BEGIN:VCALENDAR VERSION:2.0 PRODID:-//https://techplay.jp//JP CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:Python Pandas 勉強会 in 新潟 #29(オンライン(zoom)) X-WR-CALNAME:Python Pandas 勉強会 in 新潟 #29(オンライン(zoom)) X-WR-TIMEZONE:Asia/Tokyo BEGIN:VTIMEZONE TZID:Asia/Tokyo BEGIN:STANDARD DTSTART:19700101T000000 TZOFFSETFROM:+0900 TZOFFSETTO:+0900 TZNAME:JST END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:778085@techplay.jp SUMMARY:Python Pandas 勉強会 in 新潟 #29(オンライン(zoom)) DTSTART;TZID=Asia/Tokyo:20200428T180000 DTEND;TZID=Asia/Tokyo:20200428T194000 DTSTAMP:20260406T045158Z CREATED:20200426T141328Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/77808 5?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\nPython のライ ブラリ Pandas を通してデータ分析について学んだり、 持ち寄ったデータを分析したりする会です。\n本勉強 会の内容は以下の通りです。\n\n\n目的\n\nPandas に詳し くなること\n\n\n\n行うこと\n\n\n教科書①(3.参照)の読み 合わせ\n\n\n読んでわからないことがあったら質問し誰 かが答える、質問と答えをまとめる\n\n\n\n\n教科書\n① 「Python によるデータ分析入門 第2版」(https://www.oreilly.c o.jp/books/9784873118451/)\n※参加される方はご購入をお願い いたします。紙or電子書籍どちらでも大丈夫です。\n\n\ n開催日時・場所\nzoom によるオンライン開催です。※zo om のインストール・設定は各自お願いします。\n第一 部の開始時刻は18:00 、第二部は 19:00 となっています。 それぞれ以下のURLから参加できます。\n※第一部と第 二部で URL が異なることに注意してください。第一部 に参加された方で、第二部も参加する場合は、第二部 の参加URLから参加をお願いします。\n\n\n4/28(火)\n\n\n(第 1部) 18:00 - 18:40\n\nhttps://us04web.zoom.us/j/77938173886\n\n\n\n(第2 部) 19:00 - 19:40\n\nhttps://us04web.zoom.us/j/73437004212\n\n\n\n\n\n\n \n参加費用\n\n無料\n\n\n\n現在の進捗について\n現在の進 捗です。\n※文字装飾の意味\n\n\n\n文字装飾\n意味\n\n\n\ n\nなし\nこれから読む\n\n\n斜線\n読了またはスキップ\n\ n\n太字\n読み始める章\n\n\n\n\n\n1章　はじめに (スキップ)\n\n1.1　 この本で説明する内容 (スキップ)\n1.1.1　どういうデータを扱うのか (スキップ)\n\n\n1.2　なぜPythonをデー タ分析に使うのか (スキップ)\n 1.2.1　「糊（グルー）」としてのPython (スキップ)\n1.2.2　「2つの言語」問題を解決する (スキップ)\n1.2.3　Pythonを使うべ きではないケース (スキップ)\n\n\n 1.3　必須のPythonライブラリ (スキップ)\n1.3.1　NumPy (スキップ)\n1.3.2　pandas (スキップ)\n1.3.3　Matplotlib (スキップ)\n1.3.4　IPythonとJup