pandas resample()の使い方｜日付データを月別・週別に集計する方法

CSVやExcelを読み込んだあと、注文日・来店日・売上日などの日付列はあるのに、次のような集計で迷うことがあります。

• 月ごとの売上合計を出したい
• 週ごとの注文件数を数えたい
• 日別の平均売上を確認したい
• 集計した結果を折れ線グラフで見たい

このようなときに役立つのが、pandasの resample() です。

resample() は、日付データを日別・週別・月別などの時間単位でまとめて集計するためのメソッドです。

イメージとしては、1行ずつ並んでいる日付データを「1日ごと」「1週間ごと」「1か月ごと」の箱に分け、その箱ごとに合計・平均・件数を計算する処理です。

たとえば、1件ずつ並んでいる注文データから、月別売上や週別件数を作りたいときに使います。

この記事では、to_datetime() で日付列を整えるところから、resample() で月別・週別・日別に集計し、最後にグラフ化へつなげる流れまで、Google Colabで試しやすいサンプルデータを使って解説します。

この記事でわかること

この記事では、次の内容を学びます。

• resample() が何をするメソッドか
• resample() を使う前に日付列を datetime 型にする理由
• set_index() してから resample() する基本
• on="日付列" で日付列を指定して集計する方法
• 日別・週別・月別に集計する方法
• sum()、mean()、count() の使い分け
• groupby()・dt・resample() の違い
• resample() と asfreq() の違い
• 集計結果を reset_index() で扱いやすい表に戻す方法
• 集計結果をグラフ化へつなげる流れ

この記事のゴールは、日付列をdatetime型に整え、resample()で日別・週別・月別に集計し、集計結果を表やグラフで確認できるようになることです。

関連する前提知識

この記事は、日付データを「時間のまとまり」で集計する記事です。

先に次の内容を確認しておくと、より理解しやすくなります。

• Google ColabでCSVを読み込む方法｜Drive連携とpandas read_csvを初心者向けに解説
• pandas to_datetime()の使い方｜文字列の日付変換と format・NaT 対処を初心者向けに解説
• pandas dtの使い方｜日付から年・月・曜日を取り出す方法を初心者向けに解説
• pandas set_index()の使い方｜列をインデックスにする・drop=False・index_col・reset_indexとの違いを解説
• Pandas groupby×aggの使い方｜基本の集計とaggの書き方を例で解説

ただし、この記事では必要な部分を順番に確認するため、最初から読んでも進められるようにしています。

まず結論：resample()は日付を時間単位でまとめるときに使う

resample() は、日付データを一定の時間単位でまとめるために使います。

たとえば、次のような明細データがあるとします。

注文日	カテゴリ	売上
2026-01-05	食品	1200
2026-01-12	日用品	600
2026-02-03	日用品	2600
2026-03-15	食品	1800

このような1件ずつのデータを、次のように月別にまとめたいときに resample() が役立ちます。

年月	売上合計
2026-01	4000
2026-02	10980
2026-03	5100

ポイントは、resample() が「カテゴリごと」ではなく、日付を基準にして、日別・週別・月別などの時間のまとまりで集計することです。

最初に判断基準を整理すると、次のようになります。

やりたいこと	使うもの	例
日付を月別・週別・日別にまとめたい	resample()	月別売上、週別件数
カテゴリや店舗ごとにまとめたい	groupby()	カテゴリ別売上、店舗別平均
日付から年・月・曜日を取り出したい	dt	年列、月列、曜日列を追加
文字列の日付を日付型に変換したい	to_datetime()	"2026-01-05" をdatetime型にする

