pandas info()の使い方｜Non-Null Count・データ型・欠損値の見方

CSVを読み込んだあと、「列のデータ型は合っているのか」「欠損値はあるのか」「分析前に何を確認すればよいのか」と迷うことはありませんか。

そんなときに使うのが、Pandasのinfo()です。df.info()を実行すると、DataFrameの行数・列数・列名・欠損していない値の数・データ型・メモリ使用量をまとめて確認できます。

ただし、表示するだけでは十分ではありません。特に重要なのは、Non-Null CountとDtypeを対応させて読むことです。

• Non-Null Countが全行数より少ない列 → 欠損値がある
• Dtypeが想定と異なる列 → 型変換が必要な可能性がある

この記事では、info()の出力を上から順に読み、問題を発見し、必要な前処理を選び、修正後にもう一度確認するところまで解説します。

この記事でわかること

• df.info()で確認できる内容
• Non-Null CountとDtypeの読み方
• 欠損値や想定外のデータ型を見つける方法
• info()・shape・dtypes・isnull()・describe()の使い分け
• print(df.info())の最後にNoneが表示される理由
• 確認結果から型変換や欠損値処理へ進む方法

この記事のゴールは、df.info()の結果から問題を発見し、次に必要な前処理を自分で判断できるようになることです。

先に結論：info()はデータの構造を最初に診断するときに使う

info()は、DataFrameの中身を変更するメソッドではありません。現在の構造をまとめて表示する確認用のメソッドです。

CSVを読み込んだら、次の順番で確認すると迷いにくくなります。

1. 行数と列数が想定どおりか
2. Non-Null Countが全行数より少ない列はないか
3. Dtypeが想定どおりか
4. 問題があれば、専用の確認・修正方法へ進む

たとえば、Non-Null Countが少なければisnull().sum()、数値にしたい列がobject型ならto_numeric()、日付列がobject型ならto_datetime()で詳しく確認・修正します。

売上データを用意してinfo()を実行する

CSVから読み込んだ状態を想定した、5行の売上データを使います。

• 日付は文字列
• 売上にはカンマ付きの数字があり、文字列として保存
• 返品数には欠損値が1つ存在

まず、実行前のDataFrameを確認しましょう。

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "日付": ["2026-08-01", "2026-08-02", "2026-08-03", "2026-08-04", "2026-08-05"],
    "商品": ["ノート", "ペン", "ノート", "ファイル", "ペン"],
    "売上": ["1,200", "900", "1,500", "800", "1,100"],
    "返品数": [0, np.nan, 1, 0, 2]
})

df

日付や売上は見た目だけでは型を判断できません。また、返品数の2行目にはNaNがあります。次にdf.info()を実行し、DataFrame全体の構造を確認します。

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   日付      5 non-null      object 
 1   商品      5 non-null      object 
 2   売上      5 non-null      object 
 3   返品数     4 non-null      float64
dtypes: float64(1), object(3)
memory usage: 292.0+ bytes

出力は、次の順で読みます。

最初に見るべきなのは、返品数のNon-Null Countが4であることと、日付・売上がobject型であることです。

info()はデータを表示・診断するだけなので、実行しても元のDataFrameは変わりません。

Non-Null Countから欠損値を見つける

Non-Null Countは、欠損していない値の数です。欠損数ではありません。

今回のDataFrameは全5行です。返品数は4 non-nullなので、欠損数は次のように求められます。

欠損数 = 全行数 − Non-Null Count = 5 − 4 = 1

各列の関係を整理すると、次のようになります。

info()で欠損値の存在は分かりますが、どの行が欠損しているかまでは分かりません。詳しい件数と位置はisnull()で確認します。

# 列ごとの欠損数
df.isnull().sum()

dtype: int64

# 欠損値がある行
df[df["返品数"].isnull()]

返品数の欠損数は1件で、インデックス1の行にあることが分かりました。

ここで注意したいのは、欠損値を見つけても、すぐに0で埋めたり行を削除したりしないことです。0が「返品なし」を意味するのか、「記録漏れ」を意味するのかで適切な処理は変わります。

今回は、データの作成ルールとして空欄は返品なしを意味すると確認できたものとして、後ほど0で補完します。自分のデータでは、業務上の意味を確認してからfillna()またはdropna()を選んでください。

Dtypeからデータ型の問題を見つける

Dtypeは、各列をPandasがどのデータ型として認識しているかを示します。

今回の結果では、次の3点に注目します。

object型は必ず「普通の文字列」とは限らない

object型には、商品名のような文字列だけでなく、文字列として読み込まれた日付や数字も含まれます。そのため、object型を見つけても、すぐに機械的な型変換をせず、値の中身を確認します。

# object型の列と実際の値を確認
print(df.select_dtypes(include="object").columns.tolist())
df[["日付", "商品", "売上"]]

['日付', '商品', '売上']

