データサイエンス100本ノック 31~40#
import polars as pl
from helper.polars import load_100knocks_data
pl.Config.set_fmt_str_lengths(100)
df_customer, df_category, df_product, df_receipt, df_store, df_geocode = load_100knocks_data()
P-031#
レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の標準偏差を計算し、降順で5件表示せよ。
(
df_receipt
.group_by('store_cd')
.agg(
std_amount=pl.col.amount.std(ddof=0)
)
.sort(by='std_amount', descending=True)
.head()
)
shape: (5, 2)
| store_cd | std_amount |
|---|---|
| str | f64 |
| "S13052" | 663.391816 |
| "S14011" | 553.456916 |
| "S14034" | 544.903736 |
| "S13001" | 543.536561 |
| "S13015" | 543.409938 |
P-032#
レシート明細データ（df_receipt）の売上金額（amount）について、25％刻みでパーセンタイル値を求めよ。
df_receipt.select(
[pl.col.amount
.quantile(per / 100)
.alias(f'amount_{per}per')
for per in [25, 50, 75, 100]
]
)
shape: (1, 4)
| amount_25per | amount_50per | amount_75per | amount_100per |
|---|---|---|---|
| f64 | f64 | f64 | f64 |
| 102.0 | 170.0 | 288.0 | 10925.0 |
P-033#
レシート明細データ（df_receipt）に対し、店舗コード（store_cd）ごとに売上金額（amount）の平均を計算し、330以上のものを抽出せよ。
(
df_receipt
.group_by('store_cd', maintain_order=True)
.agg(
avg_amount=pl.col.amount.mean()
)
.filter(pl.col.avg_amount >= 330)
)
shape: (13, 2)
| store_cd | avg_amount |
|---|---|
| str | f64 |
| "S13003" | 350.915519 |
| "S13020" | 337.879932 |
| "S14026" | 332.340588 |
| "S13015" | 351.11196 |
| "S14045" | 330.082073 |
| … | … |
| "S14010" | 348.791262 |
| "S12013" | 330.19413 |
| "S13001" | 348.470386 |
| "S14047" | 330.077073 |
| "S13052" | 402.86747 |
P-034#
レシート明細データ（df_receipt）に対し、顧客ID（customer_id）ごとに売上金額（amount）を合計して全顧客の平均を求めよ。ただし、顧客IDが”Z”から始まるものは非会員を表すため、除外して計算すること。
(
df_receipt
.filter(
pl.col.customer_id.str.starts_with('Z').not_()
)
.group_by('customer_id')
.agg(
pl.col.amount.sum()
)
.select(pl.col.amount.mean())
.item()
)
2547.742234529256
P-035#
レシート明細データ（df_receipt）に対し、顧客ID（customer_id）ごとに売上金額（amount）を合計して全顧客の平均を求め、平均以上に買い物をしている顧客を抽出し、10件表示せよ。ただし、顧客IDが”Z”から始まるものは非会員を表すため、除外して計算すること。
(
df_receipt
.lazy()
.filter(
pl.col.customer_id.str.starts_with('Z').not_()
)
.group_by('customer_id')
.agg(
sum_amount = pl.col.amount.sum()
)
.filter(
pl.col.sum_amount >= pl.col.sum_amount.mean()
)
.collect()
.head(10)
)
shape: (10, 2)
| customer_id | sum_amount |
|---|---|
| str | i64 |
| "CS003515000047" | 4424 |
| "CS006515000083" | 7115 |
| "CS019415000147" | 12764 |
| "CS034214000029" | 4570 |
| "CS003505000023" | 3778 |
| "CS010415000134" | 3442 |
| "CS021514000045" | 9741 |
| "CS006414000037" | 6416 |
| "CS045615000002" | 2888 |
| "CS022515000115" | 7146 |
P-036#
レシート明細データ（df_receipt）と店舗データ（df_store）を内部結合し、レシート明細データの全項目と店舗データの店舗名（store_name）を10件表示せよ。
(
df_receipt
.join(
df_store.select('store_cd', 'store_name'),
on='store_cd'
)
.head(10)
)
shape: (10, 10)
| sales_ymd | sales_epoch | store_cd | receipt_no | receipt_sub_no | customer_id | product_cd | quantity | amount | store_name |
|---|---|---|---|---|---|---|---|---|---|
| i64 | i64 | str | i64 | i64 | str | str | i64 | i64 | str |
| 20181103 | 1541203200 | "S14006" | 112 | 1 | "CS006214000001" | "P070305012" | 1 | 158 | "葛が谷店" |
| 20181118 | 1542499200 | "S13008" | 1132 | 2 | "CS008415000097" | "P070701017" | 1 | 81 | "成城店" |
| 20170712 | 1499817600 | "S14028" | 1102 | 1 | "CS028414000014" | "P060101005" | 1 | 170 | "二ツ橋店" |
| 20190205 | 1549324800 | "S14042" | 1132 | 1 | "ZZ000000000000" | "P050301001" | 1 | 25 | "新山下店" |
| 20180821 | 1534809600 | "S14025" | 1102 | 2 | "CS025415000050" | "P060102007" | 1 | 90 | "大和店" |
