pandasで前処理や集計を終えたあと、「DataFrameをCSVに保存したいのに、ファイルがどこにあるか分からない」「開いたら左端に余計な列が増えた」「日本語が文字化けした」と困ることがあります。

DataFrameをCSVへ保存する基本形は、次の1行です。

df.to_csv("sales.csv", index=False)

ただし、正しく再利用できるCSVにするには、コードを書く前に次の順で決めることが大切です。

1. どこへ保存するか
2. インデックスを残すか
3. どのアプリで開くかに応じて文字コードを選ぶ
4. どの列を保存するか
5. 同名ファイルを上書きしてよいか

この記事では、Google Colabで再現できる売上データを使い、保存されたCSVをもう一度読み込んで、行数・列名・日本語が正しいところまで確認します。

この記事でわかること

• to_csv()でDataFrameをCSVへ保存する基本形
• 保存先、index、encoding、columnsの選び方
• headerとsepで出力形式を変える方法
• 余計なUnnamed: 0、文字化け、保存先不明、上書きの確認方法
• read_csv()で読み込み直し、保存結果を検算する方法

to_csv()は、前処理・抽出・集計した結果を、共有や再利用のためにファイルへ書き出す処理です。データを整える前工程は、Pandasデータ前処理の基本で確認できます。

先に結論：保存先→index→文字コード→列→上書きの順に決める

最初は、実在する保存先へindex=Falseで保存し、読み込み直して確認するところから始めるのが安全です。

売上DataFrameを用意する

実行目的

同じデータを記事全体で使い、設定によってCSVの列や文字コードがどう変わるか比較します。商品IDは通常の列として保持し、DataFrameのインデックスは0から始まる連番です。

import pandas as pd
from pathlib import Path

# Colabの一時領域または現在の作業フォルダ内に保存用フォルダを作る
output_dir = Path("python_data_lab_output")
output_dir.mkdir(exist_ok=True)

df = pd.DataFrame({
    "商品ID": [101, 102, 103, 104],
    "商品": ["ノート", "ペン", "ファイル", "付箋"],
    "カテゴリ": ["文具", "文具", "収納", "文具"],
    "売上": [1200, 900, 1500, 600],
    "備考": ["重点商品", None, "在庫確認", "新商品"],
})

print(df)
print("行数・列数:", df.shape)

行数・列数: (4, 5)

出力では4行5列なので、shapeは(4, 5)です。備考の2行目にあるNoneは欠損値ですが、今回は意味のある未記入として残します。保存のためだけに0や空文字へ置き換えません。

自分のデータでは、保存前に列名・データ型・欠損値をpandas info()の使い方で確認しておくと、保存後の変化を判断しやすくなります。

基本：indexなしでCSVへ保存する

実行目的

連番インデックスをCSVへ含めず、DataFrameの5列だけを保存します。ファイル名だけを指定した相対パスは、現在の作業場所を基準に解釈されます。ここでは作成済みのpython_data_lab_outputフォルダへ保存します。

basic_path = output_dir / "sales_basic.csv"
df.to_csv(basic_path, index=False)

print("保存先:", basic_path)
print("ファイルの存在:", basic_path.exists())
print("保存フォルダ内:", sorted(p.name for p in output_dir.iterdir()))
print("CSVの先頭3行:")
print("\n".join(basic_path.read_text(encoding="utf-8").splitlines()[:3]))

保存先: python_data_lab_output/sales_basic.csv
ファイルの存在: True
保存フォルダ内: ['sales_basic.csv']
CSVの先頭3行:
商品ID,商品,カテゴリ,売上,備考
101,ノート,文具,1200,重点商品
102,ペン,文具,900,

最初に見るのは、次の3点です。

• ファイルの存在がTrueになっている
• 1行目が商品ID,商品,カテゴリ,売上,備考になっている
• 左端に0、1のようなDataFrameの連番インデックスが追加されていない

to_csv()へ保存先を渡した場合、ファイルが作成されます。戻り値を新しいDataFrameとして使うメソッドではありません。

index=Trueとindex=Falseの違い

to_csv()では、indexの既定値がTrueです。指定を省略すると、DataFrameのインデックスもCSVへ出力されます。

with_index_path = output_dir / "sales_with_index.csv"
without_index_path = output_dir / "sales_without_index.csv"

df.to_csv(with_index_path)  # index=Trueが既定値
df.to_csv(without_index_path, index=False)

with_index = pd.read_csv(with_index_path)
without_index = pd.read_csv(without_index_path)

print("indexを保存したCSVの列:", with_index.columns.tolist())
print("index=FalseのCSVの列:", without_index.columns.tolist())
print(with_index.head(2))

indexを保存したCSVの列: ['Unnamed: 0', '商品ID', '商品', 'カテゴリ', '売上', '備考']
index=FalseのCSVの列: ['商品ID', '商品', 'カテゴリ', '売上', '備考']

indexを省略したCSVを読み込むと、列一覧の先頭にUnnamed: 0が現れます。これは元のデータ列ではなく、列名のない連番インデックスが保存されたものです。

意味のあるインデックスは消さない

商品IDをインデックスにしたあとでindex=Falseにすると、CSVには商品IDが残りません。商品IDを再利用したい場合は、reset_index()で通常列へ戻してから保存します。

indexed_df = df.set_index("商品ID")

lost_id_path = output_dir / "sales_id_lost.csv"
kept_id_path = output_dir / "sales_id_kept.csv"

indexed_df.to_csv(lost_id_path, index=False)
indexed_df.reset_index().to_csv(kept_id_path, index=False)

print("index=FalseでIDを消した列:", pd.read_csv(lost_id_path).columns.tolist())
print("IDを通常列へ戻した列:", pd.read_csv(kept_id_path).columns.tolist())

index=FalseでIDを消した列: ['商品', 'カテゴリ', '売上', '備考']
IDを通常列へ戻した列: ['商品ID', '商品', 'カテゴリ', '売上', '備考']

注目するのは、前者には商品IDがなく、後者には残っている点です。index=Falseを機械的に付けるのではなく、現在のインデックスが単なる連番か、意味のある識別子かを先に確認してください。

日本語の文字化けを防ぐencodingの選び方

encodingは、CSVを利用する環境に合わせて選びます。

utf-8-sigはファイル先頭にBOMを付けたUTF-8です。日本語CSVをExcelで直接開く用途では有力な候補ですが、すべての用途で一律に選ぶ必要はありません。

utf8_path = output_dir / "sales_utf8.csv"
utf8_sig_path = output_dir / "sales_utf8_sig.csv"

df.to_csv(utf8_path, index=False, encoding="utf-8")
df.to_csv(utf8_sig_path, index=False, encoding="utf-8-sig")

print("UTF-8の先頭3バイト:", utf8_path.read_bytes()[:3])
print("UTF-8 with BOMの先頭3バイト:", utf8_sig_path.read_bytes()[:3])

checked_japanese = pd.read_csv(utf8_sig_path, encoding="utf-8-sig")
print("再読み込みした商品:", checked_japanese["商品"].tolist())