日付は日付形式の文字列、売上はカンマを含む数字の文字列です。一方、商品は名称なのでobject型のままで問題ありません。

売上のような列へ単純にastype(int)を使うと、1,200のカンマを整数として解釈できず、変換エラーになります。カンマを除いてからto_numeric()を使うと、数値に変換できない値の確認もしやすくなります。

float64は必ず小数を記録した列とは限らない

返品数の値は0・1・2という整数ですが、欠損値NaNを含むため、今回の環境ではfloat64として表示されています。Dtypeだけを見て「返品数には小数がある」と判断しないようにしましょう。

問題を修正してからinfo()で再確認する

次の方針で修正します。

• 日付：to_datetime()で日付型へ変換
• 売上：カンマを取り除き、to_numeric()で数値型へ変換
• 返品数：空欄は返品なしというルールに基づき0で補完して整数型へ変換
• 商品：名称なのでobject型のまま維持

元のDataFrameを残して比較できるように、コピーしたdf_fixedを修正します。

df_fixed = df.copy()

df_fixed["日付"] = pd.to_datetime(df_fixed["日付"])
df_fixed["売上"] = pd.to_numeric(
    df_fixed["売上"].str.replace(",", "", regex=False)
)
df_fixed["返品数"] = df_fixed["返品数"].fillna(0).astype("int64")

df_fixed

表示上は似ていますが、日付・売上・返品数のデータ型が変わっています。修正できたと決めつけず、もう一度info()を実行して検証します。

df_fixed.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日付      5 non-null      datetime64[ns]
 1   商品      5 non-null      object        
 2   売上      5 non-null      int64         
 3   返品数     5 non-null      int64         
dtypes: datetime64[ns](1), int64(2), object(1)
memory usage: 292.0+ bytes

再確認では、次の変化に注目します。

• 日付：object → datetime64[ns]
• 売上：object → int64
• 返品数：4 non-null → 5 non-null、float64 → int64
• 商品：objectのまま

処理前後を一覧でも確認しましょう。

comparison = pd.DataFrame({
    "修正前_Dtype": df.dtypes.astype(str),
    "修正後_Dtype": df_fixed.dtypes.astype(str),
    "修正前_Non-Null": df.notna().sum(),
    "修正後_Non-Null": df_fixed.notna().sum()
})

comparison

この比較表によって、型変換と欠損値処理が想定どおり反映されたことを確認できます。

重要なのは、info()が自動的に問題を直したわけではないことです。info()で問題を発見し、別のメソッドで修正し、最後にinfo()で再確認しています。

print(df.info())でNoneが表示される理由

info()は、要約情報を画面へ表示するメソッドです。要約情報をDataFrameや文字列として返すのではなく、戻り値はNoneです。

そのため、print(df.info())と書くと、最初にinfo()の情報が表示され、そのあとに戻り値のNoneが表示されます。

print(df_fixed.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日付      5 non-null      datetime64[ns]
 1   商品      5 non-null      object        
 2   売上      5 non-null      int64         
 3   返品数     5 non-null      int64         
dtypes: datetime64[ns](1), int64(2), object(1)
memory usage: 292.0+ bytes
None

最後のNoneはエラーではありません。通常は、次のようにprint()を付けずに実行します。

df_fixed.info()

また、次のコードでもresultに要約表が保存されるわけではありません。

result = df_fixed.info()

この場合、resultの値はNoneです。

info()・shape・dtypes・isnull()・describe()の使い分け

似た確認方法は、何を知りたいかで選びます。

迷ったら、最初にinfo()で全体を診断し、見つかった問題に応じて専用の方法へ進みます。

• 件数だけ必要 → shape
• 型だけ詳しく確認 → dtypes
• 欠損数や欠損位置を確認 → isnull()
• 数値の分布を確認 → describe()

select_dtypes()は、特定の型の列だけを抽出したいときに使います。全体診断ではなく、info()で型を確認した後の処理です。

print("shape:", df_fixed.shape)
print("\ndtypes:")
print(df_fixed.dtypes)
print("\n欠損数:")
print(df_fixed.isnull().sum())

shape: (5, 4)

dtypes:
日付     datetime64[ns]
商品             object
売上              int64
返品数             int64
dtype: object

欠損数:
日付     0
商品     0
売上     0
返品数    0
dtype: int64

コードは動いても結果を誤解しやすい場面

Non-Null Countを欠損数だと思う

現象： 返品数 4 non-nullを「欠損値が4件ある」と読む。
原因： Non-Nullは「欠損していない」という意味だからです。
確認方法： 全行数からNon-Null Countを引きます。
修正方法： 正確な列別件数はisnull().sum()で確認します。
修正後の確認： 今回は5−4で、欠損値は1件です。

object型をすべて文字列として扱う

現象： 売上の合計や日付による月別集計ができない、または想定外の結果になる。
原因： 数字や日付が文字列として読み込まれています。
確認方法： head()や対象列を表示し、実際の値と記号の混入を確認します。
修正方法： 数値はto_numeric()、日付はto_datetime()を検討します。一般的な型変換にはastype()を使います。
修正後の確認： info()を再実行し、Dtypeが想定した型へ変わったか確認します。

float64を「小数を記録した列」と決めつける

現象： 整数件数の列がfloat64と表示される。
原因： 欠損値を含む整数列が、今回のDataFrameではfloat64として保持されているためです。
確認方法： 実際の値と欠損値の有無を確認します。
修正方法： 欠損値の意味を確認して処理した後、必要なら整数型へ変換します。
修正後の確認： 今回の返品数は、補完後にint64となりました。

memory usageを厳密な全メモリ量だと思う

info()のmemory usageは、データ規模を知るための目安です。object型が参照するオブジェクトのメモリなど、条件によってはすべてを詳細に含む値ではありません。この記事ではメモリ最適化へ深入りせず、「急に大きなデータを読み込んでいないか」を確認する目安として使います。

info()でうまく確認できないときの原因と対処

NameError: name ‘df’ is not defined

現象： df.info()を実行するとNameErrorが出る。
原因： dfを作成・読み込みするセルをまだ実行していないか、変数名が違います。
確認方法： ColabでDataFrame作成セルが実行済みか、変数名がdfか確認します。
修正方法： DataFrameを作成・読み込みするセルから順に実行します。
修正後の確認： type(df)がpandas.core.frame.DataFrameとなり、df.info()が表示されることを確認します。

AttributeErrorが出る

現象： 対象によっては「infoという属性がない」というAttributeErrorが出る。
原因： dfがDataFrameではなく、リストなど別のオブジェクトになっている可能性があります。
確認方法： type(df)で対象の種類を確認します。
修正方法： 正しいDataFrame変数を指定するか、必要に応じてDataFrameへ変換します。
修正後の確認： type(df)とdf.info()の両方を再確認します。

自分のデータでinfo()を使うときの確認ポイント

サンプルを自分のCSVやExcelデータへ置き換えるときは、次を確認してください。

• 想定した行数と列数になっているか
• 必要な列名が存在するか
• 各列のNon-Null Countが全行数と一致するか
• 数値・日付・文字列のDtypeが想定どおりか
• object型の列に、数字・日付・記号などが混在していないか
• 郵便番号や商品コードなど、先頭の0を残すべき列を数値にしていないか
• 欠損値を0や平均値で埋めても、データの意味が変わらないか
• 修正後に再度info()を実行したか

特に、郵便番号や商品コードは計算する数値ではありません。CSV読込時に数値として解釈されると先頭の0が失われることがあるため、読み込み段階で文字列として扱う方法を検討します。

info()の確認結果を次の分析工程へつなげる

info()は、データ分析のゴールではなく入口です。次の順で進めると、問題を見落としにくくなります。

1. CSVやExcelからデータを読み込む
2. head()で実際の値を確認する
3. info()で構造・非欠損数・型を確認する
4. isnull()で欠損値を詳しく確認する
5. to_numeric()・to_datetime()・astype()で型を整える
6. fillna()またはdropna()で欠損値を処理する
7. describe()で分布や統計量を確認する
8. 必要な抽出・集計・可視化へ進む

構造と型を確認するのがinfo()、値の分布を確認するのがdescribe()です。この役割を分けると、どちらを使うか迷いにくくなります。

まとめ：info()は問題を見つけて次の処理を選ぶために使う

df.info()は、DataFrameの行数・列数・列名・Non-Null Count・Dtype・メモリ使用量をまとめて確認するメソッドです。

特に重要なポイントは次のとおりです。

• Non-Null Countは欠損していない値の数
• 欠損数は「全行数−Non-Null Count」で考える
• Dtypeが想定と違う場合は、実際の値を確認してから変換方法を選ぶ
• object型には、文字列だけでなく数字や日付の文字列も含まれる
• 欠損値を含む整数列がfloat64になる場合がある
• info()はデータを修正せず、戻り値はNone
• 修正後はもう一度info()を実行して結果を検証する

最初にinfo()で全体を診断し、欠損値ならisnull()、型の問題ならto_numeric()・to_datetime()・astype()、分布の確認ならdescribe()へ進みましょう。

次に読みたい関連記事

• Pandas DataFrame入門｜作り方と基本操作を初心者向けに解説
• pandas head()の使い方｜df.head()で先頭5行を表示・tail()との違いも解説
• Google ColabでCSVを読み込む方法｜アップロード・Drive・read_csv
• 欠損値を可視化して攻略！Pandas isnullとヒートマップ活用術
• pandas fillna()の使い方｜欠損値を0・平均値・中央値・最頻値で埋める方法を初心者向けに解説
• Pandas dropna()・drop_duplicates()の使い方｜欠損・重複の削除とdrop()基本
• pandas astype()の使い方｜文字列・整数・小数の型変換とエラー対処
• pandas to_numeric()の使い方｜文字列の数字を数値に変換する方法
• pandas to_datetime()の使い方｜文字列の日付変換とformat・NaT対処
• pandas describe()の使い方｜統計量の意味と結果の見方を解説

▲ ページトップへ戻る