テキスト列を効率的に結合することは、データ操作において極めて重要なタスクです。この記事では、DataFrame内の文字列列を連結するための5つの効果的なPandasメソッドを紹介し、それぞれの長所と短所を強調することで、特定のニーズに最適なアプローチを選択するための指針を示します。
目次:
+演算子メソッド
この簡単なアプローチは、Pythonの組み込み+演算子を使用して文字列連結を行います。単純なシナリオでは一般的に最も高速ですが、TypeError例外を回避するために、欠損値（NaN）を慎重に処理する必要があります。
import pandas as pd
import numpy as np
data = {'col1': ['A', 'B', 'C', np.nan], 'col2': ['D', 'E', 'F', 'G']}
df = pd.DataFrame(data)
df['combined'] = df['col1'].fillna('') + df['col2'].fillna('')
print(df)
出力:
col1 col2 combined
0 A D AD
1 B E BE
2 C F CF
3 NaN G G
Series.str.cat()メソッド
Series.str.cat()は文字列連結用に特化して設計されており、欠損データを効率的に処理します。セパレータやNaNの表現をカスタマイズできます。
import pandas as pd
import numpy as np
data = {'col1': ['A', 'B', 'C', np.nan], 'col2': ['D', 'E', 'F', 'G']}
df = pd.DataFrame(data)
df['combined'] = df['col1'].str.cat(df['col2'], sep='-', na_rep='')
print(df)
出力:
col1 col2 combined
0 A D A-D
1 B E B-E
2 C F C-F
3 NaN G -G
df.apply()メソッド
df.apply()は、行方向（axis=1）または列方向（axis=0）の操作に対して柔軟性を提供し、複雑な連結ロジックを可能にします。ただし、大規模なDataFrameでは+演算子よりも効率が低い場合があります。
import pandas as pd
import numpy as np
data = {'col1': ['A', 'B', 'C', np.nan], 'col2': ['D', 'E', 'F', 'G']}
df = pd.DataFrame(data)
df['combined'] = df.apply(lambda row: str(row['col1']) + ' ' + str(row['col2']), axis=1)
print(df)
出力:
col1 col2 combined
0 A D A D
1 B E B E
2 C F C F
3 NaN G nan G
Series.map()メソッド
Series.map()は、条件付きロジックや特定のセパレータなど、様々なシナリオに対応するカスタム関数を連結に適用するための柔軟な方法を提供します。より複雑な連結ルールに特に役立ちます。
import pandas as pd
import numpy as np
data = {'col1': ['A', 'B', 'C', np.nan], 'col2': ['D', 'E', 'F', 'G']}
df = pd.DataFrame(data)
def combine_strings(x):
return str(x[0]) + '_' + str(x[1])
df['combined'] = df[['col1', 'col2']].apply(combine_strings, axis=1)
print(df)
出力:
col1 col2 combined
0 A D A_D
1 B E B_E
2 C F C_F
3 NaN G nan_G
df.agg()メソッド
主に集計用ですが、df.agg()は文字列連結にも適用できます。ただし、この特定の目的では他のメソッドよりも一般的に効率が低くなります。
import pandas as pd
import numpy as np
data = {'col1': ['A', 'B', 'C', np.nan], 'col2': ['D', 'E', 'F', 'G']}
df = pd.DataFrame(data)
df['combined'] = df.agg(lambda x: str(x['col1']) + ' ' + str(x['col2']), axis=1)
print(df)
出力（df.apply()と同様です）:
col1 col2 combined
0 A D A D
1 B E B E
2 C F C F
3 NaN G nan G
結論: 最適な方法は、特定のニーズとデータセットのサイズによって異なります。基本的な連結には、+演算子が高速です。Series.str.cat()は欠損値を効率的に処理する点で優れています。Series.map()とdf.apply()は複雑なシナリオに対してより大きな柔軟性を提供しますが、df.agg()はこのタスクには効率が低いです。