UTF-8の先頭3バイト: b'\xe5\x95\x86'
UTF-8 with BOMの先頭3バイト: b'\xef\xbb\xbf'
再読み込みした商品: ['ノート', 'ペン', 'ファイル', '付箋']

utf-8-sigのファイルでは、先頭3バイトがBOMを表すb'\xef\xbb\xbf'になります。再読み込み後の商品が「ノート」「ペン」「ファイル」「付箋」と表示されれば、指定した文字コードで日本語を読めています。

文字化けが起きたら、保存コードだけを見るのではなく、CSVをどのアプリで、どの文字コードとして開いたかも確認します。

必要な列だけcolumnsで保存する

実行目的

社内共有用として、商品・カテゴリ・売上だけを保存します。個人情報や作業用列を含むデータでは、保存前に共有範囲を確認することも重要です。

shared_columns = ["商品", "カテゴリ", "売上"]
shared_path = output_dir / "sales_shared.csv"

df.to_csv(
    shared_path,
    index=False,
    encoding="utf-8-sig",
    columns=shared_columns,
)

shared_df = pd.read_csv(shared_path, encoding="utf-8-sig")
print(shared_df)
print("保存した列:", shared_df.columns.tolist())

保存した列: ['商品', 'カテゴリ', '売上']

出力は4行3列です。商品IDと備考が含まれず、列順もcolumnsで指定した順になっていることを確認します。

列名を間違えるとKeyErrorになります。自分のデータへ置き換える前に、df.columns.tolist()で実在する列名と前後の空白を確認してください。データ型を基準に列を選びたい場合は、pandas select_dtypes()の使い方へ進めます。

headerとsepは出力形式が必要なときだけ変更する

headerは列名を出力するか、sepは何の文字で列を区切るかを決めます。

• 通常の単独CSVでは、列名を残す既定のheader=Trueを使う
• 列名が不要という明確な仕様がある場合だけheader=Falseを使う
• CSVは既定のカンマ区切り、TSVが必要な場合はsep="\t"を使う

タブ区切りでは、文字列"t"ではなく、タブ文字を表す"\t"を指定します。

no_header_path = output_dir / "sales_no_header.csv"
tsv_path = output_dir / "sales.tsv"

df[shared_columns].to_csv(no_header_path, index=False, header=False)
df[shared_columns].to_csv(tsv_path, index=False, sep="\t")

print("header=Falseの先頭行:")
print(no_header_path.read_text(encoding="utf-8").splitlines()[0])
print("TSVの先頭行（タブを見える形に変換）:")
print(tsv_path.read_text(encoding="utf-8").splitlines()[0].replace("\t", " [TAB] "))

header=Falseの先頭行:
ノート,文具,1200
TSVの先頭行（タブを見える形に変換）:
商品 [TAB] カテゴリ [TAB] 売上

header=Falseの先頭行は列名ではなく、最初の商品データになります。TSVの先頭行では、3つの列名がタブで区切られています。拡張子だけを.tsvへ変えても区切り文字は変わらないため、sepの指定とセットで確認します。

保存後はread_csv()で読み込み直して検算する

ファイルが存在するだけでは、必要な内容を正しく保存できたとは限りません。共有用CSVを読み込み直し、保存前後を同じ項目で比べます。

source_for_export = df[shared_columns]
loaded = pd.read_csv(shared_path, encoding="utf-8-sig")

check_result = pd.DataFrame({
    "確認項目": ["行数", "列数", "列名", "Unnamed: 0", "商品名"],
    "結果": [
        len(source_for_export) == len(loaded),
        source_for_export.shape[1] == loaded.shape[1],
        source_for_export.columns.tolist() == loaded.columns.tolist(),
        "Unnamed: 0" not in loaded.columns,
        source_for_export["商品"].tolist() == loaded["商品"].tolist(),
    ],
})

print(check_result)
print("再読み込み後の型:")
print(loaded.dtypes)

5項目がすべてTrueなら、今回の目的に必要な行・列・日本語・インデックス設定は一致しています。

ただし、CSVはDataFrameの型情報を完全に保存する形式ではありません。日付、カテゴリ型、先頭に0を含むコードなどは、再読み込み時に想定と異なる型になることがあります。ファイルを次の分析へ使う前に、dtypesやinfo()を再確認してください。

よくある失敗を現象から確認・修正する

存在しない保存先フォルダを直す

起きる現象

ファイル名は正しいのに、存在しない親フォルダを含むパスへ保存しようとしてエラーになります。

原因と確認方法

to_csv()は、指定した親フォルダを自動では作りません。parent.exists()で確認します。

修正方法

必要なフォルダを作ってから保存します。

nested_path = output_dir / "reports" / "sales_report.csv"

print("修正前に親フォルダがあるか:", nested_path.parent.exists())
nested_path.parent.mkdir(parents=True, exist_ok=True)
df.to_csv(nested_path, index=False)

print("修正後にファイルがあるか:", nested_path.exists())

修正前に親フォルダがあるか: False
修正後にファイルがあるか: True

修正前の親フォルダはFalse、作成して保存した後のファイルはTrueになります。自分のデータでは、フォルダ名のスペルやGoogle Driveのマウント先も同時に確認してください。

上書きと追記はmodeで区別する

通常の保存は、同名ファイルがあると上書きします。既存ファイルを残すならmode="x"、既存CSVの末尾へ行を追加するならmode="a"を使います。mode="a"は値の更新や列の追加ではありません。

protected_path = output_dir / "sales_protected.csv"
df.to_csv(protected_path, index=False)

try:
    df.to_csv(protected_path, index=False, mode="x")
except FileExistsError:
    print("同名ファイルがあるため、上書きを停止しました:", protected_path.name)

print("既存ファイルは残っているか:", protected_path.exists())

同名ファイルがあるため、上書きを停止しました: sales_protected.csv
既存ファイルは残っているか: True

FileExistsErrorが出たら、別名で保存するか、本当に上書きしてよいか判断します。続いて、列名と順序が同じデータを行方向へ追記する例を確認します。

append_path = output_dir / "sales_append.csv"
base = df[shared_columns].iloc[:3]
new_row = df[shared_columns].iloc[3:]

base.to_csv(append_path, index=False, encoding="utf-8-sig")
new_row.to_csv(
    append_path,
    index=False,
    encoding="utf-8-sig",
    mode="a",
    header=False,
)

appended = pd.read_csv(append_path, encoding="utf-8-sig")
print(appended)
print("追記後の行数:", len(appended))

追記後の行数: 4

追記後は4行で、列名は先頭の1回だけです。header=Falseを忘れると途中に列名が入ります。列構成が違う場合は追記せず、DataFrameを結合してから新しいCSVとして保存します。

Google Colabで保存するときの注意

この記事の相対パスは、Colabではランタイムの一時領域へ保存されます。ランタイム終了後も残したい場合は、Google Driveをマウントし、実在するDrive内フォルダの絶対パスを指定します。手元のPCへダウンロードする操作と、Driveへ保存する操作は別です。

Driveの接続、パスのコピー、CSVの再読み込みは、Google ColabでCSVを読み込む方法で詳しく確認してください。この記事ではto_csv()の設定と保存結果の検算に集中します。

自分のDataFrameへ置き換える前のチェックリスト

• DataFrame名は正しいか
• 保存する列名と順序をdf.columnsで確認したか
• 現在のindexは単なる連番か、意味のあるIDか
• 保存前の行数・列数をdf.shapeで記録したか
• 欠損値を空欄として出力してよいか
• 親フォルダは実在するか
• 同名ファイルを上書きしてよいか
• CSVを開くアプリと文字コードは合っているか
• 追記する場合、既存CSVと列名・順序・区切り文字が同じか
• 保存後にread_csv()で読み込み直したか

Excelから読み込んだデータをCSVへ変換する場合は、先にpandas read_excel()の使い方でシート・見出し・必要列が正しいか確認してください。

保存したCSVを次の分析へつなげる

CSV保存は分析の終点とは限りません。別のNotebookで読み込み直し、データの状態を確認してから集計へ進めます。

reused = pd.read_csv(shared_path, encoding="utf-8-sig")

print("再利用するデータ:")
print(reused)
print("カテゴリ別の売上合計:")
print(reused.groupby("カテゴリ", as_index=False)["売上"].sum())

再利用するデータ:

カテゴリ別の売上合計:

再読み込みしたデータから、カテゴリ別の売上合計を計算できました。保存後は、まず列・型・欠損を確認し、その後にpandas groupby・aggの使い方で複数列・複数集計へ進めます。

CSVを読み込み直したときに列名や型が想定と違う場合は、集計へ進む前に原因を修正してください。

まとめ

• DataFrameのCSV保存にはto_csv()を使う
• 最初に保存先を決め、index・文字コード・保存列・上書きの順で判断する
• 連番インデックスが不要ならindex=Falseを使う
• 意味のあるIDをインデックスにしている場合は、消す前に通常列へ戻すか判断する
• 日本語の文字コードは開く環境で選び、Excelで直接開く用途ではutf-8-sigを候補にする
• columnsで保存範囲を絞り、headerとsepは必要な仕様がある場合だけ変更する
• 上書きを防ぐならmode="x"、行を追記する場合だけmode="a"を使う
• 保存後はread_csv()で読み込み直し、行数・列名・日本語・不要列を検算する

最小コードを実行して終わりにせず、保存されたCSVを次の環境で正しく読めるかまで確認することが、失敗を防ぐポイントです。

関連記事

• Google ColabでCSVを読み込む方法｜アップロード・Drive・read_csv
• Pandasデータ前処理の基本｜読み込み後に確認する順番と欠損・型・重複の選び方
• pandas info()の使い方｜Non-Null Count・データ型・欠損値の見方
• pandas read_excel()の使い方｜Excel読み込み・sheet_name・header・usecolsを初心者向けに解説
• pandas select_dtypes()の使い方｜データ型で列を選ぶ方法を初心者向けに解説
• Pandas DataFrameとは？作り方・基本操作・Seriesとの違いを初心者向けに解説
• pandas groupby・aggの使い方｜複数列・複数集計と結果の見方

▲ ページトップへ戻る

describe()で平均値や標準偏差を確認したあとに、「売上と広告費には関係があるの？」「どの列とどの列が一緒に動いているの？」と気になることはありませんか？

そんなときに使えるのが、Pandasのcorr()です。corr()を使うと、複数の数値列の関係を相関係数としてまとめた「相関行列」を作れます。

ただし、df.corr()を実行して表を出すだけでは十分ではありません。大切なのは、相関係数の符号と大きさを読み、気になる組み合わせを散布図でも確認することです。

この記事では、Google Colabでそのまま試せる小さなDataFrameを使って、corr()の基本から相関行列の読み方、散布図との使い分けまで順番に解説します。

この記事でわかること

• corr()を何のために使うのか
• 相関係数の「1・0・-1」の意味
• DataFrameから相関行列を作り、どこを見ればよいか
• Pearson・Spearman・Kendallの基本的な違い
• corr()とdescribe()・散布図の使い分け
• 文字列型や欠損値があるときの注意点
• 相関係数だけで判断せず、散布図へ進む分析の流れ

この記事のゴールは、corr()で相関行列を作って正しく読み、気になる関係を散布図で確かめられるようになることです。

まず結論：corr()は「列と列の関係」をまとめて確認するときに使う

データを確認するときは、知りたいことによって使う方法を変えると迷いにくくなります。

つまり、corr()は1列ずつを見るdescribe()と、2列を図で見る散布図の間をつなぐ役割があります。

基本統計量の確認方法を先に知りたい方は、pandas describe()の使い方も参考にしてください。DataFrameそのものがまだ不慣れな場合は、Pandas DataFrame入門から確認すると流れをつかみやすくなります。

相関係数とは？-1〜1の値をどう読むか

相関係数は、2つの数値がどの程度一緒に動くかを**-1から1の範囲**で表した値です。

ここで重要なのは、符号は関係の向き、絶対値は直線的な関係の強さを見る手がかりだということです。たとえば-0.9は「マイナスだから弱い」のではなく、強い負の相関を示します。

また、「0.7以上なら必ず強い」のように数値だけで機械的に判断するのはおすすめできません。何を強いとみなすかは、データの種類や分析目的によって変わります。まずは相関係数で候補を見つけ、元データや散布図も確認するのが基本です。

相関を確認するサンプルDataFrameを作る

ここからは、ある店舗の12期間分のデータを例にします。広告費、売上、気温、返品件数という4つの数値列を用意します。

今回は相関の違いを確認しやすいように、関係がはっきり表れる練習用データを使用します。

この例で知りたいのは、どの列同士が一緒に増減しているのかです。まずは元データを確認しましょう。

import pandas as pd

df = pd.DataFrame({
    "広告費": [10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65],
    "売上": [82, 95, 103, 119, 128, 142, 151, 165, 172, 188, 197, 211],
    "気温": [18, 25, 12, 28, 16, 22, 30, 14, 26, 19, 24, 20],
    "返品件数": [42, 39, 37, 35, 32, 31, 28, 26, 24, 21, 19, 17]
})

df

元のDataFrameは、1行が1期間の観測データです。この12行から、列同士の関係をまとめた表へ変換するのが次のcorr()です。

pandas corr()の基本的な使い方

DataFrameの相関係数をまとめて求める基本形は、次の1行です。

corr_matrix = df.corr()
corr_matrix.round(3)

