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 #58(オンライン(zoom)) X-WR-CALNAME:Python Pandas 勉強会 in 新潟 #58(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:800162@techplay.jp SUMMARY:Python Pandas 勉強会 in 新潟 #58(オンライン(zoom)) DTSTART;TZID=Asia/Tokyo:20201125T193000 DTEND;TZID=Asia/Tokyo:20201125T203000 DTSTAMP:20260413T161701Z CREATED:20201118T141534Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/80016 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\n11/25(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 (読了)\n\n9.1　Matpl otlib API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s eabornのプロット関数 (読 了)\n9.2.1　折れ線グラフ (読了)\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 (読了)\n\n\n9.3　そ の他のPython用可視化ツール (読了)\n9.4　まとめ (読了)\n\n\n\n10章　データの集約とグ ループ演算 (読了)\n \n10.1　GroupBy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\n 10.2　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)\n10.3.6　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PeriodIndex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) \n 11.7.3　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　Pyth onにおけるモデリングライブラリ入門 (読了)\n\n13.1　pandasとモデルとのやり取りを 行う (ス キップ)\n13.2　Patsyを使ったモデルの記述 (スキップ)\n13.2.1　Patsy 式におけるデータ変換 (スキップ)\n13.2.2　カテゴリ型データとPat sy (スキッ プ)\n\n\n13.3　statsmodels入門 (スキップ)\n13.3.1　線形モデルの推定 (スキップ) \n13.3.2　時系列モデルの推定 (スキップ)\n\n\n13.4　scikit-learn入門 (読了)\n13.5　こ の後の学びのために (読了)\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 (読了)\n14.1.2　pandasを使用したタイムゾーン情報の集 計(11/25 は P.441から) \n\n\n14.2　MovieLen s 1M（映画評価データ） \n 14.2.1　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　ufun c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/800162?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR