pandas map()の使い方｜辞書で値を変換・新しい列を作る方法を初心者向けに解説

CSVを読み込んだあと、列の値が 1、2、A、B のようなコードで入っていて、「この数字や記号が何を意味しているのか分かりにくい」と感じることがあります。

たとえば、次のようなデータです。

このまま value_counts() や groupby() で集計することもできますが、結果が 1 や A のままだと読み取りにくくなります。

そこで使いやすいのが、Pandasの map() です。
map() は、1列の値を、辞書などの対応表に従って別の値へ変換したいときに使います。

この記事では、pandas map()の使い方を、辞書で値を変換する基本から、新しい列を作る方法、辞書にない値が NaN になる注意点まで、初心者向けに整理します。

まず結論：map()は「対応表で1列を変換する」ときに使う

結論
pandasの map() は、DataFrameの1列に入っている値を、辞書などの対応表に従って別の値へ変換したいときに使います。
たとえば、1 を 男性、2 を 女性、A を 通常会員 のように、コード値を人が読めるラベルへ変換するときに便利です。

この記事では、まず辞書を使った基本形に絞って説明します。
難しい関数処理や速度比較には深入りせず、CSVを読み込んだあとに実際によく使う前処理として、map() の使いどころを整理します。

この記事でわかること

• map() がどんな場面で役立つか
• 辞書を使って値を変換する基本
• 数値コードや文字列コードをラベルに変換する方法
• map() で新しい列を作る方法
• 辞書にない値が NaN になる理由と確認方法
• map() と replace()、astype()、merge() の違い
• 集計前の前処理として map() を使う流れ

Pandas DataFrame入門シリーズでの位置づけ

map() は、DataFrameを集計・可視化する前に、値を読みやすく整えるための前処理でよく使います。

流れとしては、次の位置づけです。

DataFrameの基本から確認したい場合は、Pandas DataFrame入門 もあわせて確認すると流れがつかみやすくなります。

map()はどんな場面で使うのか

結論からいうと、map() は 1列の値を、対応表に従って別の値へ変換したいときに使います。

たとえば、次のような変換です。

map() は、特に次のような場面で便利です。

• 数値コードをわかりやすいラベルに変換したい
• A、B、C のようなランクコードを名前に変えたい
• 既存列をもとに、新しい説明用の列を作りたい
• groupby() やグラフ化の前に、集計結果を読みやすくしたい

ここで大事なのは、map() は基本的に DataFrame全体ではなく、1列、つまりSeriesに使うという点です。

map()と似た機能の使い分け

Pandasには、値を変える処理がいくつかあります。
ここで先に整理しておくと、map() を使う場面がわかりやすくなります。

この記事では、まず初心者が使いやすい 辞書を使った map() に絞って説明します。

表記ゆれの置換を詳しく知りたい場合は、pandas replace()の使い方 を参考にしてください。
型変換を確認したい場合は、pandas astype()の使い方 が近い内容です。

サンプルデータを作成する

ここでは、会員データを例にします。

gender_code には性別コード、member_rank には会員ランクのコードが入っているとします。
また、あえて対応表にない値も入れて、map() でよくあるつまずきを確認できるようにします。

import pandas as pd

data = {
    "customer_id": [101, 102, 103, 104, 105, 106],
    "gender_code": [1, 2, 1, 3, 2, 1],
    "member_rank": ["A", "B", "C", "A", "D", "B"],
    "purchase_amount": [1200, 3500, 5800, 900, 1500, 4200]
}

df = pd.DataFrame(data)
df

このデータでは、gender_code の 1 や 2、member_rank の A や B は、そのままだと意味が伝わりにくい状態です。

このようなときに、map() で対応表を使って変換します。

変換前に値の種類を確認する

map() を使う前に、まずどんな値が入っているかを確認しておくと安全です。

特に、辞書にない値があると NaN になることがあるため、変換前に value_counts() で確認しておくと失敗に気づきやすくなります。

print("gender_code の値の種類")
display(df["gender_code"].value_counts(dropna=False))

print("member_rank の値の種類")
display(df["member_rank"].value_counts(dropna=False))

gender_code の値の種類

member_rank の値の種類

ここで、gender_code には 1、2、3 があり、member_rank には A、B、C、D があることがわかります。

この確認をせずに変換すると、「辞書に入れ忘れた値」があとから NaN として出てきて、原因がわかりにくくなることがあります。

value_counts() の基本は、pandas value_counts()の使い方 でも詳しく解説しています。

辞書を使って数値コードをラベルに変換する

まずは、gender_code の 1 と 2 を、それぞれ 男性、女性 に変換します。

map() では、次のように「変換前の値」と「変換後の値」を辞書で用意します。

gender_map = {
    1: "男性",
    2: "女性"
}

df["gender_code"].map(gender_map)