実行すると、元の12行×4列のデータから、次のような4列×4列の相関行列が得られます。小数第3位に丸めると、おおよそ次の値です。

これが「処理前→処理後」の大きな変化です。corr()は各行を個別に表示するのではなく、列と列の組み合わせごとに1つの相関係数を計算します。

相関行列は「対角線以外」を見る

相関行列を初めて見ると、1.000がたくさん並んでいて戸惑うかもしれません。見るポイントは2つです。

1. 対角線はすべて1になる
   • 広告費と広告費のように、同じ列を自分自身と比較しているためです。
2. 上下には同じ組み合わせが重複する
   • 広告費×売上と売上×広告費は同じ関係なので、同じ値になります。

そのため、初心者のうちは対角線ではなく、異なる列同士の値を見ると考えれば十分です。

特定の列との相関だけを確認する

相関行列全体ではなく、たとえば「売上とほかの列の関係だけを見たい」という場合は、列名を指定します。

# 「売上」とほかの列との相関だけを確認
corr_matrix["売上"].drop("売上")

corr_matrix["売上"]で売上の列だけを取り出し、drop("売上")で売上自身との相関係数1.0を除いています。特定の指標と関係が強い列を探したいときに便利です。

ヒートマップで相関行列を視覚的に捉える

列数が多いDataFrameでは、相関行列をヒートマップにすると、相関の強さと向きを色で見分けやすくなります。ここでは、先ほど作ったcorr_matrixをそのまま可視化します。

seabornライブラリのheatmap関数を使うと、簡単にヒートマップを作成できます。

!pip install japanize_matplotlib
import seaborn as sns
import matplotlib.pyplot as plt
import japanize_matplotlib # 日本語フォントを有効にする

plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.3f', linewidths=.5)
plt.title('相関行列のヒートマップ')
plt.show()

このcoolwarm配色では、赤系が正の相関、青系が負の相関、白に近い色が0付近を示します。まず色で気になる組み合わせを見つけ、annot=Trueで表示した数値を確認しましょう。

正の相関・負の相関・弱い相関を同じデータで読む

先ほどの相関行列から、特徴の異なる3つの組み合わせを見てみましょう。

print("広告費と売上      :", round(corr_matrix.loc["広告費", "売上"], 3))
print("広告費と返品件数  :", round(corr_matrix.loc["広告費", "返品件数"], 3))
print("売上と気温        :", round(corr_matrix.loc["売上", "気温"], 3))

広告費と売上      : 0.999
広告費と返品件数  : -0.999
売上と気温        : 0.122

このサンプルでは、次のように読めます。

• 広告費と売上：0.999 → 強い正の相関がある
• 広告費と返品件数：-0.999 → 強い負の相関がある
• 売上と気温：0.122 → 少なくとも強い直線的な相関は見られない

ここで、0.122だから「売上と気温には絶対に何の関係もない」とは断定できません。corr()が捉える関係、とくに標準のPearson相関は直線的な関係が中心です。曲線的な関係や外れ値の影響は、相関係数だけでは見落とすことがあります。

このため、corr()は結論を自動的に出す道具ではなく、詳しく見る組み合わせを探す道具として使うと理解しやすいです。

Pearson・Spearman・Kendallはどう使い分ける？

DataFrame.corr()は、標準ではPearson（ピアソン）の相関係数を計算します。初心者が連続した数値データの直線的な関係を見るなら、まずPearsonから始めればよいでしょう。

指定するときはmethod引数を使います。違いが見えやすいよう、ここだけ小さな比較用データを使います。xが増えるにつれてyも必ず増えますが、最後の値だけ大きく離れています。

method_df = pd.DataFrame({
    "x": [1, 2, 3, 4, 5, 6, 7, 8],
    "y": [1, 2, 3, 4, 5, 6, 7, 100]
})

print("Pearson :", round(method_df.corr(method="pearson").loc["x", "y"], 3))
print("Spearman:", round(method_df.corr(method="spearman").loc["x", "y"], 3))
print("Kendall :", round(method_df.corr(method="kendall").loc["x", "y"], 3))

Pearson : 0.624
Spearman: 1.0
Kendall : 1.0

この例では順位そのものは完全に同じ方向へ動いているため、SpearmanやKendallでは強い関係として表れます。一方、Pearsonは数値の直線的な関係を見るため、最後の大きな値の影響を受けます。

ここでは**「methodによって見ている関係が違う」**と分かれば十分です。Spearman・Kendallの統計理論や数式には深入りしません。通常の数値データで迷ったら、まずPearsonで確認し、分析目的に応じて別の方法を検討しましょう。

corr()でつまずきやすい3つのポイント

corr()は短いコードで使えますが、実際のCSVやExcelから読み込んだデータでは、データ型や欠損値に注意が必要です。

1. 数字に見えても文字列型になっていることがある

たとえばCSVから読み込んだ広告費が文字列になっていると、そのまま数値列として分析できないことがあります。まずdtypesで型を確認する習慣をつけましょう。

df_text = df.copy()
df_text["広告費"] = df_text["広告費"].astype(str)

df_text.dtypes

型が混在するDataFrameでは、初心者には数値列を明示してからcorr()を使う方法が分かりやすく、安全です。

numeric_df = df_text.select_dtypes(include="number")
numeric_df.corr().round(3)

DataFrame.corr()にはnumeric_onlyという引数もあります。数値列だけを対象にする書き方としてdf.corr(numeric_only=True)もありますが、なぜ列が対象外になったのかを理解するためにも、先にdtypesで型を確認するのがおすすめです。

数値列だけを選ぶ方法はpandas select_dtypes()の使い方、文字列になった数字を数値型へ直す方法はpandas to_numeric()の使い方で詳しく解説しています。

2. 欠損値があっても「0」として計算されるわけではない

実データには欠損値が含まれることがあります。corr()では、対象となる2列について利用できる観測値を使って相関を計算します。欠損値を勝手に0へ置き換えて計算するわけではありません。

たとえば一部の売上を欠損値にして確認します。

df_missing = df.copy()
df_missing.loc[[2, 7], "売上"] = pd.NA

print(df_missing[["広告費", "売上"]].isna().sum())
df_missing[["広告費", "売上"]].corr().round(3)

広告費    0
売上     2
dtype: int64

相関係数の計算に必要な最小データ数を決めたい場合は、min_periodsを指定できます。次の例では、広告費と売上の有効な組み合わせが10件しかないのに11件以上を必要とするため、この2列間の相関係数はNaNになります。

# 計算に必要な有効データ数を11件以上に指定
df_missing[["広告費", "売上"]].corr(min_periods=11)

min_periodsは、少ないデータだけで相関係数が計算されるのを避けたい場合に便利です。PandasではPearson相関とSpearman相関で利用できます。

欠損が多いほど、組み合わせによって計算に使えるデータ数が変わる可能性があります。相関係数を見る前に「何件のデータが残っているのか」を意識しましょう。欠損値の場所や件数の確認は、Pandas isnull()で欠損値を確認する記事につなげて学べます。

