比較すると、雑誌ごとの編集方針の違いが見えてくるかもしれません。 このように、データを適切に分割して分析することは、データ分析の基本的なアプローチです。

関連セクション: 詳しくはPandasの基礎を参照してください。

標準 問題4：特定の条件で絞ったソート

関連セクション: Pandasの基礎

データをソートすることで、特定の傾向を持つデータを見つけやすくなります。 フィルタリングとソートを組み合わせて、特定の条件を満たすデータを確認してみましょう。

df_ce からページ数（pages）が10以上のデータのみを抽出し、掲載位置（page_start_position）で昇順にソートして先頭5行を表示してください。

ヒント

• 条件による抽出は df[df["列名"] >= 値] のようにブールインデックスを使用します

• ソートには sort_values("列名") を使用します（デフォルトは昇順）

• 先頭5行の表示は head() を使用します

Show code cell content Hide code cell content

# ページ数が10以上のデータのみを抽出
df_10plus = df_ce[df_ce["pages"] >= 10]

# 掲載位置で昇順にソートし、先頭5行を表示
df_10plus.sort_values("page_start_position").head()

	ceid	cename	ccid	miid	page_start	page_end	pages	page_start_position	two_colored	four_colored	miname	mcid	mcname	date	price	ccname
85491	CE90522	第1話 反逆者	C94628	M556711	1.0	45.0	45.0	0.002273	False	True	週刊少年チャンピオン 2001年 表示号数27	C120282	週刊少年チャンピオン	2001-06-14	219.0	スクライド
68926	CE73441	狼健在の巻	C88709	M544455	1.0	27.0	27.0	0.003175	True	True	週刊少年ジャンプ 1977年 表示号数25	C119459	週刊少年ジャンプ	1977-06-20	150.0	サーキットの狼
85417	CE90448	NaN	C95128	M556708	2.0	32.0	31.0	0.004608	False	True	週刊少年チャンピオン 2001年 表示号数30	C120282	週刊少年チャンピオン	2001-07-05	210.0	ドカベン プロ野球編
115909	CE120940	第1話 ポム・スフレ	C93562	M577379	3.0	80.0	78.0	0.005576	False	True	週刊少年サンデー 2008年 表示号数30	C117607	週刊少年サンデー	2008-07-09	238.0	★★★(三ツ星)のスペシャリテ
112518	CE117549	第4話/春の巻 4	C92222	M577240	3.0	26.0	24.0	0.005639	False	True	週刊少年サンデー 2011年 表示号数22	C117607	週刊少年サンデー	2011-04-27	257.0	銀の匙 Silver Spoon

解説

ブールインデックスによるフィルタリングと sort_values() によるソートを組み合わせることで、条件を満たすデータを特定の順序で確認できます。

page_start_position が小さいほど雑誌の先頭に近い位置に掲載されています。 10ページ以上の作品で最も先頭に掲載されているものを確認することで、巻頭カラーや看板作品を抽出できる可能性があります。

関連セクション: 詳しくはPandasの基礎を参照してください。

標準 問題5：短ページ作品の除外と基礎統計

関連セクション: Pandasの基礎

データセットの中には、数ページのみの告知や短編掲載が含まれていることがあります。 一般的なマンガ作品を分析する際は、これらを除外した方が良いでしょう。

• pages（ページ数）列を利用して、ページ数が3ページより大きい（pages > 3）データのみを抽出してください

• 抽出後のデータの平均ページ数を算出し、全体像を確認しましょう

ヒント

• 条件による行の抽出にはブールインデックスを使用します（例: df[df["col"] > 3]）

• 平均値の算出には .mean() メソッドを使用します

Show code cell content Hide code cell content

# pagesが3より大きい行のみを抽出し、df_filteredとして定義
df_filtered = df_ce[df_ce["pages"] > 3]

# 抽出したデータのpages列に対してmeanメソッドを適用し、平均値を算出
avg_pages = df_filtered["pages"].mean()

# 計算された平均ページ数を表示
print(f"除外後の平均ページ数：{avg_pages:.2f}ページ")

除外後の平均ページ数：18.97ページ

解説

Pandasにおける ブールインデックス を用いたフィルタリングと、統計用メソッドの基本を確認する問題です。

df[df["列名"] > 値] という記法は、条件を満たす行のみを選択する強力な手法です。 また、.mean() メソッドは欠損値を自動的に除外して計算してくれるため、前処理後のデータの状態を素早く把握できます。