この記事では、このうち resample() を中心に扱います。

サンプルデータを用意する

ここでは、注文日・カテゴリ・商品・売上・数量を持つ小さな売上データを使います。

実際のCSVでは日付順に並んでいるとは限らないため、サンプルデータもあえて少し日付順をばらしています。

import pandas as pd

df = pd.DataFrame({
    "注文日": [
        "2026-03-15", "2026-01-05", "2026-02-03", "2026-01-18",
        "2026-03-28", "2026-02-25", "2026-01-28", "2026-02-12",
        "2026-03-02", "2026-01-12", "2026-02-05", "2026-03-05"
    ],
    "カテゴリ": [
        "食品", "食品", "日用品", "食品",
        "日用品", "食品", "日用品", "日用品",
        "食品", "日用品", "食品", "食品"
    ],
    "商品": [
        "コーヒー", "パン", "洗剤", "お茶",
        "ティッシュ", "お米", "歯ブラシ", "シャンプー",
        "牛乳", "ノート", "卵", "ヨーグルト"
    ],
    "売上": [1800, 1200, 2600, 1500, 900, 4200, 700, 3200, 1100, 600, 980, 1300],
    "数量": [3, 2, 1, 3, 2, 1, 2, 1, 2, 3, 2, 2]
})

display(df)
print(df.dtypes)

	注文日	カテゴリ	商品	売上	数量
0	2026-03-15	食品	コーヒー	1800	3
1	2026-01-05	食品	パン	1200	2
2	2026-02-03	日用品	洗剤	2600	1
3	2026-01-18	食品	お茶	1500	3
4	2026-03-28	日用品	ティッシュ	900	2
5	2026-02-25	食品	お米	4200	1
6	2026-01-28	日用品	歯ブラシ	700	2
7	2026-02-12	日用品	シャンプー	3200	1
8	2026-03-02	食品	牛乳	1100	2
9	2026-01-12	日用品	ノート	600	3
10	2026-02-05	食品	卵	980	2
11	2026-03-05	食品	ヨーグルト	1300	2

注文日     object
カテゴリ    object
商品      object
売上       int64
数量       int64
dtype: object

注文日 は日付のように見えますが、この時点では object 型です。

resample() で日付を基準に集計するには、日付列を datetime 型に変換する必要があります。

CSVやExcelを読み込んだ直後は、まず dtypes や info() で型を確認するのが大切です。

resample()を使う前に日付列をdatetime型にする

注文日 を pd.to_datetime() で datetime 型に変換します。

ここでは、変換後に日付順で並び替えておきます。
日付順に並んでいなくても集計自体はできますが、表示や確認がしやすくなります。

df_date = df.copy()

df_date["注文日"] = pd.to_datetime(df_date["注文日"])
df_date = df_date.sort_values("注文日")

display(df_date)
print(df_date.dtypes)

	注文日	カテゴリ	商品	売上	数量
1	2026-01-05	食品	パン	1200	2
9	2026-01-12	日用品	ノート	600	3
3	2026-01-18	食品	お茶	1500	3
6	2026-01-28	日用品	歯ブラシ	700	2
2	2026-02-03	日用品	洗剤	2600	1
10	2026-02-05	食品	卵	980	2
7	2026-02-12	日用品	シャンプー	3200	1
5	2026-02-25	食品	お米	4200	1
8	2026-03-02	食品	牛乳	1100	2
11	2026-03-05	食品	ヨーグルト	1300	2
0	2026-03-15	食品	コーヒー	1800	3
4	2026-03-28	日用品	ティッシュ	900	2

注文日     datetime64[ns]
カテゴリ            object
商品              object
売上               int64
数量               int64
dtype: object

注文日 の型が datetime64[ns] になりました。

これで、pandasがこの列を「日付として扱える状態」になりました。

日付変換そのものを詳しく知りたい場合は、pandas to_datetime()の使い方で、format や NaT の考え方を確認できます。

方法1：日付列をインデックスにしてresample()する

resample() の基本は、日付列をインデックスにしてから集計する書き方です。

ここでは、set_index("注文日") で 注文日 をインデックスにします。

df_time = df_date.set_index("注文日")

display(df_time)
print(type(df_time.index))