なお、isnull()記事で扱っているmissingnoの「欠損パターン同士の相関」と、ここで扱う売上・広告費など通常の数値変数同士の相関は目的が異なります。

3. NaNが出たら「計算できる変化があるか」を確認する

相関係数がNaNになる代表例の1つが、すべて同じ値の列です。値が変化しない列では、通常の相関係数を計算できません。

df_constant = df[["広告費", "売上"]].copy()
df_constant["固定値"] = 1

df_constant.corr().round(3)

corr()でNaNを見つけたら、エラーだと決めつけず、列の値がすべて同じではないか、欠損値が多すぎないか、計算に使えるデータが十分あるかを確認してください。

corr()だけで判断せず、散布図で形を確認する

相関係数は複数列を一覧で比較するのに便利ですが、点がどのように散らばっているかまでは分かりません。

たとえば広告費と売上は相関係数が約0.999でした。この関係を散布図でも確認してみましょう。

import matplotlib.pyplot as plt

plt.scatter(df["広告費"], df["売上"])
plt.xlabel("Ad cost")
plt.ylabel("Sales")
plt.title("Ad cost vs Sales")
plt.grid(alpha=0.3)
plt.show()

点が右上がりに並んでいれば、「広告費が大きい期間ほど売上も大きい」という傾向を目でも確認できます。

散布図には、相関係数だけでは気づきにくい次の情報があります。

• 外れた点がないか
• 点が直線ではなく曲線のように並んでいないか
• 一部の点だけが相関係数を大きく動かしていないか

したがって、corr()で候補を探す → 散布図で実際の形を見るという順番が実践的です。散布図の色・サイズ・凡例などは、Matplotlib scatter入門で詳しく解説しています。この記事ではcorr()の結果を確かめるための最小限の描画にとどめます。

データ分析では「確認→相関→可視化」の流れで使う

実際の分析では、いきなりcorr()だけを実行するより、次の順番で進めると迷いにくくなります。

1. head()やdtypesでDataFrameの中身と型を確認する
2. describe()で各数値列の分布をざっくり確認する
3. 必要なら文字列の数字や欠損値を整える
4. corr()で列同士の相関を一覧する
5. 気になる組み合わせを散布図で確認する

つまり、corr()は前処理そのものではなく、整えたDataFrameを探索し、次に詳しく見るべき関係を見つける段階に位置づきます。

この流れを意識すると、df.corr()で表を出して終わるのではなく、分析の次の一手を決められるようになります。

注意：相関が高くても因果関係があるとは限らない

相関係数を読むときに、最も大切な注意点の1つです。

たとえば、このサンプルでは広告費と売上に強い正の相関があります。しかし、この結果だけから**「広告費を増やしたことが売上増加の原因である」**とは断定できません。季節、キャンペーン、来店客数など、別の要因が両方に影響している可能性もあります。

corr()が示すのは、あくまでデータ上の関係です。相関関係と因果関係は別物として扱いましょう。

まとめ：corr()で関係を見つけ、散布図で確かめよう

この記事では、Pandasのcorr()を使って相関係数・相関行列を確認する方法を解説しました。

• corr()は列と列の関係を数値でまとめて確認するメソッド
• 相関係数は-1〜1で、符号は向き、絶対値は直線的な関係の強さを見る手がかり
• 相関行列では、同じ列同士の対角線より異なる列同士を見る
• 標準のPearsonを基本にし、必要に応じてSpearman・Kendallを検討する
• 文字列型や欠損値がある場合は、計算前にデータを確認する
• 相関係数だけでは点の散らばりや外れ値が見えないため、散布図も組み合わせる
• 強い相関があっても、因果関係があるとは限らない

初心者のうちは、describe()で各列を確認 → corr()で列同士の関係を探す → scatterで形を確認という流れを覚えておくと、データ分析を一段進めやすくなります。

関連記事

• Pandas DataFrame入門｜作り方・基本操作をわかりやすく解説
• pandas describe()の使い方｜統計量の意味・include=’all’・info()との違いを解説
• pandas select_dtypes()の使い方｜データ型で列を選ぶ方法を初心者向けに解説
• pandas to_numeric()の使い方｜文字列の数字を数値に変換する方法
• Matplotlib scatter入門：色とサイズで散布図を可視化する方法
• 欠損値を可視化して攻略！Pandas isnullとヒートマップ活用術

Pandasを学び始めると、最初に登場するのがDataFrame（データフレーム）です。しかし、pd.DataFrame()で表を作れても、「辞書とリストのどちらを使うのか」「表示された表のどこを確認するのか」「次に何をすればよいのか」で迷いやすいものです。

この記事では、Google Colabで小さな売上データを作り、作成→確認→列選択→列追加→条件抽出→並べ替え→集計までを同じDataFrameで実行します。コードを動かすだけでなく、出力の行・列・型を読み、想定外の結果を自分で確認する方法まで身につけます。

この記事でわかること

• DataFrameの行・列・インデックスの意味
• 元データの形に合うDataFrameの作り方
• 作成後にshape・columns・dtypes・head()・info()で確認する手順
• DataFrameとSeries、df["列名"]とdf[["列名"]]の違い
• 列追加・条件抽出・並べ替え・集計の基本的な流れ
• 列の長さ、列名、データ型が原因の失敗を確認して直す方法

DataFrameはPandas学習の入口です。ここで全操作を暗記する必要はありません。まず表を正しく作って確認し、目的に合う個別の操作へ進めるようになることが目標です。

先に結論：DataFrameは複数列を持つ表形式データに使う

DataFrameは、行と列で構成され、列ごとに異なるデータ型を持てる2次元のデータ構造です。Excelの表に似ていますが、Pythonコードで確認・加工・集計を再現できる点が特徴です。

元データの状態に応じて、最初の作り方を選びます。

どの方法でも、作成後はすぐ加工せず、行数・列名・データ型・欠損・先頭の値を確認します。

辞書から売上DataFrameを作る

実行目的と実行前の状態

商品名・カテゴリ・単価・数量が列ごとにまとまった辞書を、DataFrameへ変換します。各列の要素数は4件でそろえています。

import pandas as pd

data = {
    "商品名": ["ノート", "ペン", "電卓", "ファイル"],
    "カテゴリ": ["文具", "文具", "事務用品", "文具"],
    "単価": [120, 80, 1500, 300],
    "数量": [3, 10, 2, 5],
}

df = pd.DataFrame(data)
df

辞書のキーが列名になり、各リストの同じ位置にある値が1行になります。左端の0〜3はインデックスです。通常のデータ列ではなく、行を識別するラベルとして使われます。

最初に見るのは、列名が「商品名・カテゴリ・単価・数量」になっているか、4行すべてが表示されているか、値が意図した列に入っているかです。

DataFrameの行・列・インデックスを確認する

図解：DataFrameのどこが行・列・インデックスか

上端の「商品名・カテゴリ・単価・数量」が列名、左端の0・1がインデックス、横方向の1組が行です。たとえば、インデックス0と「単価」が交差するセルの値は120です。

shapeは行数と列数、columnsは列名、indexは行ラベルを返します。

print("行数・列数:", df.shape)
print("列名:", df.columns.tolist())
print("インデックス:", df.index.tolist())