結果を見ると、1 は 男性、2 は 女性 に変換されています。

一方で、3 は辞書に含まれていないため、NaN になっています。
ここが map() で初心者がつまずきやすいポイントです。

NaN は必ずしもエラーではありません。
「対応表にない値があった」というサインとして確認することが大切です。

map()で新しい列を作る

初心者のうちは、元の列をいきなり上書きするより、新しい列として追加するほうが安全です。

たとえば、gender_code はそのまま残し、変換後の値を gender_label という新しい列に入れます。

df["gender_label"] = df["gender_code"].map(gender_map)
df

新しい列に入れると、変換前と変換後を横に並べて確認できます。

上書き自体が悪いわけではありません。
ただし、最初は gender_label のような新しい列を作るほうが、ミスに気づきやすくなります。

新しい列の作り方を広く確認したい場合は、pandasで新しい列を追加する方法 も参考になります。

辞書にない値がNaNになる例

map() では、辞書にない値は元の値のまま残るのではなく、NaN になることがあります。

この性質は便利でもあります。
なぜなら、「対応表に入っていない値がある」と気づけるからです。

print("gender_label の欠損数")
display(df["gender_label"].isnull().sum())

print("gender_label の値の種類")
display(df["gender_label"].value_counts(dropna=False))

gender_label の欠損数

np.int64(1)

gender_label の値の種類

この結果から、gender_label に NaN があることが確認できます。

今回のサンプルでは、gender_code の 3 を辞書に入れていないため、NaN になっています。
つまり、3 は「欠損値そのもの」ではなく、対応表にまだ登録していないコードとして扱います。

このように、map() 後は次の確認をすると安心です。

• isnull().sum() で NaN の数を確認する
• value_counts(dropna=False) で変換後の値を確認する
• 必要に応じて、辞書に値を追加するか、fillna() で補う

欠損値の確認や考え方は、Pandas info()とdescribe()の違い や pandas fillna()の使い方 ともつながります。

fillna()で未対応コードを補う

辞書にない値を NaN のままにしたくない場合は、fillna() で補う方法があります。

今回は、gender_code の 3 を「未対応」として表示します。

df["gender_label"] = df["gender_code"].map(gender_map).fillna("未対応")
df

fillna("未対応") を使うことで、辞書にない値をわかりやすく表示できました。

ただし、すべての NaN を機械的に「未対応」にしてよいとは限りません。
本当に未対応コードなのか、入力ミスなのか、欠損値なのかは、データの意味を確認して判断する必要があります。

文字列のコードをカテゴリ名に変換する

次に、member_rank の A、B、C を会員ランク名に変換します。

ここでも、元の member_rank を残し、変換後の値を rank_label という新しい列にします。

rank_map = {
    "A": "通常会員",
    "B": "優良会員",
    "C": "VIP"
}

df["rank_label"] = df["member_rank"].map(rank_map)
df

A、B、C は変換できましたが、D は辞書にないため NaN になっています。

ここでも、変換前後を確認しておきます。

print("rank_label の値の種類")
display(df["rank_label"].value_counts(dropna=False))

print("rank_label の欠損数")
display(df["rank_label"].isnull().sum())

rank_label の値の種類

rank_label の欠損数

np.int64(1)

D を未分類として扱うなら、fillna("未分類") のように補うことができます。

df["rank_label"] = df["member_rank"].map(rank_map).fillna("未分類")
df

これで、会員ランクのコードを読みやすいラベルに変換できました。

このように、map() は「コードの意味を人が読める形にする」前処理で役立ちます。

map()とreplace()の違い

迷ったら、コード値をラベルに変えるなら map()、表記ゆれを直すなら replace() と考えるとわかりやすいです。

map() と replace() はどちらも値を変える処理なので、混同しやすいです。

大きく分けると、次のように考えるとわかりやすいです。

違いを確認するために、簡単な例を見てみます。

s = pd.Series([1, 2, 3])

mapping = {
    1: "男性",
    2: "女性"
}

print("map() の結果")
display(s.map(mapping))

print("replace() の結果")
display(s.replace(mapping))

map() の結果

replace() の結果

この例では、3 が辞書にありません。

• map() では、3 が NaN になります
• replace() では、3 がそのまま残ります

そのため、対応表にない値を見つけたい場合は map() が気づきやすいことがあります。
一方で、表記ゆれを一部だけ直したい場合は replace() のほうが自然なこともあります。

replace() の詳しい使い方は、pandas replace()の使い方 で確認できます。

map()とastype()・merge()・apply()の違い

map() と似て見える処理も、目的が違います。

map()とastype()の違い

astype() は、値の意味を変えるのではなく、データ型を変えるためのメソッドです。

たとえば、文字列の "100" を数値の 100 に変えるような場面では astype() を使います。
一方、1 を 男性 に変えるように、値の意味をラベルへ変えるなら map() が向いています。

map()とmerge()の違い

小さな対応表を辞書で持てるなら、map() がシンプルです。

一方で、商品マスタ、店舗マスタ、顧客マスタのように、対応表が別のDataFrameとしてある場合は merge() が向いています。
本格的な表結合を学ぶ場合は、pandas mergeの使い方 が近い内容です。

map()とapply()の違い

単純な対応変換なら、まずは map() で十分なことが多いです。

apply() は、複雑な関数を使いたいときに便利ですが、この記事では深入りしません。
初心者のうちは、まず「辞書で対応変換するなら map()」と覚えると迷いにくくなります。