yter (スキップ)\n1.3.5　Sc iPy (スキップ)\n 1.3.6　scikit-learn (ス キップ)\n1.3.7　statsmodels (スキップ)\n\n\n1.4　インストールとセットアップ (スキップ)\n1.4.1　Windows (スキップ)\n1.4.2　Ap ple（macOS） (スキップ) \n1.4.3　GNU/Linux (ス キップ)\n1.4.4　Pythonパッケージのインストールとアッ プデート (スキップ)\n1.4.5　Python 2とPython 3 (スキップ)\n1.4.6　統合開 発環境（IDE）とテキストエディタ (ス キップ)\n\n\n1.5　コミュニティとカンファレンス (スキップ)\n1.6　この本の案内 (スキップ)\n1.6.1　 コード例 (スキッ プ)\n1.6.2　例で使用しているデータ (スキップ)\n1.6.3　インポートにおける慣習 (スキップ)\n1.6.4　専門用語（ ジャーゴン、Jargon） (スキップ)\n\ n\n\n\n\n2章　Pythonの基礎、IPythonとJupyter Notebook (スキップ)\n\n2.1　Pythonインタプリタ (スキップ)\n2.2　IPythonの 基礎 (スキップ)\ n2.2.1　IPythonシェルの起動 (スキップ)\n2.2.2　Jupyter Notebookの実行 (スキップ)\n2.2.3　タブ補完 (スキップ)\n2.2.4　イントロスペク ション (スキップ)\n2.2.5　% runコマンド (スキッ プ)\n2.2.6　クリップボード経由の実行 (スキップ)\n2.2.7　IPythonのキーボードショート カット (スキップ)\n2.2.8　マジック コマンド (スキップ)\n2. 2.9　Matplotlibとの連携 (ス キップ)\n\n\n2.3　Pythonの基礎 (スキップ)\n2.3.1　セマンティクス (スキップ)\n2.3.2　スカラー型 (スキップ)\n2.3.3　 制御フロー (スキ ップ)\n\n\n\n\n\n3章　Python組み込みのデータ構造と関数 、ファイルの扱い (読了)\n\n3.1　デー タ構造とシーケンス ( 読了)\n3.1.1　タプル (読了)\n3.1.2　リスト (読了)\n3.1.3　組み込みのシーケンス関数 (読了)\n3.1.4　ディクショナ リ (読了)\n3.1.5　セ ット (読了)\n3. 1.6　リスト、セット、ディクショナリの内包表記 (読了)\n\n\n3.2　関数 (読了)\n3.2.1　名前空間、スコー プ、ローカル関数 (読了)\n3.2.2　 複数の値を戻す (読 了)\n3.2.3　関数はオブジェクトである (読了)\n3.2.4　無名（ラムダ）関数 (読了)\n3.2.5　カリー化：引数の 部分適用 (読了)\n3.2.6　ジェ ネレータ (読了)\n3. 2.7　エラーと例外の処理 (読了)\n\n\n3.3　ファイルとオペレーティングシステ ム (スキップ)\n3.3.1　ファイルに おけるバイトとUnicode (スキップ)\n\ n\n3.4　まとめ \n\n\n\n4章　NumPyの基礎：配列とベクトル演算 (スキップ)\n\n4.1　NumPy ndarray：多 次元配列オブジェクト (スキップ)\ n4.1.1　ndarrayの生成 ( スキップ)\n4.1.2　ndarrayのデータ型 (スキップ)\n4.1.3　ndarrayの算術演算 (スキップ)\n4.1.4　インデックス 参照とスライシングの基礎 (スキップ) \n4.1.5　ブールインデックス参照 (スキップ)\n4.1.6　ファンシーインデックス参照 (スキップ)\n4.1.7　転置行列、行 と列の入れ替え (スキップ)\n\n\ n4.2　ユニバーサル関数：すべての配列要素への関数適 用 (スキップ)\n4.3　ndarrayによる配列指向 プログラミング (スキップ)\n4.3.1 　条件制御のndarrayでの表現 ( スキップ)\n4.3.2　数学関数、統計関数 (スキップ)\n4.3.3　真偽値配列関数 (スキップ)\n4.3.4　ソート (スキップ)\n4.3.5　 集合関数：uniqueなど (スキ ップ)\n\n\n4.4　ndarrayのファイル入出力 (スキップ)\n4.5　行列計算 (スキップ)\n4.6　擬似乱数 生成 (スキップ) \n4.7　例：ランダムウォーク (スキップ)\n4.7.1　多重ランダムウォーク (スキップ)\n\n\n4.8　まとめ (スキップ)\n\n\n\n 5章　pandas入門 (読了)\n\n5.1　pandasのデータ構造 (読了)\n5.1.1　シリーズ（Series） (読了)\n5.1.2　データフレー ム（DataFrame） (読了)\n5.1.3　イ ンデックスオブジェクト ( 読了)\n\n\n5.2　pandasの重要な機能 (読了)\n5.2.1　再インデックス付け (読了)\n5.2.2　軸から要素を削 除する (読了)\n5.2.3　イ ンデックス参照、選択、フィルタリング (読了)\n5.2.4　整数のインデックス (読了)\n5.2.5　算術とデータの整形 (読了)\n5.2.6　関数の適用とマ ッピング (読了)\n5.2.7　ソ ートとランク (読了) \n5.2.8　重複したラベルを持つ軸のインデックス (読了)\n\n\n5.3　要約統計量の集計と計算 (読了)\n5.3.1　相関と共 分散 (読了)\n5.3.2　 一意な値、頻度の確認、所属の確認 (読了)\n\n\n5.4　まとめ (読了)\n\n\n\n6章　データの読み込み、 書き出しとファイル形式 (読了)\ n\n6.1　テキスト形式のデータの読み書き (読了)\n6.1.1　テキストファイルを少しず つ読み込む (読了)\n6.1.2　テキスト 形式でのデータの書き出し (読了) \n6.1.3　区切り文字で区切られた形式を操作する (読了)\n6.1.4　JSONデータ (読了)\n6.1.5　XMLとHTML：ウェブスク レイピング (読了)\n\n\n6.2　バイ ナリデータ形式 ( 読了)\n6.2.1　HDF5形式の使用 (読了)\n6.2.2　Microsoft Excelファイルの読み込み (読了)\n\n\n6.3　Web APIを用いたデータ の取得 (読了)\n6.4　データベースか らのデータの取得 (読了) \n6.5　まとめ (読了)\n\n\n\n7章　データのクリーニングと前処 理 \n\n7.1　欠損値の 取り扱い (読了)\n7.1.1　欠損値を削除する (読了)\n7.1.2　欠損値を穴埋めす る (読了)\n\n\n7.2　デ ータの変形 \n7.2.1　重複の除去 (読了)\n7.2.2　関数やマッピングを用いたデータ の変換 (読了)\n7.2.3　値の置き換 え (読了)\n7.2.4 　軸のインデックスの名前を変更する (読了)\n7.2.5　離散化とビニング (読了)\n7.2.6　外れ値の検出と除 去 (読了)\n7.2.7　順 列（ランダムな並べ替え）やランダムサンプリング (読了)\n7.2.8　標識変数やダミー変数の計算 (読了)\n\n\n7.3　文字列操作 \n7.3.1　文 字列オブジェクトのメソッド (読了)\n7.3.2　正規表現 (読了)\n7.3.3　pandasにおける文字列関数の ベクトル化★4/28はここから \n\n\n7 .4　まとめ \n\n\n\n8章　データラングリング：連結、結合、変 形 \n\n8.1　階層型インデッ クス \n8.1.1　階 層の順序変更やソート \n8.1.2　階層ごとの要約統計量 \n8.1.3　データフレームの列をインデックスに 使う \n\n\n8.2　データセットの結合 とマージ \n8.2.1　デー タフレームをデータベース風に結合する \n8.2.2　インデックスによるマージ \n8.2.3　軸に沿った連結 \n8.2.4　重複のあるデータの結合 \n\n\n8.3　変形とピボッ ト操作 \n8.3.1　 階層型インデックスによる変形 \n8.3.2　「縦持ち」フォーマットから「横持ち」フ ォーマットへのピボット \n8.3.3　「横持ち」フォー マットから「縦持ち」フォーマットへのピボット \n \n\n8.4　まとめ \n\n\n\n9章　プロットと可視化 \n\n9.1　Matplotlib APIの概要 \n9.1.1　図とサブプ ロット \n9.1.2　色 、マーカー、線種 \n 9.1.3　目盛り、ラベル、凡例 \n9.1.4　サブプロットへの注釈や描画 \n9.1.5　プロットのファイルへの保 存 \n9.1.6　Matplotlibの設定 \n\n\n9.2　pandasとseabo rnのプロット関数 \n9.2.1 　折れ線グラフ \n9.2.2　棒グラフ \n9.2.3　ヒストグラムと密度プロット \n9.2.4　散布図 \n9.2.5　ファセットグリッドとカテ ゴリ型データ \n\n\n9.3　その他のPy thon用可視化ツール \n9.4 　まとめ \n\n\n\n10章　データの集約とグループ演算 \n\n10.1　GroupByの仕組み \n10.1.1　グループを またいだ繰り返し \n10.1.2　 列や列の集合の選択 \n10.1.3　ディクショナリやシリーズのグループ化 \n10.1.4　関数を使ったグループ化 \n10.1.5　インデックス階層に よるグループ化 \n\n\n10.2　デー タの集約 \n1 0.2.1　列に複数の関数を適用する \n10.2.2　集約されたデータを行インデックスな しで戻す \n\n\n10.3　applyメソッド：一般 的な分離－適用－結合の方法 \n10.3.1 　グループキーの抑制 \n10.3.2　分位点とビン分析 \n10.3.3　例：グループ固有の値で欠損値を埋 める \n10.3.4　例：ランダムサンプ リングと順列 \n10.3.5　例：グ ループの加重平均と相関 \n10 .3.6　例：グループ指向の線形回帰 \n\n\n10.4　ピボットテーブルとクロス集計 \n10.4.1　クロス集計：crosstab メソッド \n\n\n10.5　まとめ \n\n\n\n11 章　時系列データ \n\n11.1　日付、時間のデータ型とツール \n11.1.1　文字列とdatetimeの変 換 \n\n\n11.2　時系列の基 本 \n11.2.1　 インデックス参照、データの選択、サブセットの抽出 \n11.2.2　重複したインデックスを持つ時系 列 \n\n\n11.3　日付範囲、頻度、 シフト \n11.3.1　日 付範囲の生成 \n11. 3.2　頻度と日付オフセット \n11.3.3　データの前方と後方へのシフト \n\n\n11.4　タイムゾーンを扱う \n11.4.1　タイムゾーン のローカライゼーションと変換 \n11.4. 2　タイムゾーンを考慮したタイムスタンプオブジェク ト \n11.4.3　別のタイムゾーンとの演算 \n\n\n11.5　期間を使った算術演 算 \n11.5.1　期間頻 度の変換 \n11.5.2　 四半期の頻度 \n1 1.5.3　タイムスタンプから期間への変換（とその逆） \n11.5.4　配列からPeriodIndexを作成する \n\n\n11.6　再サンプリングと頻 度変換 \n11.6.1　ダウ ンサンプリング \n11.6 .2　アップサンプリングと穴埋め \n11.6.3　期間で再サンプリングする \n\n\n11.7　移動する窓関数 \n11.7.1　指数加重関数 \n11.7.2　2つ値があ る場合の移動する窓関数 \n11.7. 3　ユーザ定義の移動する窓関数 \n\n\n11.8　まとめ \n\n\n\n12章　pandas：応用編 \n\n12.1　カテゴリ型デ ータ \n12.1.1　 開発の背景と動機 \ n12.1.2　pandasにおけるカテゴリ型 \n12.1.3　カテゴリを用いた計算 \n12.1.4　カテゴリメソッド \n\n\n12.2　グループ演算の使い 方：応用編 \n12.2.1　グ ループの変換とGroupByの「分解」 \n12.2.2　時系列データの再サンプリングを伴うグルー プ化 \n\n\n12.3　メソッドチェーンを行う ためのテクニック \n12.3.1　pipe メソッド \n\n\n12. 4　まとめ \n\n\n\n13章　Pythonにおけるモデリングライブラリ入 門 \n\n13.1　pandasとモデルと のやり取りを行う \n13.2　Pa tsyを使ったモデルの記述 \n13.2.1　Patsy式におけるデータ変換 \n13.2.2　カテゴリ型データとPatsy \n\n\n13.3　statsmodels入門 \n13.3.1　線形モデルの推 定 \n13.3.2　時系列 モデルの推定 \n\n\n13. 