	カテゴリ	商品	売上	数量
2026-01-05	食品	パン	1200	2
2026-01-12	日用品	ノート	600	3
2026-01-18	食品	お茶	1500	3
2026-01-28	日用品	歯ブラシ	700	2
2026-02-03	日用品	洗剤	2600	1
2026-02-05	食品	卵	980	2
2026-02-12	日用品	シャンプー	3200	1
2026-02-25	食品	お米	4200	1
2026-03-02	食品	牛乳	1100	2
2026-03-05	食品	ヨーグルト	1300	2
2026-03-15	食品	コーヒー	1800	3
2026-03-28	日用品	ティッシュ	900	2

<class 'pandas.core.indexes.datetimes.DatetimeIndex'>

注文日 がインデックスになり、DatetimeIndex として扱われるようになりました。

状態	注文日の位置	resample()での扱いやすさ
処理前	通常の列	そのままでは基本形のresample()に使いにくい
処理後	DatetimeIndex	df.resample("MS") のように集計できる

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

月別売上を集計する：resample(“MS”).sum()

まずは、月別の売上合計を出します。

ここでは resample("MS") を使います。

• MS は、月初基準の月別集計です
• ME は、月末基準の月別集計です
• 古い記事では M と書かれていることがありますが、最近のpandasでは月末基準を表すなら ME を使う方が安全です
• sum() は、売上を合計するために使います

「月別売上を知りたい」場合は、平均ではなく合計を出すことが多いため、ここでは sum() を使います。

この記事では、月ごとの結果を表で見たときに読みやすいように、月初の日付で表示される MS を中心に使います。

monthly_sales = df_time.resample("MS")["売上"].sum().to_frame("月別売上合計")

display(monthly_sales)

	月別売上合計
2026-01-01	4000
2026-02-01	10980
2026-03-01	5100

1件ずつ並んでいた明細データが、月ごとの売上合計にまとまりました。

処理前	処理後
注文日ごとに1行ずつ並んだ明細データ	月ごとに売上を合計した集計表
売上の推移が見えにくい	2026年1月、2月、3月の売上合計を比較しやすい

このように、resample() は時系列データを「見やすい単位」にまとめるときに役立ちます。

出力例で見る：MS・ME・Mの違い

MS と ME の違いは、集計結果の「ラベル日付」に出ます。

• MS：月初の日付で表示されます
• ME：月末の日付で表示されます
• M：古い記事や古いコードで見かける月末基準の書き方です

売上合計の金額は同じでも、表示される日付ラベルが変わる点を確認してみましょう。

monthly_ms = df_time.resample("MS")["売上"].sum().reset_index()
monthly_ms.columns = ["MSのラベル日付", "MSの売上合計"]

monthly_me = df_time.resample("ME")["売上"].sum().reset_index()
monthly_me.columns = ["MEのラベル日付", "MEの売上合計"]

# 古い記事では resample("M") を見かけることがあります。
# 最近のpandasでは月末基準を表す場合、resample("ME") を使う方が安全です。
try:
    import warnings

    with warnings.catch_warnings():
        warnings.simplefilter("ignore", FutureWarning)
        monthly_m = df_time.resample("M")["売上"].sum().reset_index()

    monthly_m.columns = ["Mのラベル日付", "Mの売上合計"]
    display(pd.concat([monthly_ms, monthly_me, monthly_m], axis=1))

except Exception:
    print("このpandas環境では resample('M') を実行できません。月末基準は resample('ME') を使ってください。")
    display(pd.concat([monthly_ms, monthly_me], axis=1))

	MSのラベル日付	MSの売上合計	MEのラベル日付	MEの売上合計	Mのラベル日付	Mの売上合計
0	2026-01-01	4000	2026-01-31	4000	2026-01-31	4000
1	2026-02-01	10980	2026-02-28	10980	2026-02-28	10980
2	2026-03-01	5100	2026-03-31	5100	2026-03-31	5100

MS は 2026-01-01、2026-02-01 のように月初の日付で表示されます。

一方、ME は 2026-01-31、2026-02-28 のように月末の日付で表示されます。

古い記事で見かける M は、月末基準の古い書き方として出てくることがあります。新しく記事を書く場合や、これから学ぶ場合は、月末基準なら ME、月初基準なら MS と覚えておくと混乱しにくいです。