文字列の「1」と数値の1は別物として扱われる

map() では、辞書のキーと列の値が一致している必要があります。

たとえば、列の値が文字列の "1" なのに、辞書のキーが数値の 1 だと、うまく変換されないことがあります。

df_type = pd.DataFrame({
    "gender_code": ["1", "2", "1", "3"]
})

gender_map_number_key = {
    1: "男性",
    2: "女性"
}

df_type["label_ng"] = df_type["gender_code"].map(gender_map_number_key)
df_type

gender_code は見た目は 1 や 2 ですが、実際には文字列です。
そのため、数値の 1、2 をキーにした辞書では対応できず、NaN になります。

この場合は、辞書のキーを文字列にそろえるか、列の型を変換します。

gender_map_string_key = {
    "1": "男性",
    "2": "女性"
}

df_type["label_ok"] = df_type["gender_code"].map(gender_map_string_key).fillna("未対応")
df_type

このように、map() でうまく変換できないときは、次の点を確認しましょう。

• 列の値が数値なのか文字列なのか
• 辞書のキーと列の値の型が合っているか
• 辞書にない値が含まれていないか
• 変換後に NaN が増えていないか

型の確認や変換は、pandas astype()の使い方 とつながります。

map()後に集計へ進む

map() は、変換して終わりではありません。
読みやすいラベルに整えたあと、groupby() や可視化につなげると、分析結果がわかりやすくなります。

たとえば、会員ランク別に購入金額を集計してみます。

rank_summary = (
    df.groupby("rank_label", as_index=False)["purchase_amount"]
      .sum()
      .rename(columns={"purchase_amount": "total_purchase_amount"})
)

rank_summary

member_rank の A、B、C、D のまま集計するより、通常会員、優良会員、VIP、未分類 のように表示されたほうが、結果を読み取りやすくなります。

このように、map() は次の流れの中で役立ちます。

1. CSVを読み込む
2. head() や info() で確認する
3. value_counts() で値の種類を見る
4. map() でコード値をラベルに変換する
5. 必要に応じて fillna() や astype() で整える
6. groupby() やグラフで集計・可視化する

集計の基本は Pandas groupby×aggの使い方 に進むと理解しやすくなります。
グラフ化まで進めたい場合は、Matplotlib 棒グラフ入門 も関連します。

よくあるつまずきと確認ポイント

map() でうまく変換できないときは、次のポイントを確認してください。

特に大切なのは、変換前と変換後の確認です。
map() のコードだけを見るのではなく、変換前後の表を見比べるとミスに気づきやすくなります。

まとめ

この記事では、pandas map() の使い方を、辞書で値を変換する前処理として解説しました。

重要なポイントは、次のとおりです。

• map() は、1列の値を対応表に従って変換するときに使う
• 数値コードや文字列コードを、読みやすいラベルへ変換できる
• 初心者のうちは、元の列を上書きせず、新しい列として追加すると安全
• 辞書にない値は NaN になりやすい
• NaN が出たら、エラーと決めつけず、対応表にない値があるサインとして確認する
• map() 前後では、value_counts() や isnull().sum() で確認するとよい
• 表記ゆれ修正は replace()、型変換は astype()、別表との結合は merge() と使い分ける
• map() で値を整えると、groupby() やグラフ化の結果が読みやすくなる

map() は派手な機能ではありませんが、CSVを読み込んだあとに「コード値を人が読める形に整える」ための大切な前処理です。
まずは、対応表で1列を変換する、コード値を辞書でラベルに変換するという使い方から覚えておくと、DataFrameの集計や可視化へ進みやすくなります。

次に読みたい関連記事

この記事の内容は、次の記事とつながっています。

• Pandas DataFrame入門｜作り方・基本操作をわかりやすく解説
• Google Colab CSV 読み込み＆保存入門
• Pandas head()の使い方｜先頭の表示・行数指定を例で解説
• Pandas info()とdescribe()の違い｜欠損値・型・統計量の見方を例で解説
• pandas value_counts()の使い方｜件数集計・割合表示・欠損値の数え方を解説
• pandas replace()の使い方｜値の置換・表記ゆれ・欠損値変換を解説
• pandasで新しい列を追加する方法｜df[‘列名’]・assign・条件付き列追加を初心者向けに解説
• 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 astype()の使い方｜文字列・数値への型変換とエラー対処を初心者向けに解説
• pandas mergeの使い方｜DataFrame結合の違いと実例
• Pandas groupby×aggの使い方｜基本の集計とaggの書き方を例で解説
• Matplotlib 棒グラフ入門｜横棒・グループ化・積み上げまで解説

▲ ページトップへ戻る