興味がある方は、 ページ数でフィルタリングしない データに対して平均ページ数を算出してみましょう。

関連セクション: 詳しくはPandasの基礎を参照してください。

発展 問題6：雑誌1冊あたりのマンガ作品数

関連セクション: Pandasの基礎

マンガ雑誌を「物理的な1冊」として捉えたとき、そこに何作品が詰め込まれているかは、雑誌の個性や読み応えを決定づける重要な要素です。

• 雑誌名（mcname）と雑誌巻号ID（miid）をキーにグループ化してください

• 1冊ごとの作品数（ccidのユニーク数）を算出し、新しいデータフレーム df_counts を作成してください

• 各雑誌（mcname）ごとの「1冊あたりの平均作品数」を算出して比較しましょう

ヒント

• 複数のカラムでグループ化するには .groupby(["col1", "col2"]) とリスト形式で指定します

• ユニークな要素数は .nunique() でカウントできます

• 集計後の列名は .rename(columns={...}) で変更できます

Show code cell content Hide code cell content

# 雑誌名(mcname)と巻号(miid)でグループ化し、作品(ccid)のユニーク数を算出
df_counts = df_ce.groupby(["mcname", "miid"])["ccid"].nunique().reset_index()

# 集計した列名を分かりやすく「作品数」を意味する名称に変更
df_counts = df_counts.rename(columns={"ccid": "ccid_per_miid"})

# 雑誌(mcname)ごとに、1冊あたりの作品数の平均を算出
df_summary = df_counts.groupby("mcname")["ccid_per_miid"].mean().reset_index()

# 集計結果を表示
df_summary

	mcname	ccid_per_miid
0	週刊少年サンデー	19.878630
1	週刊少年ジャンプ	18.461839
2	週刊少年チャンピオン	19.379147
3	週刊少年マガジン	19.463605

解説

.groupby() メソッドによる多段集計と、列名の変更操作を確認する問題です。

複数のカラムをリスト形式 ["mcname", "miid"] で渡すことで、より細かい粒度でのグループ化が可能になります。 集計後に .nunique() でユニークな要素数を数えたり、.rename(columns={...}) で列名を整理したりする操作は、コードの可読性を高めるために重要です。

なお、雑誌ごとの平均マンガ作品数の推移は、上巻4章や下巻4章の リッジラインプロット で扱います。興味のある方はチェックしてみましょう。

関連セクション: 詳しくはPandasの基礎を参照してください。

発展 問題7：作品数分布

関連セクション: Plotlyの基礎

問題6で算出した「平均値」だけでは、合併号や増刊号などで作品数が大きく変動している可能性（分布の広がり）が見えません。 df_counts を利用して、1冊あたりの作品数の分布を雑誌ごとに可視化しましょう。

• px.histogram() を使用して、1冊あたりの作品数（ccid_per_miid）のヒストグラムを作成してください

• facet_col に mcname を指定して、雑誌ごとに分布の形状を比較してください

ヒント

• px.histogram() でヒストグラムを作成します

• facet_col 引数でカテゴリごとにグラフを分割できます

• facet_col_wrap で折り返しの列数を指定できます

Show code cell source Hide code cell source

# px.histogramを使用して、1冊あたりの作品数の分布を可視化
# x軸にccid_per_miidを指定し、facet_colで雑誌別に分割
fig = px.histogram(
    df_counts, 
    x="ccid_per_miid", 
    facet_col="mcname", 
    facet_col_wrap=2,
    nbins=20, # 適切なビン数を設定して分布を詳細に見せる
    labels={"ccid_per_miid": "1冊あたりの作品数"}
)

# update_yaxesを用いて、すべてのサブプロットの軸ラベルを日本語に設定
# title_text引数を使用することで、facet内のすべての軸を一括で更新できる
fig.update_yaxes(title_text="巻号数（出現頻度）")

# 各ファセットのタイトルを簡略化
fig.for_each_annotation(lambda a: a.update(text=a.text.split("=")[-1]))

# 可視化結果を表示
show_fig(fig)

解説

Plotly Express（px）の 直感的なグラフ構築 と ファセットによる分割 を体験する問題です。

px.histogram() をはじめとする Plotly Express の関数は、少ないコード量でインタラクティブなグラフを生成できます。 特に facet_col 引数一つで、カテゴリーごとにグラフを分割して並べる処理が完結する点は、Plotly の大きなメリットです。

関連セクション: 詳しくはPlotlyの基礎を参照してください。