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 #56(オンライン(zoom)) X-WR-CALNAME:Python Pandas 勉強会 in 新潟 #56(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:798562@techplay.jp SUMMARY:Python Pandas 勉強会 in 新潟 #56(オンライン(zoom)) DTSTART;TZID=Asia/Tokyo:20201111T193000 DTEND;TZID=Asia/Tokyo:20201111T203000 DTSTAMP:20260504T030151Z CREATED:20201105T061034Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/79856 2?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(音読)\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.co.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。開始時間になりましたら、以下の参加URLから参加 をお願いします。※zoom のアカウント作成・インスト ール・設定は事前にお願いします。\n\n\n11/11(水)\n\n19:30 - 20:30\n\n\n\n参加URL\n\n\nhttps://us02web.zoom.us/j/89609332600\n( 参加URLは固定)\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\n 1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)\n1.2.1　「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\n1.3　必須のPythonライブラリ (スキップ)\n1.3.1　NumPy (スキップ)\n1.3.2　p andas (スキップ)\ n1.3.3　Matplotlib (ス キップ)\n1.3.4　IPythonとJupyter (スキップ)\n1.3.5　SciPy (スキップ)\n1.3.6　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　Apple（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)\n 1.4.5　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　Pyt hon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)\n 2.2.4　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　Nu mPy 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\n5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 (読了)\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 (読了)\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 (読了)\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　pand asにおける文字列関数のベクトル化 (読了)\n\n\n7.4　まとめ (読了)\n\n\n\n8章　データラングリン グ：連結、結合、変形 (読 了)\n\n8.1　階層型インデックス (読了)\n8.1.1　階層の順序変更やソート (読了)\n8.1.2　階層ごと の要約統計量 (読了)\n 8.1.3　データフレームの列をインデックスに使う (読了)\n\n\n8.2　データセットの結合とマ ージ (読了)\n8.2.1　デ ータフレームをデータベース風に結合する (読了)\n8.2.2　インデックスによるマージ (読了)\n8.2.3　軸に沿った連結 (読了)\n8.2.4　重複 のあるデータの結合 ( 読了)\n\n\n8.3　変形とピボット操作 (読了)\n8.3.1　階層型インデックス による変形 (読了)\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 (読了)\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 (読 了)\n\n\n8.4　まとめ (読了)\n\n\n\n9章　プロットと可視化 \n\n9.1　Matplotlib AP Iの概要 (読了)\n9. 1.1　図とサブプロット (読了)\n9.1.2　色、マーカー、線種 (読了)\n9.1.3　目盛り、ラベル、凡例 (読了)\n9.1.4　サブプ ロットへの注釈や描画 (読 了)\n~~9.1.5　プロットのファイルへの保存 (読了)\n9.1.6　Matplotlibの設定 (読了)\n\n\n9.2　pandasとseabornの プロット関数 (読了)\n9.2 .1　折れ線グラフ \n9.2.2　棒グラフ (読了)\n9.2.3　ヒストグラムと密度プロット (読了)\n9.2.4　散布図 (読了)\n9.2.5　ファセ ットグリッドとカテゴリ型データ(11/11 は P.309のここか ら) \n\n\n9.3　 その他のPython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 (読了)\n\n10.1　GroupB yの仕組み (読 了)\n10.1.1　グループをまたいだ繰り返し (読了)\n10.1.2　列や列の集合の選択 (読了)\n10.1.3　ディクショ ナリやシリーズのグループ化 (読 了)\n10.1.4　関数を使ったグループ化 (読了)\n~~10.1.5　インデックス階層による グループ化 (読了)\n\n\n10.2　デ ータの集約 (読了)\n10.2.1　列に複数の関数を適用する (読了)\n10.2.2　集約されたデータを行 インデックスなしで戻す (読了)\n\n\n10.3 　applyメソッド：一般的な分離－適用－結合の方法 (読了)\n10.3.1　グループキーの抑制 (読了)\n10.3.2　分位点とビ ン分析 (読了)\n10.3.3 　例：グループ固有の値で欠損値を埋める (読了)\n10.3.4　例：ランダムサンプリングと順 列 (読了)\n10.3.5　例：グルー プの加重平均と相関 (読了)\n 10.3.6　例：グループ指向の線形回帰 (読了)\n\n\n10.4　ピボットテーブルとクロス集 計 (読了)\n10.4.1　クロス 集計：crosstabメソッド (読了) \n\n\n10.5　まとめ (読了)\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 (読了 )\n11.1.1　文字列とdatetimeの変換 (読了)\n\n\n11.2　時系列の基本 (読了)\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 ( 読了)\n11.2.2　重複したインデックスを持つ時系列 (読了)\n\n\n11.3　日付範囲、頻度、シ フト (読了)\n11.3.1　 日付範囲の生成 ( 読了)\n11.3.2　頻度と日付オフセット (読了)\n11.3.3　データの前方と後方への シフト (読了)\n\n\n11.4　タイ ムゾーンを扱う (読了)\n11.4.1　タイムゾーンのローカライゼーションと 変換 (読了)\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 (読了)\ n11.4.3　別のタイムゾーンとの演算 (読了)\n\n\n11.5　期間を使った算術演算 (読了)\n11.5.1　期間頻度 の変換 (読了)\n11.5 .2　四半期の頻度 **(読了)\n11.5.3　タイムスタンプから期間への変換（ とその逆） (読了)\n11.5.4　配列からPerio dIndexを作成する (読了)\n\n\n11. 6　再サンプリングと頻度変換 (読了)\n11.6.1　ダウンサンプリング (読了)\n11.6.2　アップサンプリ ングと穴埋め (読了)\n11.6.3 　期間で再サンプリングする (読了)\n\n\n11.7　移動する窓関数 (読了) \n11.7.1　指数加重関数 (読了) \n11.7.2　 2つ値がある場合の移動する窓関数 (読了) \n11.7.3　ユー ザ定義の移動する窓関数 (読了) \n\n\n11.8　まとめ (読了) \n\n\n\n12章　pandas：応用編 (読了)\n\n12.1 　カテゴリ型データ (読了)\n12.1.1　開発の背景と動機 (読了)\n12.1.2　pandasにおけるカテゴ リ型 (読了)\n12.1.3　カテ ゴリを用いた計算 (読 了)\n12.1.4　カテゴリメソッド (読了)\n\n\n12.2　グループ演算の使い方：応 用編 (読了)\n12.2.1　グル ープの変換とGroupByの「分解」 ( 読了)\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 (読了)\n\n\n12.3　メソッドチェ ーンを行うためのテクニック ( 読了)\n12.3.1　pipeメソッド (読了)\n\n\n12.4　まとめ (読了)\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　Patsy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（1880-2010） \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　ufunc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　numpy.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　IPython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 オンライン URL:https://techplay.jp/event/798562?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR