pandas melt()の使い方｜横持ちデータを縦持ちに変換する方法

CSVを読み込んだあと、月別の売上や科目別の点数が横に並んでいて、集計しにくいと感じることがあります。

たとえば、次のような表です。

このような表は、人間が見るにはわかりやすいです。

しかし、Pandasで月ごとに集計したり、グラフ化したりする場合は、次のように「月」と「売上」を列として持つ形のほうが扱いやすくなります。

このように、横に広がった列を縦長にまとめるときに使うのが、Pandasの melt() です。

この記事では、melt() の基本、id_vars と value_vars の使い分け、groupby() やグラフ化へつなげる流れを、初心者向けに順番に解説します。

この記事でわかること

• melt() が何をするメソッドか
• 横持ちデータと縦持ちデータの違い
• id_vars と value_vars の使い分け
• var_name と value_name で列名を整える方法
• melt() 後に行数が増える理由
• value_vars を省略するときの注意点
• melt() 後に groupby() や棒グラフへつなげる流れ

この記事のゴールは、横に広がったDataFrameを、集計・可視化しやすい縦持ちデータに変換できるようになることです。

発展的な内容や環境差が出やすい内容は、本文の後半で補足として扱います。

melt()はどんな場面で使うのか

melt() は、次のように「同じ種類の情報が複数の列に分かれている」ときに役立ちます。

横持ちデータは人間が見る表としては便利です。

一方で、Pandasで集計・条件抽出・グラフ化をする場合は、項目名と値が列として分かれている縦持ちデータのほうが扱いやすいことがあります。

迷ったときは、次のように判断すると整理しやすいです。

つまり、melt() は「横に並んだ同じ種類の列を、1つの項目列と1つの値列にまとめたい」ときに使います。

横持ちデータと縦持ちデータの違い

melt() を理解するには、まず横持ちデータと縦持ちデータの違いを押さえるとわかりやすいです。

melt() は、横持ちデータを縦持ちデータに変換するためのメソッドです。

ポイントは、列名として横に並んでいた情報を、1つの列の値として縦に並べ直すことです。

図解：横に並んだ月別列を縦にまとめる

図のように、1月、2月、3月 のように横に並んだ列を、月 列と 売上 列にまとめます。

このとき、社員名 のように残したい列は id_vars に指定します。

一方で、1月、2月、3月 のように縦へまとめたい列は value_vars に指定します。

melt() は売上を合計する処理ではありません。集計やグラフ化をしやすい形に並べ直す前処理です。

サンプルデータを用意する

ここでは、社員ごとの月別売上データを使います。

1月、2月、3月 が横に並んでいるため、月別に集計したいときには少し扱いにくい形です。

import pandas as pd

df = pd.DataFrame({
    "社員ID": ["E001", "E002", "E003"],
    "社員名": ["佐藤", "鈴木", "田中"],
    "部署": ["営業部", "営業部", "企画部"],
    "1月": [120000, 98000, 150000],
    "2月": [135000, 110000, 142000],
    "3月": [128000, 105000, 160000]
})

df

このデータでは、社員ID、社員名、部署 は社員を説明する列です。

一方で、1月、2月、3月 は、月別の売上を表す列です。

今回目指す形は、次のとおりです。

つまり、社員を説明する列は残し、月別売上の列だけを縦にまとめます。

基本形：melt()で横持ちを縦持ちに変換する

melt() の基本形は次のとおりです。

df.melt(
    id_vars=[残す列],
    value_vars=[縦にまとめる列],
    var_name="項目列の名前",
    value_name="値列の名前"
)

