Pandas infoとdescribeの使い方｜出力例でDataFrameの構造と統計量を理解【第５回】

Pythonでデータ分析を行う際には、データの全体像をつかむことが非常に重要です。その際は、Pandasライブラリのinfo()とdescribe()メソッドを活用しましょう。データフレームの構造や基本統計量を把握する方法を、具体例を用いて初心者向けにわかりやすく解説します。

使用するデータ

以下のような辞書形式のデータをDataFrameに変換して使います。

import pandas as pd

data = {
    "名前": ["太郎", "花子", "次郎", "美香", "健一", "恵子", "翔", "茜", "隆", "葵"],
    "年齢": [23, 29, 35, 42, 18, 33, 27, 24, 31, 30],
    "職業": ["エンジニア", "デザイナー", "教師", "医師", "学生", "看護師", "プログラマー", "販売員", "弁護士", "研究者"],
    "年収（円）": [4500000, 5500000, 4900000, 7300000, 0, 4000000, 6000000, 3200000, 8000000, 5800000],
    "居住地": ["東京", "大阪", "名古屋", "札幌", "福岡", "東京", "神戸", "仙台", "横浜", "千葉"],
    "勤続年数": [2, 4, 10, 15, 1, 5, 3, 1, 12, 8]
}

df = pd.DataFrame(data)

DataFrameの出力結果：

df

info()でデータ構造を確認

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10 entries, 0 to 9
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   名前      10 non-null     object
 1   年齢      10 non-null     int64 
 2   職業      10 non-null     object
 3   年収（円）   10 non-null     int64 
 4   居住地     10 non-null     object
 5   勤続年数    10 non-null     int64 
dtypes: int64(3), object(3)
memory usage: 612.0+ bytes

この結果をもとに、①各列の型（int, object）、②欠損値の有無（non-null）、③行数・列数を確認します。ここから読み取れる内容は以下のとおりです。

• データ構造
• 行数：10（10entries,インデックスは 0 から 9)
• 列数： 6（total 6 columns）
• 各列のデータ型（Dtype）
• 名前（object 型）：文字列（例：太郎）。object型は、主に文字列や異なる型のデータが混在する場合に使われます。
• 年齢（int64 型） ：整数 （例：25）。int64型は、64ビットの整数値を扱います。
• 職業（object 型）：文字列（例：エンジニア）
• 年収（円）（int64 型）：整数（例：500 万円)
• 居住地（object 型）:文字列（東京）
• 勤続年数（int64 型）：整数（5 年）
• 欠損値（NaN）

各列に 10 non-null（全てのデータが埋まっている）と表示されているため、欠損値はありません。non-nullは「欠損値がない」ことを意味します。

• メモリ使用量

メモリ使用量は 612.0 バイトなので、小規模なデータセットです。

補足：int64 は 64 ビット整数型、object は文字列や混合型（数値や文字列の混合）を指します。

▶️ infoの公式ドキュメントも参考にしてください：
pandas DataFrame info Documentation

describe()で統計量を確認

df.describe()

describe()で得られる代表的な統計指標の意味は以下のとおりです。

• count： 欠損値以外のデータ数
• mean： 平均値
• std： 標準偏差（データのばらつき）
• min： 最小値
• 25%： 第1四分位数
• 50%： 中央値（第2四分位数）
• 75%： 第3四分位数
• max： 最大値

補足情報：describe(include=”all”) オプションでカテゴリデータも確認

describe()はデフォルトで数値データのみ出力されますが、include='all'でカテゴリデータも含めた統計が出力されます。

df.describe(include='all')

カテゴリデータ（include=’all’）の補足

• unique： 異なる値の数
• top： 最も頻出する値（最頻値）
• freq： 最頻値の出現回数
• NaN： 「Not a Number（数値でない）」の略で、カテゴリデータには該当する統計量（平均や標準偏差など）がないことを示します。

補足：例えば、居住地「東京」は2回出現しているため freq=2 になります。同率最頻値（tie）が複数ある場合でも、1つだけが表示されます。

注：カテゴリデータとは、単なる文字列ではなく、決まったグループに分類できるものをいいます。例えば、「都道府県」なら「東京」「大阪」「名古屋」等、「職業」なら「エンジニア」「教師」等です。

筆者の体験談：失敗から学んだ教訓

私が初めてPandasを使ったとき、df.describe()だけを実行して「データは問題なさそうだ」と判断していました。しかし実際にはカテゴリーデータに欠損があり、モデルの学習に大きな支障が出たことがあります。

この失敗をきっかけに、まずdf.info()で欠損の有無を確認し、df.describe(include=’all’)を併用する習慣が身につきました。

失敗から得た教訓： 数値だけでは見えない情報がある。構造と統計を両方見ることが重要！

▶️ describeの公式ドキュメントも参考にしてください：
pandas DataFrame describe Documentation

まとめ

• info()で各列の型・欠損・件数を把握
• describe()で数値データの傾向を確認
• include=’all’ でカテゴリカルデータも統計化可能
• NaN = 数値でないため統計値が存在しない

統計量の用語まとめ

統計量	数値型	カテゴリ型
count	非欠損の件数	非欠損の件数
mean	平均	–
std	標準偏差	–
min/max	最小・最大	–
25%/50%/75%	四分位数	–
unique	–	異なる値の数
top	–	最頻値
freq	–	最頻値の出現数

次回はデータの行・列をラベル指定して抽出する方法locを解説していきます！