頻度指定の基本：D・W・MS・MEを使い分ける

resample() のカッコの中には、どの時間単位でまとめるかを指定します。

初心者のうちは、まず次の指定を覚えれば十分です。

指定	意味	使う場面
"D"	日別	日ごとの平均・件数を見たい
"W"	週別	週ごとの注文件数や売上を見たい
"MS"	月別（月初基準）	月別集計を月初の日付で表示したい
"ME"	月別（月末基準）	月別集計を月末の日付で表示したい
"M"	月別（月末基準の古い書き方）	古い記事や古いコードで見かけることがある
"QE"	四半期	四半期ごとに軽くまとめたい
"YE"	年別	年ごとに軽くまとめたい

検索すると、月別集計の例で resample("M") を見かけることがあります。 ただし、最近のpandasでは M よりも、月末基準なら ME、月初基準なら MS と書く方がわかりやすく、今後も安心です。

この記事では、月別の表として見やすいように、主に "MS" を使います。

複数の集計をまとめて出す

月別に、売上合計・注文件数・平均売上・数量合計をまとめて出すこともできます。

ここでは、次のように集計します。

出したい値	使う集計
売上合計	sum()
注文件数	count()
平均売上	mean()
数量合計	sum()

売上合計と平均売上は意味が違います。
また、count() は指定した列の欠損値を数えません。今回のように 売上 列に欠損がない前提なら注文件数として使えますが、行数そのものを数えたい場合は size() も候補になります。
見出しや表の名前と、実際に使う集計方法がズレないように注意しましょう。

monthly_summary = df_time.resample("MS").agg(
    売上合計=("売上", "sum"),
    注文件数=("売上", "count"),
    平均売上=("売上", "mean"),
    数量合計=("数量", "sum")
)

display(monthly_summary)

	売上合計	注文件数	平均売上	数量合計
2026-01-01	4000	4	1000.0	10
2026-02-01	10980	4	2745.0	5
2026-03-01	5100	4	1275.0	9

この表を見ると、月ごとの売上合計だけでなく、注文件数や平均売上も確認できます。

実務では、売上合計だけを見ると「2月が大きい」とわかります。
さらに注文件数や平均売上を見ると、「件数が多いのか、1件あたりの売上が大きいのか」も確認しやすくなります。

週別件数を集計する：resample(“W”).count()

次に、週ごとの注文件数を数えてみます。

ここでは「売上の合計」ではなく、「何件の注文があったか」を見たいので、count() を使います。今回のサンプルでは 売上 列に欠損がないため、売上 を数えることで注文件数を確認できます。

weekly_count = df_time.resample("W")["売上"].count().to_frame("週別注文件数")

display(weekly_count)

	週別注文件数
2026-01-11	1
2026-01-18	2
2026-01-25	0
2026-02-01	1
2026-02-08	2
2026-02-15	1
2026-02-22	0
2026-03-01	1
2026-03-08	2
2026-03-15	1
2026-03-22	0
2026-03-29	1

W は週別の集計です。

週別集計では、週の区切り方によって結果の見え方が変わることがあります。
初心者のうちは、まず「週ごとにざっくり件数を見る」用途で使い、細かい週の開始日・終了日の指定は必要になったときに確認すれば十分です。

日別平均を集計する：resample(“D”).mean()

次に、日別の平均売上を確認します。

ここでは resample("D") で日別にまとめ、mean() で平均を出します。

daily_mean = df_time.resample("D")["売上"].mean().to_frame("日別平均売上")

display(daily_mean.head(10))

	日別平均売上
2026-01-05	1200.0
2026-01-06	NaN
2026-01-07	NaN
2026-01-08	NaN
2026-01-09	NaN
2026-01-10	NaN
2026-01-11	NaN
2026-01-12	600.0
2026-01-13	NaN
2026-01-14	NaN