今回の場合は、社員情報を残し、月別売上の列を縦にまとめます。

melt()は3つに分けて考えると迷いにくい

melt() では、最初に次の3つを決めると迷いにくくなります。

初心者が一番迷いやすいのは、id_vars と value_vars の分け方です。

まずは「社員名や部署のように説明として残す列」と「1月・2月・3月のように縦へまとめる列」を分けて考えると、コードを書きやすくなります。

sales_long = df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    value_vars=["1月", "2月", "3月"],
    var_name="月",
    value_name="売上"
)

sales_long

1月、2月、3月 の列が、月 列にまとまりました。

それぞれの金額は、売上 列に入っています。

melt() では、まず「残す列」と「縦にまとめる列」を分けるのがポイントです。

melt()後に行数が増える理由

melt() を初めて使うと、行数が増えることに驚くかもしれません。

今回のデータは、変換前は3人分なので3行です。

しかし、1人につき 1月、2月、3月 の3つの売上があるため、melt() 後は次のように行数が増えます。

melt() は、データを消しているのではありません。

横に並んでいた値を、縦に並べ直しているため、行数が増えるのは自然な動きです。

print("変換前の行数:", len(df))
print("変換後の行数:", len(sales_long))

変換前の行数: 3
変換後の行数: 9

このように、melt() 後は「元の行数 × 縦にまとめた列数」に近い行数になります。

今回であれば、3人 × 3か月なので9行です。

補足：元のindexを残したいときはignore_index=False

melt() は、通常は変換後に新しい連番indexを付けます。

多くの場合はそのままで問題ありません。

ただし、元の行番号やindexを確認しながら変換結果を見たいときは、ignore_index=False を指定できます。

初心者のうちは必須ではありませんが、melt() 後に「元のindexはどうなるのか」で迷ったときに知っておくと便利です。

df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    value_vars=["1月", "2月", "3月"],
    var_name="月",
    value_name="売上",
    ignore_index=False
)

ignore_index=False を指定すると、変換前のindexが残ります。

今回の例では、元データの0行目、1行目、2行目が、それぞれ月の数だけ繰り返されます。

ただし、通常の分析では新しい連番indexで問題ないことが多いため、最初は省略して構いません。

id_varsの意味：そのまま残す列

id_vars には、melt後もそのまま残したい列を指定します。

今回の例では、次の列です。

• 社員ID
• 社員名
• 部署

初心者向けに言うと、id_vars は縦にまとめない列です。

id_vars に入れない列は、結果に残らないことがあります。

後で使いたい列は、id_vars に入れておきましょう。

df.melt(
    id_vars=["社員名"],
    value_vars=["1月", "2月", "3月"],
    var_name="月",
    value_name="売上"
)

この例では、社員名 だけを id_vars にしたため、社員ID と 部署 は結果に残りません。

あとで部署別に集計したいなら、部署 も id_vars に含める必要があります。

value_varsの意味：縦にまとめる列

value_vars には、縦にまとめたい列を指定します。

月別売上データなら、1月、2月、3月 が該当します。

value_vars は、「この列たちを1つの項目列と値列にまとめたい」と指定する場所です。

df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    value_vars=["1月", "3月"],
    var_name="月",
    value_name="売上"
)

この例では、value_vars に 1月 と 3月 だけを指定しています。

そのため、2月 は結果に含まれません。

分析対象にしたい列だけを選んで縦にまとめられるのが、value_vars の便利な点です。

var_nameとvalue_nameで列名をわかりやすくする

var_name と value_name を指定しない場合、melt後の列名は variable と value になります。

df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    value_vars=["1月", "2月", "3月"]
)

このままでも処理はできますが、variable と value だけでは、何を表している列なのかがわかりにくいです。

そこで、次のように指定します。

実務でも記事でも、var_name と value_name は指定しておくと読みやすくなります。

sales_long = df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    value_vars=["1月", "2月", "3月"],
    var_name="月",
    value_name="売上"
)

sales_long

variable と value ではなく、月 と 売上 という列名になりました。

あとで groupby("月") や sales_long["売上"] のように書くときも、意味が読み取りやすくなります。

value_nameは既存の列名と重ならない名前にする

value_name には、melt後の値列の名前を指定します。

この名前は、元のDataFrameにすでにある列名と重ならないようにするのが安全です。

たとえば、元データにすでに 売上 という列があるのに、value_name="売上" と指定すると、列名の重複やエラーの原因になることがあります。

今回のサンプルでは、元データに 売上 列はなく、1月、2月、3月 の値をまとめた列として新しく 売上 という名前を付けています。

細かい点ですが、実務データでは列名が増えやすいため、melt後の列名は元の列名と重ならないように確認しておきましょう。

value_varsを省略した場合の注意点

value_vars は省略できます。

ただし、省略すると、id_vars 以外の列がすべて縦にまとめられます。

df.melt(
    id_vars=["社員ID", "社員名", "部署"],
    var_name="月",
    value_name="売上"
)