行数・列数: (4, 4)
列名: ['商品名', 'カテゴリ', '単価', '数量']
インデックス: [0, 1, 2, 3]

df.shapeの結果は(4, 4)です。先が行数、後ろが列数なので、「4行4列」と読みます。columnsとindexも、作成前の想定と一致していることを確認します。

辞書のリストから作る場合との違い

1件ずつ「商品名・カテゴリ・単価・数量」がまとまっている場合は、辞書のリストが自然です。作り方は異なっても、完成する表の形は同じです。

records = [
    {"商品名": "ノート", "カテゴリ": "文具", "単価": 120, "数量": 3},
    {"商品名": "ペン", "カテゴリ": "文具", "単価": 80, "数量": 10},
    {"商品名": "電卓", "カテゴリ": "事務用品", "単価": 1500, "数量": 2},
    {"商品名": "ファイル", "カテゴリ": "文具", "単価": 300, "数量": 5},
]

df_records = pd.DataFrame(records)
df_records

列ごとの辞書を無理に辞書のリストへ直す必要はありません。元データが列単位なら辞書、行単位なら辞書のリストと判断すると迷いにくくなります。

CSVを使う場合は、ファイルパスを指定してpd.read_csv("ファイルパス")とします。Google ColabへのアップロードやDrive接続は、Google ColabでCSVを読み込む方法で詳しく確認できます。Excelの場合はpandas read_excel()の使い方へ進んでください。

作成後は5項目を確認する

DataFrameが表示されても、中身が正しいとは限りません。加工前に次の5項目を確認します。

1. shape：想定した行数と列数か
2. columns：列名の空白や表記違いがないか
3. dtypes：数値や日付が適切な型か
4. head()：先頭の値と列の対応が正しいか
5. info()：Non-Null Countと型に異常がないか

まず、先頭行とデータ型を確認します。

print(df.head())
print("\nデータ型:")
print(df.dtypes)

    商品名  カテゴリ    単価  数量
0   ノート    文具   120   3
1    ペン    文具    80  10
2    電卓  事務用品  1500   2
3  ファイル    文具   300   5

データ型:
商品名     object
カテゴリ    object
単価       int64
数量       int64
dtype: object

商品名とカテゴリは文字列を持つobject型、単価と数量は整数のint64型です。今回の売上計算では単価と数量が数値型であることが重要です。

head()は先頭だけを確認するメソッドです。全行の欠損や異常を保証するものではありません。詳しい使い分けはpandas head()の使い方を参照してください。

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   商品名     4 non-null      object
 1   カテゴリ    4 non-null      object
 2   単価      4 non-null      int64 
 3   数量      4 non-null      int64 
dtypes: int64(2), object(2)
memory usage: 260.0+ bytes

info()では4行すべてについて各列のNon-Null Countが4 non-nullなので、この例に欠損値はありません。Non-Null Countは欠損数ではなく、欠損していない値の数です。

実データで構造・型・欠損を診断する方法はpandas info()の使い方、値の分布はpandas describe()の使い方で確認できます。

DataFrameとSeriesを使い分ける

DataFrameは2次元の表、Seriesは1次元のデータです。同じ1列を選んでも、角括弧の数で戻り値が変わります。

実際の型と表示の違いを確認します。

price_series = df["単価"]
price_frame = df[["単価"]]

print("1組の角括弧:", type(price_series).__name__, price_series.shape)
print("2組の角括弧:", type(price_frame).__name__, price_frame.shape)
price_frame

1組の角括弧: Series (4,)
2組の角括弧: DataFrame (4, 1)

price_seriesの形は(4,)、price_frameは(4, 1)です。見た目が似ていても型と次元が違うため、後続処理がDataFrameを前提にする場合はdf[["単価"]]を選びます。

同じDataFrameで基本操作をつなげる

ここからは、作成したdfを使って、列選択・計算列追加・条件抽出・並べ替え・集計を順番に行います。個別メソッドの引数を網羅するのではなく、DataFrameを分析へつなげる全体像を確認します。

必要な列を選ぶ

複数列をDataFrameとして残すため、列名をリストで指定します。

selected = df[["商品名", "単価", "数量"]]
selected

3列だけを持つDataFrameが返りました。元のdfは削除されず、4列のまま残っています。

売上列を追加する

元データを残して処理前後を比較できるように、copy()でdf_salesを作ってから「単価×数量」を計算します。

df_sales = df.copy()
df_sales["売上"] = df_sales["単価"] * df_sales["数量"]
df_sales

処理前は4列、処理後は右端に売上列が加わって5列になりました。たとえばノートは120 × 3 = 360、電卓は1500 × 2 = 3000です。値だけでなく、計算に使った単価・数量と対応させて検算します。

列を追加する複数の方法は、pandasで新しい列を追加する方法で詳しく説明しています。

売上1,000円以上の商品を抽出する

条件式df_sales["売上"] >= 1000を使い、条件を満たす行だけを残します。

high_sales = df_sales[df_sales["売上"] >= 1000]
high_sales

残ったのは電卓とファイルの2行です。左端のインデックスは元の2と3を維持しています。抽出後のインデックスが必ず0から始まるわけではありません。行ラベルの意味を残したい場合もあるため、無条件に振り直さないでください。

複数条件やquery()の使い方はpandas 条件抽出の基本、ラベル・位置指定はPandas locとilocの違いへ進みます。

売上の高い順に並べる

sort_values()は並べ替えたDataFrameを返します。結果をsorted_salesへ代入し、元のdf_salesと区別します。

sorted_sales = df_sales.sort_values("売上", ascending=False)
sorted_sales

売上が3000、1500、800、360の順になりました。sort_values()を実行しただけでは、元のdf_salesの行順は変わりません。並べ替え結果を後で使うなら、戻り値を変数へ保存します。

カテゴリ別に売上を集計する

最後に、カテゴリごとの売上合計を計算します。as_index=Falseを使い、結果を通常の2列のDataFrameとして表示します。

category_sales = (
    df_sales.groupby("カテゴリ", as_index=False)["売上"]
    .sum()
    .sort_values("売上", ascending=False)
)
category_sales

文具は360 + 800 + 1500 = 2660、事務用品は3000です。集計結果は、元の4商品がカテゴリ別の2行へまとまったことを確認します。集計方法の選び方はpandas groupby・aggの使い方で詳しく学べます。

コードは動くが結果を誤解しやすい例

数字が文字列のままでもDataFrameは作れる

次のDataFrameはエラーなく作れますが、単価が文字列です。文字列と整数の掛け算は数値計算ではなく、文字の繰り返しになります。

bad_df = pd.DataFrame({
    "商品名": ["ノート", "ペン"],
    "単価": ["120", "80"],
    "数量": [3, 10],
})

bad_df["誤った売上"] = bad_df["単価"] * bad_df["数量"]
bad_df

ノートの結果が360ではなく120120120になっています。コードが止まらなくても、結果は売上として誤りです。dtypesと元の値を確認し、数値へ変換してから計算します。

bad_df["単価"] = pd.to_numeric(bad_df["単価"], errors="raise")
bad_df["売上"] = bad_df["単価"] * bad_df["数量"]
bad_df[["商品名", "単価", "数量", "売上"]]

修正後はノートが360、ペンが800になりました。自分のデータに変換できない値が混ざる場合は、pandas to_numeric()の使い方でerrorsの選び方と変換失敗の確認方法を確認してください。

抽出・並べ替えは元データを自動変更しない

df_sales[条件]やsort_values()は結果を返します。結果を変数へ代入せず、元のDataFrameも変わったと思い込むと、次のセルで古い行や行順を使うことになります。処理後にshape・列名・先頭行を再表示し、どの変数を使っているか確認します。

DataFrame作成時のエラーを確認して修正する

NameError: name 'pd' is not defined

現象：pd.DataFrame(data)でNameErrorが出ます。
原因：import pandas as pdを実行していないか、Colabの再接続後にimportセルが未実行です。
確認方法：上のimportセルに実行済み番号があるか確認します。
修正方法：import pandas as pdから順番に再実行します。
修正後の確認：pd.__name__がpandasとなり、DataFrameが表示されることを確認します。

ValueError: All arrays must be of the same length

現象：列単位の辞書からDataFrameを作るとValueErrorが出ます。
原因：辞書に入れたリストの要素数がそろっていません。
確認方法：列名と要素数を表示します。

uneven_data = {
    "商品名": ["ノート", "ペン", "電卓"],
    "単価": [120, 80],
}

{column: len(values) for column, values in uneven_data.items()}

{'商品名': 3, '単価': 2}

商品名は3件、単価は2件です。修正方法は、抜けた値の意味を確認し、誤って省略した値を追加するか、行単位の辞書のリストにして欠損を明示することです。意味を確認せず0を足してはいけません。修正後はshapeと表示結果を再確認します。

fixed_records = [
    {"商品名": "ノート", "単価": 120},
    {"商品名": "ペン", "単価": 80},
    {"商品名": "電卓", "単価": None},
]

fixed_df = pd.DataFrame(fixed_records)
fixed_df

3行のDataFrameを作成でき、未確認の単価は欠損値NaNとして明示されました。欠損を埋めるか削除するかはデータの意味で判断します。確認はPandas isnull()で欠損値を確認する方法、補完はpandas fillna()の使い方へ進みます。

KeyErrorで列を選べない

現象：存在するはずの列をdf["商品名"]で選ぶとKeyErrorが出ます。
原因：列名の打ち間違い、前後空白、大文字・小文字の違いが考えられます。
確認方法：推測せず、df.columns.tolist()で実際の列名を確認します。
修正方法：指定を実在する列名へ直します。前後空白が原因なら、データの仕様を確認したうえでdf.columns = df.columns.str.strip()を使います。
修正後の確認：列名一覧を再表示し、目的の列だけが選べることを確認します。

自分のデータへ置き換えるときのチェックリスト

• 辞書の各列で要素数がそろっているか
• 行単位と列単位を取り違えていないか
• shapeが想定した行数・列数か
• columnsに空白や表記違いがないか
• head()で値と列の対応が正しいか
• 数値列や日付列が文字列になっていないか
• info()で欠損していない件数を確認したか
• 抽出後の行数とインデックスを確認したか
• 並べ替えや集計の結果を新しい変数へ保存したか
• 集計値を元データの一部から手計算して検算したか

行を追加する古い例でDataFrame.append()を見かけることがありますが、現在のPandasでは削除されています。行方向の結合にはpd.concat()を使います。詳しくはpandas concat()の使い方を参照してください。

DataFrameから次の分析へ進む

DataFrameを作った後は、いきなり複雑な分析へ進まず、次の順序で確認すると安全です。

1. head()・info()・describe()で内容、型、欠損、分布を確認する
2. 必要ならto_numeric()・to_datetime()で型を直す
3. isnull()で欠損を確認し、意味に応じて補完・削除を判断する
4. loc・iloc・条件式で必要な行と列を抽出する
5. groupby()等で集計する
6. Matplotlibで可視化して傾向を確認する

この記事のcategory_salesは、そのままカテゴリ別の棒グラフへつなげられます。グラフ作成の土台はMatplotlib入門：FigureとAxesで確認できます。

まとめ

• DataFrameは、複数列を持つ表形式データを扱う2次元のデータ構造です。
• 列単位のデータは辞書、行単位のデータは辞書のリスト、既存ファイルは読み込み関数を選びます。
• 作成後はshape・columns・dtypes・head()・info()で、行数・列名・型・欠損・値を確認します。
• 1列をSeriesとして扱うならdf["列名"]、DataFrameを保つならdf[["列名"]]を使います。
• 列追加・抽出・並べ替え・集計の後も、行数・値・順序・合計を検算します。
• エラー時は、import、各列の長さ、実際の列名、データ型を順に確認します。

DataFrameの基本は、表を作ることだけではありません。出力を読み、正しいか判断し、目的に合う次の処理を選ぶことまでが一連の操作です。

関連記事

• Google ColabでCSVを読み込む方法
• pandas info()の使い方
• pandasで新しい列を追加する方法
• Pandas locとilocの違い
• pandas groupby・aggの使い方
• Matplotlib入門：FigureとAxes

▲ ページトップへ戻る

from google.colab import drive
drive.mount('/content/drive')

import pandas as pd

df = pd.read_csv('/content/drive/MyDrive/height_weight.csv')
df.head()

この記事でわかること

• Google Driveに保存したCSVをGoogle Colabで読み込む方法
• Google ColabでGoogle Driveをマウントする方法
• CSVファイルのパスを確認する方法
• pandasのread_csv()でCSVを読み込む方法
• CSVが読み込めないときの主な原因と対処法
• 読み込んだDataFrameをCSVとしてGoogle Driveに保存する方法

Pythonの実行環境で迷っている方は、先にこちらの記事も参考にしてください。

【初心者向け】Pythonの実行環境を比較！Colab・Anaconda・インストールの違いと使い方

Google ColabでCSVを読み込む全体像

Google Colabは、ブラウザ上でPythonを実行できる便利な環境です。ただし、Google Driveに保存したCSVを読み込むには、まずColabからDriveにアクセスできる状態にする必要があります。

基本の流れは、次の5つです。

ステップ1｜CSVファイルをGoogle Driveにアップロードする

まず、読み込みたいCSVファイルをGoogle Driveに保存します。

この記事では、例としてマイドライブ直下にheight_weight.csvというファイルを置いた前提で進めます。自分のCSVを使う場合は、ファイル名を読み替えてください。

