生年月日(MM/DD/YY)から年齢を計算をします。文字列MM/DD/YYで年が二桁しかありません。 Kaggleでみつけた2016年リオデジャネイロオリンピックの選手リストを使って、Pandas で計算します。

サンプルデータセットについてにデータセットの概要があります。参考にしてください。

チートシート

やりたいこと Coding
文字列の生年月日が格納されている列名”dob”をDatetimeオブジェクトにして、列名”DoB”として格納する df[“DoB”] = pd.to_datetime(df[“dob”], format=”%m/%d/%y”)
Warning

1/1/68 の68より小さい数字(xx ＜68)は、20xx と変換されます
従って、12/22/57 の生年月日は12/22/2057 となり、正しい結果は得られません。
MM/DD/YYYY のフォーマットで生年月日をハンドリングする必要があります。

strptimeについての記事　を参考にしてください！

Kaggle データで作成する

リオデータ を使って、生年月日を計算しました。　生年月日がMM/DD/YYと年が二桁であること。　データに欠損値があるので、必ず、その行を落とすなどして下準備が必要です。 Kaggle で RIO, Olympic と検索すると出てくると思います・

今回使うデータのポイント

  1. df.shape => 11538 x 11
  2. dob とある列が生年月日です
  3. 2016/07/01 時点の年齢としました

df.shape

サンプルコーディング

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# 下準備として文字列からオブジェクトにしておく
df["DoB"] = pd.to_datetime(df["dob"], format="%m/%d/%y")

# 年齢を計算する

def getAge(DoB):
    today    = int(pd.to_datetime('2016-07-01').strftime('%Y%m%d'))
    DoB = int(DoB.strftime('%Y%m%d'))
    return int((today - DoB) / 10000)

df['age'] = df['DoB'].apply(lambda x: getAge(x))
df.head()

# もしくは以下でも同じこと

now = pd.to_datetime('2016/07/01')
df['age']=(now.year - df['DoB'].dt.year) - ((now.month - df['DoB'].dt.month) < 0)

結果は以下のとおりです YYYY-MM-DD の形式のDoB 列を作成しその列に対してlambda関数で生年月日を計算しました。

計算結果のデータフレーム

result

おまけ

密度関数のグラフ化もして分布の状況をみてみました。

密度関数

ひとこと

df["DoB"] = pd.to_datetime(df["dob"], format="%m/%d/%y")はよく使われるコードですが
MM/DD/YY は母集団がある年齢層に偏っている場合に限り、注意して使う必要があります。