今回のデータでは、id_vars 以外が 1月、2月、3月 だけなので問題ありません。

しかし、実際のCSVには 備考、登録日、メモ のような列が含まれることがあります。

その場合、value_vars を省略すると、意図しない列まで縦にまとめられる可能性があります。

初心者のうちは、value_vars を明示するほうが安全です。

value_varsを省略すると不要な列まで入る例

次のように、元データに 備考 列があるケースを考えます。

備考 は売上ではないため、本来は 月 や 売上 にまとめたくない列です。

df_extra = df.copy()
df_extra["備考"] = ["重点顧客", "通常", "確認中"]

df_extra

この状態で value_vars を省略すると、id_vars 以外の列がすべて縦にまとめられます。

つまり、1月、2月、3月 だけでなく、備考 まで 月 列に入ってしまいます。

df_extra.melt(
    id_vars=["社員ID", "社員名", "部署"],
    var_name="月",
    value_name="売上"
)

備考 は売上ではないので、この結果は分析しにくい形です。

このようなミスを防ぐには、縦にまとめたい列を value_vars で明示します。

df_extra.melt(
    id_vars=["社員ID", "社員名", "部署", "備考"],
    value_vars=["1月", "2月", "3月"],
    var_name="月",
    value_name="売上"
)

このように、value_vars を指定すると、売上に関係する月別列だけを縦にまとめられます。

実際のCSVでは、メモ列、登録日、区分、備考などが混ざっていることがあります。初心者のうちは、value_vars を省略せずに明示するほうが安全です。

科目別点数データでもmelt()を使う

月別売上だけでなく、科目別点数のようなデータでも melt() は使えます。

ここでは、国語、数学、英語 が横に並んだデータを、科目 列と 点数 列に変換します。

score_df = pd.DataFrame({
    "生徒ID": ["S001", "S002", "S003"],
    "氏名": ["山田", "田中", "伊藤"],
    "クラス": ["A", "A", "B"],
    "国語": [82, 75, 90],
    "数学": [70, 88, 95],
    "英語": [78, 84, 92]
})

score_df

score_long = score_df.melt(
    id_vars=["生徒ID", "氏名", "クラス"],
    value_vars=["国語", "数学", "英語"],
    var_name="科目",
    value_name="点数"
)

score_long

国語、数学、英語 が 科目 列にまとまり、点数は 点数 列に入りました。

この形にしておくと、科目ごとの平均点を出しやすくなります。

score_long.groupby("科目", as_index=False)["点数"].mean()

この例では、melt() で科目ごとに集計しやすい形へ変換し、その後に groupby() で平均点を計算しています。

melt()した後にgroupby()で集計する

melt() のメリットは、変換後に groupby() へつなげやすいことです。

先ほど作成した sales_long を使って、月ごとの売上合計を確認してみます。

monthly_sales = sales_long.groupby("月", as_index=False)["売上"].sum()

monthly_sales

縦持ちにしておくと、月 という列を基準に集計できます。

melt() は集計の前処理、groupby() は集計本体と考えると整理しやすいです。

melt()した後にvalue_counts()で件数を確認する

melt() 後のカテゴリ列は、value_counts() でも扱いやすくなります。

たとえば、科目別点数データで、科目ごとの行数を確認してみます。

score_long["科目"].value_counts()