| 20190605 | 1559692800 | "S13003" | 1112 | 1 | "CS003515000195" | "P050102002" | 1 | 138 | "狛江店" |
| 20181205 | 1543968000 | "S14024" | 1102 | 2 | "CS024514000042" | "P080101005" | 1 | 30 | "三田店" |
| 20190922 | 1569110400 | "S14040" | 1102 | 1 | "CS040415000178" | "P070501004" | 1 | 128 | "長津田店" |
| 20170504 | 1493856000 | "S13020" | 1112 | 2 | "ZZ000000000000" | "P071302010" | 1 | 770 | "十条仲原店" |
| 20191010 | 1570665600 | "S14027" | 1102 | 1 | "CS027514000015" | "P071101003" | 1 | 680 | "南藤沢店" |
P-037#
商品データ（df_product）とカテゴリデータ（df_category）を内部結合し、商品データの全項目とカテゴリデータのカテゴリ小区分名（category_small_name）を10件表示せよ。
(
df_product
.join(
df_category.select(
'category_small_cd',
'category_small_name'
),
on='category_small_cd'
)
.head(10)
)
shape: (10, 7)
| product_cd | category_major_cd | category_medium_cd | category_small_cd | unit_price | unit_cost | category_small_name |
|---|---|---|---|---|---|---|
| str | str | str | str | i64 | i64 | str |
| "P040101001" | "04" | "0401" | "040101" | 198 | 149 | "弁当類" |
| "P040101002" | "04" | "0401" | "040101" | 218 | 164 | "弁当類" |
| "P040101003" | "04" | "0401" | "040101" | 230 | 173 | "弁当類" |
| "P040101004" | "04" | "0401" | "040101" | 248 | 186 | "弁当類" |
| "P040101005" | "04" | "0401" | "040101" | 268 | 201 | "弁当類" |
| "P040101006" | "04" | "0401" | "040101" | 298 | 224 | "弁当類" |
| "P040101007" | "04" | "0401" | "040101" | 338 | 254 | "弁当類" |
| "P040101008" | "04" | "0401" | "040101" | 420 | 315 | "弁当類" |
| "P040101009" | "04" | "0401" | "040101" | 498 | 374 | "弁当類" |
| "P040101010" | "04" | "0401" | "040101" | 580 | 435 | "弁当類" |
P-038#
顧客データ（df_customer）とレシート明細データ（df_receipt）から、顧客ごとの売上金額合計を求め、10件表示せよ。ただし、売上実績がない顧客については売上金額を0として表示させること。また、顧客は性別コード（gender_cd）が女性（1）であるものを対象とし、非会員（顧客IDが”Z”から始まるもの）は除外すること。
(
df_customer
.lazy()
.filter(
(pl.col.gender_cd == "1") &
(pl.col.customer_id.str.starts_with('Z').not_())
)
.select('customer_id')
.join(
df_receipt
.lazy()
.group_by('customer_id')
.agg(
sum_amount = pl.col.amount.sum()
),
on='customer_id',
how='left'
)
.with_columns(
pl.col.sum_amount.fill_null(0)
)
.head(10)
.collect()
)
shape: (10, 2)
| customer_id | sum_amount |
|---|---|
| str | i64 |
| "CS021313000114" | 0 |
| "CS031415000172" | 5088 |
| "CS028811000001" | 0 |
| "CS001215000145" | 875 |
| "CS015414000103" | 3122 |
| "CS033513000180" | 868 |
| "CS035614000014" | 0 |
| "CS011215000048" | 3444 |
| "CS009413000079" | 0 |
| "CS040412000191" | 210 |
P-039#
レシート明細データ（df_receipt）から、売上日数の多い顧客の上位20件を抽出したデータと、売上金額合計の多い顧客の上位20件を抽出したデータをそれぞれ作成し、さらにその2つを完全外部結合せよ。ただし、非会員（顧客IDが”Z”から始まるもの）は除外すること。
df_data = df_receipt.filter(
pl.col.customer_id.str.starts_with('Z').not_()
)
group = df_data.group_by('customer_id')
df_cnt = (
group
.agg(
come_days = pl.col.sales_ymd.n_unique()
)
.top_k(20, by='come_days')
)
df_sum = (
group
.agg(
buy_amount = pl.col.amount.sum()
)
.top_k(20, by='buy_amount')
)
df_cnt.join(df_sum, on='customer_id', how='full', coalesce=True)
shape: (34, 3)
| customer_id | come_days | buy_amount |
|---|---|---|
| str | u32 | i64 |
| "CS017415000097" | 20 | 23086 |
| "CS015415000185" | 22 | 20153 |
| "CS031414000051" | 19 | 19202 |
| "CS028415000007" | 21 | 19127 |
| "CS001605000009" | null | 18925 |
| … | … | … |
| "CS014214000023" | 19 | null |
| "CS022515000028" | 18 | null |
| "CS010214000002" | 21 | null |
| "CS039414000052" | 19 | null |
| "CS030214000008" | 18 | null |
P-040#
全ての店舗と全ての商品を組み合わせたデータを作成したい。店舗データ（df_store）と商品データ（df_product）を直積し、件数を計算せよ。
(
df_store
.join(df_product, how='cross')
.select(pl.len())
.item()
)
531590