表記ゆれを整える

このレッスンでできるようになること。strアクセサを使って、同じものを指す別の書き方を1つに揃えられるようになります。

手入力の混ざったデータには表記ゆれが必ずあります。マイショップ・チェーンのカテゴリ欄には「食器」「しょっき」「食器 」の3通りが混ざっていました。人間の目には同じですが、pandas にとっては3つの別のカテゴリです。このまま店舗別カテゴリ別の集計をすると、食器の売上が3つに割れて表に並びます。

揃える道具がstrアクセサです。df["カテゴリ"].str と書くと、そこから先は文字列専用の操作が使えます。列のすべての値に同じ処理が走ります。

str.strip() は前後の空白を取ります。表記ゆれの原因でいちばん多いのが、コピー&ペーストで紛れ込んだ空白です。まずこれを取るのが定石です。

str.replace(古い, 新しい, regex=False) は文字の置き換えです。「しょっき」を「食器」にする、といった読み替えに使います。

置き換える対応が多いときは replace に辞書を渡す書き方が便利です。df["カテゴリ"].replace({"しょっき": "食器", "ちょうりきぐ": "調理器具"}) のように書けます。こちらは str アクセサを付けない replace で、値がまるごと一致したときだけ置き換わります。部分一致で置き換えたいなら str アクセサ側を使ってください。

英字が混ざるデータでは str.lower() で小文字に揃える、str.upper() で大文字に揃える、という手も使います。

揃ったかどうかは df["カテゴリ"].unique() で確かめます。残っている値の種類が一覧で出るので、想定した3種類になっていれば成功です。この演習では、空白の除去と読み替えの両方を通します。

1. str.strip で前後の空白を取り除く
2. str.replace で「しょっき」を「食器」にする
3. unique_count に揃えたあとの種類数を int で入れる
4. uniques に unique() の結果をリストにして入れる
5. categories にカテゴリ列のリストを入れる