この例では、各生徒に3科目分のデータがあるため、各科目が同じ件数になります。

実務では、商品名、カテゴリ、月、地域などを縦持ちにしておくと、カテゴリごとの件数確認がしやすくなります。

melt()した後に棒グラフで可視化する

縦持ちデータに変換すると、Matplotlibの棒グラフにもつなげやすくなります。

ここでは、月ごとの売上合計を棒グラフで表示します。

Google Colabでは、日本語の軸ラベルやタイトルが文字化けする場合があります。この記事では melt() 後にグラフ化へ進む流れを確認することを目的にしているため、基本コードでは英語ラベルを使います。日本語で表示したい場合の対処法は、この後の補足で紹介します。

import matplotlib.pyplot as plt

monthly_sales = sales_long.groupby("月", as_index=False)["売上"].sum()

plt.figure(figsize=(6, 4))
plt.bar(monthly_sales["月"], monthly_sales["売上"])
plt.xlabel("Month")
plt.ylabel("Sales")
plt.title("Monthly Sales")
plt.show()

/usr/local/lib/python3.12/dist-packages/IPython/core/pylabtools.py:151: UserWarning: Glyph 26376 (\N{CJK UNIFIED IDEOGRAPH-6708}) missing from font(s) DejaVu Sans.
  fig.canvas.print_figure(bytes_io, **kw)

流れは次のとおりです。

1. 横持ちデータを用意する
2. melt() で縦持ちデータに変換する
3. groupby() で月別に集計する
4. Matplotlibで棒グラフにする

melt() はグラフを描くメソッドではありません。

ただし、グラフ化しやすいデータの形を作る前処理として役立ちます。

補足：Colabでグラフの日本語ラベルが文字化けするとき

Google ColabでMatplotlibのグラフを描くと、日本語のタイトルや軸ラベルが文字化けすることがあります。

この記事では、まず melt() の流れを理解しやすくするため、基本のグラフでは英語ラベルを使いました。

日本語で表示したい場合は、次のように japanize-matplotlib を使う方法があります。

# Colabで日本語ラベルを使いたい場合
!pip -q install japanize-matplotlib

import matplotlib.pyplot as plt
import japanize_matplotlib

monthly_sales = sales_long.groupby("月", as_index=False)["売上"].sum()

plt.figure(figsize=(6, 4))
plt.bar(monthly_sales["月"], monthly_sales["売上"])
plt.xlabel("月")
plt.ylabel("売上")
plt.title("月別売上")
plt.show()

この補足は、グラフの表示環境に関する内容です。

melt() の使い方そのものは、英語ラベルでも日本語ラベルでも変わりません。

melt()とpivot()・pivot_table()の違い

melt()、pivot()、pivot_table() は、どれもDataFrameの形を変える場面で出てきます。

違いは、変換する向きと集計の有無です。

melt() と pivot() は、ざっくり言うと逆方向の処理です。

# melt()で作った縦持ちデータ
sales_long

# 縦持ちデータを、社員名×月の横持ちデータに戻す例
sales_pivot = sales_long.pivot(
    index="社員名",
    columns="月",
    values="売上"
)

sales_pivot

この記事では melt() を中心に扱っています。

pivot() や pivot_table() の詳しい使い方は、集計表を作る場面で学ぶと理解しやすいです。

melt()とconcat()・merge()の違い

melt() は、1つのDataFrameの形を変える処理です。

concat() や merge() は、複数のDataFrameを結合する処理です。

「列を縦にまとめたい」のか、「別のDataFrameをくっつけたい」のかで使い分けましょう。

melt()と他のメソッドを迷ったときの使い分け

melt() は便利ですが、すべてのデータ整形に使うメソッドではありません。

目的別に整理すると、次のようになります。

検索していると、melt()、pivot()、concat()、merge() がまとめて出てくることがあります。

しかし、melt() の役割はあくまで、1つのDataFrameの中で、横に並んだ列を縦にまとめることです。

「列を縦にまとめたいのか」「表を結合したいのか」「列名を変えたいだけなのか」を先に分けると、使うメソッドを選びやすくなります。

よくあるミスと注意点

melt() で初心者がつまずきやすい点を整理します。

特に大事なのは、横持ちデータが悪いわけではないという点です。

表として見るだけなら、横持ちのままで問題ありません。

一方で、集計・条件抽出・グラフ化をしやすくしたい場合は、melt() で縦持ちにすることを検討するとよいです。

前処理の流れの中でmelt()を使うタイミング

melt() は、集計や可視化の直前に使うことが多いです。

流れとしては、次のように考えると自然です。

1. read_csv() でCSVを読み込む
2. head() や info() でデータを確認する
3. 欠損値、重複、型、列名を整える
4. 横持ちデータなら melt() で縦持ちに変換する
5. groupby() や value_counts() で集計する
6. Matplotlibでグラフ化する