4　scikit-learn入門 \n13.5　この後の学びのために \n\n\n\n14章　データ分析の実例 \n\n14.1　短縮URL Bitlyに おける1.usa.govへの変換データ \n14.1.1 　Python標準機能でのタイムゾーン情報の集計 \n14.1.2　pandasを使用したタイムゾーン情報の集 計 \n\n\n14.2　MovieLens 1M（映画評価デ ータ） \n14.2.1　評価の分 かれた映画の抽出 \n\n\n14. 3　アメリカの赤ちゃんに名付けられた名前リスト（188 0-2010） \n14.3.1　名付けの傾向分析 \n\n\n14.4　アメリカ合衆国農 務省の食糧データベース \n14.5 　2012年度連邦選挙委員会データベース \n14.5.1　職業別・雇用者別の寄付の分析 \n14.5.2　寄付金額ごとの分析 \n14.5.3　州ごとの寄付 の分析 \n\n\n14.6　ま とめ \n\ n\n\n付録A　NumPy：応用編 \n\nA.1　ndarrayオブジェクトの内部構造 \nA.1.1　NumPy dtypeの階層構 造 \n\n\nA.2　配列操作 ：応用編 \nA.2. 1　配列の形状の再成形 \nA.2.2　C型の順序とFortran型の順序 \nA.2.3　配列の結合と分割 \nA.2.4　要素の繰り返し：tileとrepeat \nA.2.5　ファンシーインデ ックス参照の別法：takeとput \n\n\nA.3　 ブロードキャスト \nA.3.1　他の軸へのブロードキャスト \nA.3.2　ブロードキャストによる配列へ の値の設定 \n\n\nA.4　ufuncの使い方 ：応用編 \nA.4.1　u funcのインスタンスメソッド \nA.4.2　Pythonで新しいufuncを書く方法 \n\n\nA.5　構造化配列とレコード配列 \nA.5.1　ネストした構造を持 つdtypeと多次元フィールド \nA.5.2　構造 化配列を使うべき理由 \n \n\nA.6　ソートについてさらに詳しく \nA.6.1　間接ソート：argsortとlexsort \nA.6.2　使用可能な他のソートア ルゴリズム \nA.6.3　配列の一部 分をソートする \nA.6.4　n umpy.searchsorted：ソート済みの配列内で要素を探す \n\n\nA.7　Numbaを用いて高速なNumPy関数を書く \nA.7.1　独自定義のnumpy.ufuncオブ ジェクトをNumbaを用いて作成する \n\n\nA.8　配列 の入出力：応用編 \nA.8.1　メモリマップファイル \nA.8.2　HDF5やその他の配列保存方法 \n\n\nA.9　パフォーマンス改善のた めの豆知識 \nA.9.1　連続し たメモリの重要性 \n\n\n \n\n\n付録B　IPythonシステム上級編 \n\nB.1　コマンド履歴 \nB.1.1　コマンド履歴の検 索とその再利用 \nB.1.2　入出 力変数 \n\n\nB.2 　オペレーティングシステムとの連携 \nB.2.1　シェルコマンドとエイリアス（別 名定義） \nB.2.2　ディレクトリブッ クマークシステム \n\n\nB.3　ソ フトウェア開発ツール \nB.3.1　対話的デバッガ \nB.3.2　処理時間の計測：%timeと%timeit \nB.3.3　プロファイリングの基礎：% prunと%run -p \nB.3.4　行ごとのプロフ ァイリング \n\n\nB.4　IPyth onでの生産的コード開発に向けたヒント \nB.4.1　依存関係を考慮したモジュールの再読 み込み \nB.4.2　コード設計のヒント \n\n\nB.5　高度なIPython 機能 \nB.5.1　自 前のクラスのIPythonへの親和性を高める技法 \nB.5.2　IPythonプロファイルと構成機能 \n\n\nB.6　まとめ \n\n\n\n\n\n以上です。 LOCATION:オンライン URL:https://techplay.jp/event/778085?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR