Pandas melt 徹底解説: ワイド形式からロング形式へデータを整形！

データ分析や可視化を行う際、データの「形」は非常に重要です。特に、表計算ソフトでよく見かけるワイド形式のデータ（列数が多く、各列が異なる変数に対応している形式）を、統計分析やグラフ描画に適したロング形式（行数が多く、カテゴリ変数の値が列として並び、その値が別の列に集約されている形式）に変換したい場面は多々あります。そんな時に役立つのが、Pandasの強力なメソッド**melt**です。

この記事では、Pandas meltの基本的な使い方から、効率的なデータ整形を可能にする応用テクニックまで、徹底的に解説します。

Pandas meltってどんなもの？

Pandasのmeltメソッドは、DataFrameをワイド形式からロング形式（または「tidy data」形式）へ変換するために使用されます。これにより、複数の「測定値の列」を、新しい「変数名」と「変数に紐づく値」の2つの列に「溶解（melt）」させます。

meltでできること

• データ整形: 可視化ライブラリ（Seaborn, Plotlyなど）や統計モデル（scikit-learnなど）が求めるロング形式のデータに変換します。

• 分析の効率化: カテゴリ変数と測定値を分離することで、グループごとの集計や比較が容易になります。

• コードの簡潔化: 複雑なループや条件分岐なしに、数行のコードでデータを整形できます。

なぜmeltを選ぶべきか？

データ整形の手法は他にもありますが、meltを使うことには以下のようなメリットがあります。

• 直感的でわかりやすい: 「列を溶かして行にする」というイメージが掴みやすく、直感的に操作できます。

• 汎用性: 多様なデータセットに適用でき、幅広い分析シナリオで役立ちます。

• 高速性: Pandasの内部最適化により、大量のデータでも効率的に処理できます。

• 可読性の向上: コードが簡潔になるため、データ整形ロジックの可読性が向上します。

meltを始めるための準備

1. ライブラリのインポートとデータの準備

meltを使うためには、Pandasライブラリをインポートし、操作したいデータがDataFrame形式で用意されている必要があります。

import pandas as pd

# サンプルデータフレームの作成 (ワイド形式)
# 各年の売上データが異なる列に格納されている想定
data = {
    'Region': ['East', 'West', 'North', 'South'],
    'Product_2022': [100, 150, 120, 90],
    'Product_2023': [110, 160, 130, 95],
    'Product_2024': [120, 170, 140, 100],
    'Manager': ['Alice', 'Bob', 'Charlie', 'David']
}
df_wide = pd.DataFrame(data)

print("--- 元のデータフレーム (ワイド形式) ---")
print(df_wide)
print("\n")

meltの基本的な使い方

melt関数には、主に以下の引数を指定します。

• frame: 変換したいDataFrame。

• id_vars: 新しいロング形式で「残しておきたい識別子となる列名」のリスト。これらの列は行の識別子としてそのまま残ります。

• value_vars: 新しいロング形式で「溶かしたい（値として集約したい）列名」のリスト。これらの列が新しい「値」の列にまとめられます。省略するとid_vars以外のすべての列が対象になります。

• var_name: 新しい「変数名」の列の名称。デフォルトはvariable。

• value_name: 新しい「値」の列の名称。デフォルトはvalue。

最小限のサンプルプログラム

例1: 年ごとの売上データをロング形式に変換

各年の売上（Product_2022, Product_2023, Product_2024）を「Year」と「Sales」という2つの列にまとめます。RegionとManagerは識別子として残します。

# 'Region'と'Manager'を識別子として残し、'Product_YYYY'列を溶かす
df_long = pd.melt(df_wide,
                  id_vars=['Region', 'Manager'],
                  value_vars=['Product_2022', 'Product_2023', 'Product_2024'],
                  var_name='Year_Product', # 新しい変数名列の名前
                  value_name='Sales_Value') # 新しい値列の名前

print("--- 変換後のデータフレーム (ロング形式) ---")
print(df_long)
print("\n")

この結果、元のデータフレームがワイド形式だったのに対し、変換後のデータフレームは各年の売上が行として展開され、データ分析や可視化がしやすくなりました。

meltの応用テクニック

1. value_varsを省略する

value_varsを省略すると、id_varsで指定された列以外のすべての列が溶かされる対象になります。

# 'Region'だけを識別子として残し、残りの列を全て溶かす
df_long_all_values = pd.melt(df_wide, id_vars=['Region'])

print("--- 'value_vars'省略時の変換 ---")
print(df_long_all_all_values)
print("\n")

2. var_nameとvalue_nameで列名を分かりやすくする

新しい変数名と値の列に分かりやすい名前を付けることで、コードの可読性が向上します。

# 例1で既に var_name='Year_Product', value_name='Sales_Value' を使用

さらに、Year_Product列から年を抽出するような後処理も組み合わせられます。

df_long['Year'] = df_long['Year_Product'].str.extract(r'(\d{4})')
print("--- 年を抽出したロング形式 ---")
print(df_long[['Region', 'Manager', 'Year', 'Sales_Value']])
print("\n")

3. データ可視化での活用例

meltを使ってデータをロング形式に整形することで、Seabornなどの可視化ライブラリで簡単にグループごとの比較グラフを作成できます。

import seaborn as sns
import matplotlib.pyplot as plt

# 再度、ロング形式のデータフレームを作成（今回は年を抽出するまで行う）
df_long_viz = pd.melt(df_wide,
                      id_vars=['Region', 'Manager'],
                      value_vars=['Product_2022', 'Product_2023', 'Product_2024'],
                      var_name='Year_Product',
                      value_name='Sales')
df_long_viz['Year'] = df_long_viz['Year_Product'].str.extract(r'(\d{4})')

# 地域ごとの各年の売上推移を折れ線グラフで可視化
plt.figure(figsize=(8, 5))
sns.lineplot(data=df_long_viz, x='Year', y='Sales', hue='Region', marker='o')
plt.title('地域別・年別売上推移')
plt.xlabel('年')
plt.ylabel('売上')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

まとめ

この記事では、Pandasでワイド形式のデータをロング形式に効率的に変換するための強力なメソッドmeltについて、その特徴、基本的な使い方、そして応用テクニックを徹底的に解説しました。

meltを使いこなすことで、複雑なデータ整形作業を簡潔なコードで実現し、データ分析や可視化の準備を格段に効率化できます。特に、可視化ライブラリや機械学習モデルへの入力データ形式を整える際に、meltはあなたの強力な味方となるでしょう。