月別売上、科目別点数、商品別数量のように、同じ種類の項目が横に並んでいるデータでは、melt() を検討するとよいです。

補足：CSVで読み込んだデータにもmelt()は使える

実際の分析では、手入力のサンプルデータではなく、CSVファイルを読み込んだDataFrameに対して melt() を使うこともあります。

考え方は同じです。

• 残す列を id_vars に指定する
• 縦にまとめる列を value_vars に指定する
• 元の列名を入れる列名を var_name で決める
• 値を入れる列名を value_name で決める

CSVを読み込んだ直後は、まず head() や info() で列名を確認してから、melt() を使うと安全です。

# 例：CSVを読み込んだあとにmelt()する場合
# df_csv = pd.read_csv("sales.csv")

# 実際には、CSVの列名に合わせて id_vars と value_vars を指定します。
# long_df = df_csv.melt(
#     id_vars="商品名",
#     value_vars=["1月", "2月", "3月"],
#     var_name="月",
#     value_name="販売数"
# )

軽く知っておきたい関連メソッド

melt() に似た変形処理として、stack()、unstack()、wide_to_long() があります。

ただし、初心者のうちは、まず melt() の基本を理解すれば十分です。

最初からすべて覚える必要はありません。まずは、melt() を「横に増えた列を縦にまとめる基本メソッド」として理解しましょう。

まとめ

この記事では、Pandasの melt() を使って、横持ちデータを縦持ちデータへ変換する方法を解説しました。

ポイントは次のとおりです。

• melt() は、横に広がった列を縦長にまとめるメソッド
• id_vars は、そのまま残す列
• value_vars は、縦にまとめる列
• var_name は、元の列名を入れる列の名前
• value_name は、元の値を入れる列の名前
• value_vars を省略すると、意図しない列まで縦にまとめることがある
• melt() 後は、横に並んでいた値を縦に並べ直すため、行数が増えることがある
• melt() は集計ではなく、集計・可視化しやすい形へ整える前処理
• melt() と pivot() は、変換の向きが逆
• melt() 後は、groupby()、value_counts()、Matplotlibにつなげやすい

月別売上、科目別点数、商品別数量のように、同じ種類の項目が横に並んでいる表では、melt() が役立ちます。

横持ちの表を見て「集計しにくい」「グラフにしにくい」と感じたら、まず melt() で縦持ちにできないかを考えてみましょう。

次に読みたい関連記事

• Pandas DataFrame入門｜作り方・基本操作をわかりやすく解説
  DataFrameの行・列の基本構造を確認したい方におすすめです。

• Google Colab CSV 読み込み＆保存入門｜pandas で read_csv と to_csv を徹底解説
  CSVを読み込んでから前処理する流れを確認したい方におすすめです。

• Pandas pivotとpivot_tableの違い｜重複データ対応と集計方法
  melt() と逆方向の変形である pivot() / pivot_table() を学びたい方におすすめです。

• Pandas groupby×aggの使い方｜基本の集計とaggの書き方を例で解説
  melt() 後に集計へ進みたい方におすすめです。

• 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
  縦持ちにしたカテゴリ列の件数を数えたい方におすすめです。

• Matplotlib 棒グラフ入門：横棒・グループ化・積み上げまで解説
  集計したデータを棒グラフで可視化したい方におすすめです。

• Pandas concat完全ガイド｜複数CSVからDataFrameを縦横結合する方法
  複数のDataFrameを結合する処理と melt() の違いを整理したい方におすすめです。

• pandas mergeの使い方｜DataFrame結合（inner, left, outer）の違いと実例
  キー列を使って別表を結合する方法を学びたい方におすすめです。

▲ ページトップへ戻る