ステップ2｜Google ColabでGoogle Driveをマウントする

次に、Google ColabからGoogle Driveにアクセスできるようにします。この接続作業を「マウント」といいます。

Colabのコードセルに、次のコードを入力して実行してください。

from google.colab import drive
drive.mount('/content/drive')

実行すると、Google Driveへの接続を許可する画面が表示されます。「Googleドライブに接続」をクリックし、画面の指示に従って進めます。

認証が完了すると、Mounted at /content/driveのようなメッセージが表示されます。これで、ColabからGoogle Drive内のファイルにアクセスできます。

Driveが接続できたか確認する

Colab画面の左側にあるフォルダアイコンをクリックします。ファイル一覧にdriveフォルダが表示されていれば成功です。

ステップ3｜CSVファイルのパスを確認する

CSVを読み込むには、「どこにあるCSVファイルを読み込むのか」をColabに教える必要があります。この場所を表す文字列がファイルパスです。

Google Driveをマウントした場合、マイドライブは通常、次の場所から始まります。

/content/drive/MyDrive/

例えば、マイドライブ直下にheight_weight.csvを保存している場合、ファイルパスは次のようになります。

/content/drive/MyDrive/height_weight.csv

ファイルパスは「パスをコピー」で確認する

手入力すると、ファイル名やフォルダ名を間違えやすくなります。初心者の方は、Colabのファイル一覧からパスをコピーする方法がおすすめです。

1. Colab左側のフォルダアイコンをクリックする
2. drive → MyDriveを開く
3. 読み込みたいCSVファイルを右クリックする
4. 「パスをコピー」をクリックする

ステップ4｜pandasのread_csv()でCSVを読み込む

ファイルパスを確認できたら、pandasのread_csv()でCSVを読み込みます。

まず、pandasを使えるようにします。

import pandas as pd

次に、CSVファイルを読み込みます。

df = pd.read_csv('/content/drive/MyDrive/height_weight.csv')

このコードは、指定した場所にあるCSVファイルを読み込み、dfという名前のDataFrameとして扱えるようにする、という意味です。

pandasのread_csv()の詳しい仕様は、公式ドキュメントでも確認できます。

pandas read_csv 公式ドキュメント

ステップ5｜読み込んだCSVを確認する

CSVを読み込んだら、まずdf.head()で先頭の数行を確認します。

df.head()

	Name	Height(cm)	Weight(kg)
0	NQjXU	152	53
1	rcXej	165	51
2	FMtIp	188	56
3	gymZI	183	64
4	BqzCl	150	81

このように表の先頭行が表示されれば、CSVファイルの読み込みは成功です。

head()の詳しい使い方は、こちらの記事で解説しています。

【初心者向け】Pandasのhead関数の使い方とDataFrameの先頭行を表示する具体的手順を解説

info()で列名・データ型・欠損値を確認する

CSVが読み込めたら、info()で列名、データ型、欠損値の有無を確認できます。

df.info()

describe()で数値データの統計量を確認する

数値列の平均値、標準偏差、最小値、最大値などを確認したい場合は、describe()を使います。

df.describe()

	Height(cm)	Weight(kg)
count	100.000000	100.000000
mean	173.110000	70.960000
std	16.084936	16.403941
min	150.000000	45.000000
25%	160.000000	58.000000
50%	171.500000	69.000000
75%	188.000000	85.250000
max	200.000000	100.000000

info()とdescribe()の詳しい使い方は、こちらの記事で解説しています。

【初心者向け】Pandasのinfo()・describe()でデータ構造と統計量をやさしく理解する方法

Google ColabでCSVが読み込めないときの対処法

CSVが読み込めないときは、まず次の順番で確認しましょう。

FileNotFoundError：ファイルが見つからない

FileNotFoundError: [Errno 2] No such file or directoryは、指定した場所にファイルが見つからないときに出るエラーです。

主な原因は、ファイルパスの間違いです。次の点を確認してください。

• Google Driveをマウントしているか
• ファイル名の大文字・小文字が一致しているか
• .csvの拡張子まで正しく書いているか
• フォルダ名やスラッシュ/が間違っていないか
• ファイルが本当にマイドライブ内にあるか

対処法としては、CSVファイルを右クリックし、「パスをコピー」を使うのが一番確実です。

文字化けする場合：encodingを指定する

日本語が文字化けする場合は、encodingを指定します。

df = pd.read_csv('/content/drive/MyDrive/height_weight.csv', encoding='utf-8')

日本語Windows環境で作成したCSVの場合は、cp932やshift_jisで読み込めることがあります。

df = pd.read_csv('/content/drive/MyDrive/height_weight.csv', encoding='cp932')

列がうまく分かれない場合：sepを指定する

CSVファイルによっては、カンマではなくタブやセミコロンで区切られていることがあります。その場合は、sepを指定します。

# タブ区切りの場合
df = pd.read_csv('/content/drive/MyDrive/sample.tsv', sep='\t')

# セミコロン区切りの場合
df = pd.read_csv('/content/drive/MyDrive/sample.csv', sep=';')

ヘッダー行がずれる場合：headerを指定する

CSVの1行目が列名ではない場合は、headerを指定します。

# 1行目を列名として扱わない場合
df = pd.read_csv('/content/drive/MyDrive/sample.csv', header=None)

読み込んだデータをCSVとしてGoogle Driveに保存する

読み込んだデータを加工したあと、CSVとしてGoogle Driveに保存したい場合は、pandasのto_csv()を使います。

例えば、dfをマイドライブにheight_weight2.csvとして保存する場合は、次のように書きます。

df.to_csv('/content/drive/MyDrive/height_weight2.csv', index=False)

index=Falseを付けると、DataFrameの左端にあるインデックス番号をCSVに保存しないようにできます。通常、CSVとして保存するときはindex=Falseを付けることが多いです。

pandasのto_csv()の詳しい仕様は、公式ドキュメントで確認できます。

pandas DataFrame.to_csv 公式ドキュメント

Excelファイルを読み込みたい場合

CSVではなくExcelファイルを読み込みたい場合は、pandasのread_excel()を使います。

df_excel = pd.read_excel('/content/drive/MyDrive/sample.xlsx')

詳しい使い方は、こちらの記事で解説しています。

pandas read_excelの使い方｜Excelファイルを読み込む方法を初心者向けに解説

まとめ：Google ColabでCSVを読み込む基本はDrive接続とread_csv()

この記事では、Google ColabでGoogle Drive上のCSVファイルを読み込む方法を解説しました。

1. CSVファイルをGoogle Driveにアップロードする
2. drive.mount()でGoogle DriveをColabに接続する
3. CSVファイルのパスを確認する
4. pd.read_csv()でCSVファイルを読み込む
5. df.head()やdf.info()で読み込み結果を確認する
6. df.to_csv()でCSVとしてGoogle Driveに保存する

Google ColabでCSVを扱えるようになると、pandasを使ったデータ分析を進めやすくなります。まずは自分のCSVファイルをGoogle Driveに置き、今回のコードを使って読み込んでみましょう。

▲ ページトップへ戻る