日別にすると、注文がない日も期間として表示されることがあります。

この例では、注文がない日の平均売上は NaN になります。
これはエラーではなく、「その日に集計できるデータがなかった」という意味です。

欠損期間の補完や ffill()、interpolate() などの処理は便利ですが、この記事では深入りしません。
まずは、resample() によって空の期間が見えることがある、と理解しておきましょう。

方法2：on引数で日付列を指定してresample()する

resample() は、必ず set_index() しないと使えないわけではありません。

日付列が datetime 型になっていれば、on="注文日" のように指定して集計できます。

インデックスを変更したくない場合は、この書き方が便利です。

monthly_sales_on = (
    df_date
    .resample("MS", on="注文日")["売上"]
    .sum()
    .reset_index(name="月別売上合計")
)

display(monthly_sales_on)

	注文日	月別売上合計
0	2026-01-01	4000
1	2026-02-01	10980
2	2026-03-01	5100

on="注文日" を使うと、注文日 をインデックスにしなくても月別集計ができます。

書き方	特徴
set_index("注文日").resample("MS")	時系列データとして扱う流れがわかりやすい
resample("MS", on="注文日")	インデックスを変えずに日付列を指定できる

初心者の学習では、まず set_index() する基本形を理解し、慣れてきたら on 引数を使うとよいです。

groupby()・dt・resample()の違い

日付データを扱うときは、groupby()、dt、resample() の違いで迷いやすいです。

ここで一度、使い分けを整理します。

使うもの	役割	例
resample()	日付を日別・週別・月別などの時間単位で集計する	月別売上、週別件数
groupby()	カテゴリや作成した列ごとに集計する	カテゴリ別売上、店舗別平均
dt	日付から年・月・曜日などを取り出す	月列を作る、曜日列を作る

月別集計は、dt.month で月列を作って groupby() する方法でもできます。
ただし、年をまたぐデータで「月」だけを使うと、2025年1月と2026年1月が混ざる可能性があります。

日付の流れに沿って月別・週別にまとめたい場合は、resample() を使うと自然です。

比較用：dtで年月列を作ってgroupby()する方法

比較のために、dt.to_period("M") で年月列を作り、groupby() で月別集計する例も確認します。

これは resample() の代わりに使える場面もありますが、この記事ではあくまで違いを理解するための補足です。

df_group = df_date.copy()

df_group["年月"] = df_group["注文日"].dt.to_period("M")

monthly_groupby = (
    df_group
    .groupby("年月")["売上"]
    .sum()
    .reset_index(name="月別売上合計")
)

display(monthly_groupby)

	年月	月別売上合計
0	2026-01	4000
1	2026-02	10980
2	2026-03	5100

dt と groupby() を組み合わせても月別集計はできます。

ただし、今回のように「日付を時間単位でまとめる」ことが目的なら、resample() を使うと、日別・週別・月別への切り替えがしやすくなります。

dt の詳しい使い方は pandas dtの使い方 で、カテゴリ別集計は Pandas groupby×aggの使い方 で確認できます。

補足：resample()とasfreq()の違い

時系列データの記事では、resample() と一緒に asfreq() というメソッドを見かけることがあります。

初心者のうちは、まず次のように分けて考えると十分です。

やりたいこと	使うもの	考え方
月別売上の合計を出したい	resample().sum()	期間ごとに集計する
週別の平均を出したい	resample().mean()	期間ごとに集計する
日付の間隔だけそろえたい	asfreq()	指定した頻度の行を作る
欠けている日付を表示したい	asfreq()	集計せず、日付の並びをそろえる
欠けた期間も含めて集計結果を確認したい	resample()	期間の箱を作って集計する

resample() は、日付を一定期間の箱に分けて、その箱ごとに合計・平均・件数などを計算します。

一方、asfreq() は、日付の頻度をそろえるための処理です。基本的には集計をするメソッドではありません。

この記事では、月別売上や週別件数のように「期間ごとに集計する」ことが目的なので、主役は resample() です。ここでは、asfreq() が集計ではなく日付の間隔をそろえる処理であることを、短いコードで確認します。

