Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

3.3

 インデクスとデータの選択

107

In[35]: indA = pd.Index([1, 3, 5, 7, 9])

indB = pd.Index([2, 3, 5, 7, 11])

In[36]: indA & indB # intersection

積集合

Out[36]: Int64Index([3, 5, 7], dtype='int64')

In[37]: indA | indB # union

和集合

Out[37]: Int64Index([1, 2, 3, 5, 7, 9, 11], dtype='int64')

In[38]: indA ^ indB # symmetric difference

対称差

Out[38]: Int64Index([1, 2, 9, 11], dtype='int64')

これらの操作は、オブジェクトメソッド、例えば

indiA.intersection(indB)

を使っても行えま

す。

3.3

 インデクスとデータの選択

第

2

章では、

NumPy

配列の値にアクセスし、値を設定したり、変更するための手段とツール、

つまりインデクス（例えば、

arr[1, 5]

）、マスク（例えば、

arr[arr > 0]

）、ファンシーインデクス

（例えば、

arr[0, [1, 5]]

）、それらの組み合わせ（例えば、

arr[

：

, [1, 5]]

）ついて詳しく説明し

ました。ここでは、

pandas

Series

および

DataFrame

オブジェクトの値にアクセスして値を変