daily_asfreq = df_time["売上"].asfreq("D").to_frame("asfreq_D")
daily_resample_sum = df_time["売上"].resample("D").sum().to_frame("resample_D_sum")

daily_compare = pd.concat([daily_asfreq, daily_resample_sum], axis=1)

display(daily_compare.head(10))

	asfreq_D	resample_D_sum
2026-01-05	1200.0	1200
2026-01-06	NaN	0
2026-01-07	NaN	0
2026-01-08	NaN	0
2026-01-09	NaN	0
2026-01-10	NaN	0
2026-01-11	NaN	0
2026-01-12	600.0	600
2026-01-13	NaN	0
2026-01-14	NaN	0

上の表を見ると、asfreq("D") は日付の間隔を日別にそろえるだけなので、注文がない日は NaN になります。

一方、resample("D").sum() は日別の箱を作って売上を合計するため、注文がない日は合計が0のように表示されることがあります。

つまり、集計したいなら resample()、日付の並びをそろえたいなら asfreq() と考えると分かりやすいです。

集計結果をreset_index()で通常の表に戻す

resample() の結果は、日付がインデックスになっていることが多いです。

このままでも分析できますが、CSVに保存したり、他の表と結合したり、WordPress記事で表として見せたりする場合は、reset_index() で通常の列に戻すと扱いやすくなります。

monthly_summary_reset = monthly_summary.reset_index()

monthly_summary_reset["年月"] = monthly_summary_reset["注文日"].dt.strftime("%Y-%m")

display(monthly_summary_reset)

	注文日	売上合計	注文件数	平均売上	数量合計	年月
0	2026-01-01	4000	4	1000.0	10	2026-01
1	2026-02-01	10980	4	2745.0	5	2026-02
2	2026-03-01	5100	4	1275.0	9	2026-03

reset_index() によって、インデックスだった 注文日 が通常の列に戻りました。

さらに strftime("%Y-%m") を使うと、2026-01 のような年月表示も作れます。

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

集計結果をグラフで確認する

月別集計ができたら、折れ線グラフや棒グラフにすると推移を確認しやすくなります。

ここでは、月別売上合計を簡単な折れ線グラフで表示します。
グラフ装飾は深入りせず、集計結果を可視化につなげる流れだけ確認します。

なお、Google Colabでは日本語フォント設定をしていないと、グラフ内の日本語ラベルが文字化けすることがあります。ここでは、まず resample() の集計結果を確認することを優先し、グラフのタイトルや軸ラベルは英語表記にしています。

ここでは月別の集計結果を折れ線グラフにします。日付ラベルが重ならないように、x軸の表示をYYYY-MM形式にし、ラベルを少し回転させています。

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

plot_df = monthly_summary_reset.copy()

fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(plot_df["注文日"], plot_df["売上合計"], marker="o")

ax.set_title("Monthly Sales")
ax.set_xlabel("Month")
ax.set_ylabel("Sales")
ax.grid(True)

# x軸の日付ラベルが重ならないように、表示形式と角度を調整します
ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m"))
plt.xticks(rotation=45, ha="right")
plt.tight_layout()

plt.show()

このように、resample() で月別に集計すると、売上の推移をグラフで確認しやすくなります。

折れ線グラフの設定を詳しく知りたい場合は、Matplotlib折れ線グラフの描き方を参考にしてください。
月別売上を棒グラフで比較したい場合は、Matplotlib 棒グラフ入門も役立ちます。

よくあるミスと確認ポイント

resample() でつまずきやすいポイントを整理します。

日付列がobject型のままになっている

日付に見えても、object 型のままだと resample() でうまく扱えません。

まず pd.to_datetime() で日付型に変換しましょう。

DatetimeIndexまたはonで指定した日付列が必要

resample() は、日付列そのものを自動で探してくれるわけではありません。

基本形では、日付列をインデックスにします。
インデックスにしたくない場合は、on="注文日" のように指定します。

売上合計・平均・件数を混同しない

sum()、mean()、count() は意味が違います。

見たいもの	使う集計
売上合計	sum()
平均売上	mean()
注文件数	count() または size()

count() は、指定した列の欠損値を数えません。欠損を含む列で件数を数える場合は、count() と size() の違いに注意します。

「月別売上を集計する」という見出しなら sum()、
「平均を出す」という見出しなら mean() を使うように、説明とコードを一致させることが大切です。

月だけでgroupbyすると年をまたいだときに混ざる

dt.month だけで集計すると、2025年1月と2026年1月が同じ「1月」としてまとまる可能性があります。

年をまたぐデータでは、dt.to_period("M") を使うか、resample() で年月を意識した集計にする方が安全です。

欠損期間が出ることがある

日別や週別で集計すると、データがない期間が表示されることがあります。
平均なら NaN、合計なら0のように見える場合があります。

これは、resample() が時間の区切りを作って集計しているためです。

resample()はデータ分析の流れのどこで使うか

resample() は、データ分析の流れの中では「日付を使った集計」の場面で使います。

全体の流れで見ると、次の位置づけです。

1. CSVやExcelを読み込む
2. head() や info() でデータを確認する
3. to_datetime() で日付列を日付型にする
4. 必要に応じて sort_values() で日付順に並べる
5. resample() で日別・週別・月別に集計する
6. reset_index() で表として扱いやすくする
7. Matplotlibで推移を可視化する

つまり、resample() は、単独で覚えるよりも、日付変換・集計・可視化へ進む流れの中で覚えると使いやすくなります。

なお、移動平均を出す rolling() や、頻度をそろえる asfreq() も時系列データで使われます。
ただし、この記事では resample() の基本に集中するため、詳しい使い方は別記事で扱う範囲です。

まとめ

この記事では、pandasの resample() を使って、日付データを月別・週別・日別に集計する方法を解説しました。

重要なポイントは次のとおりです。

• resample() は、日付データを日別・週別・月別などの時間単位で集計するために使う
• 使う前に、日付列を pd.to_datetime() で datetime 型に変換する
• 基本形では、set_index("日付列") で日付をインデックスにしてから resample() する
• インデックスを変えたくない場合は、on="日付列" を使える
• 月別売上なら sum()、平均売上なら mean()、件数なら count() を使う
• カテゴリ別にまとめたいなら groupby()、年・月・曜日を取り出したいなら dt、時間単位でまとめたいなら resample() を使う
• 集計結果は reset_index() で通常の表に戻すと扱いやすい
• 月別集計の結果は、折れ線グラフや棒グラフにすると推移を確認しやすい

resample() を使えるようになると、CSVやExcelで読み込んだ日付付きデータから、月別売上・週別件数・日別平均などを作れるようになります。

日付データを前処理して、集計し、可視化する流れの中で、とても役立つメソッドです。

次に読みたい関連記事

日付集計をさらに理解するには、次の記事も参考になります。

• pandas to_datetime()の使い方｜文字列の日付変換と format・NaT 対処を初心者向けに解説
• pandas dtの使い方｜日付から年・月・曜日を取り出す方法を初心者向けに解説
• pandas set_index()の使い方｜列をインデックスにする・drop=False・index_col・reset_indexとの違いを解説
• pandas reset_index()の使い方｜インデックスを振り直す・drop=Trueを初心者向けに解説
• Pandas groupby×aggの使い方｜基本の集計とaggの書き方を例で解説
• pandas 並び替え（sort）入門｜sort_values・sort_indexの違いと複数列ソート
• Matplotlib折れ線グラフの描き方：色・線種・凡例を完全解説
• Matplotlib 棒グラフ入門：横棒・グループ化・積み上げまで解説
• Google ColabでCSVを読み込む方法｜Drive連携とpandas read_csvを初心者向けに解説

▲ ページトップへ戻る