データフレーム（DataFrame）とは、データを2次元の表形式（行と列）で管理するためのデータ構造です。Pandasなどのライブラリで広く利用され、行と列それぞれにラベル（インデックスやカラム名）を持ちます。異種データ型を混在させて保持できる柔軟性があり、機械学習の前処理やデータ分析において最も基本的なデータ表現として用いられます。
データフレームとは
データフレームとは、行と列からなる2次元の表形式データを表現するためのデータ構造です。スプレッドシートや関係データベース（RDB）のテーブルに似た形式でデータを保持し、各列で異なるデータ型（数値、文字列、真偽値など）を扱えるのが特徴です。PythonのライブラリであるPandasなどを通じて、データ分析やデータ前処理のデファクトスタンダードとして広く活用されています。
詳しく解説
データフレームは、データサイエンスや機械学習のワークフローにおいて極めて重要な役割を果たします。多くの場合、CSVファイルやデータベースから読み込まれた構造化データは、まずデータフレームに変換されます。データフレームは、単なる2次元配列とは異なり、行と列にそれぞれ「インデックス（行ラベル）」と「カラム名（列ラベル）」を持ちます。これにより、特定の値や範囲のデータを直感的に指定して抽出、フィルタリング、結合することが可能です。また、欠損値（NaN）の検出や補完、統計量の算出、グループ化（groupby）といった高度なデータ操作機能が最適化された速度で提供されており、機械学習モデルにデータを投入する前の特徴量エンジニアリング（特徴量の生成・選択）に不可欠な基盤となっています。主要な実装としては、Pythonの「Pandas」や「Polars」、R言語の標準機能、Sparkの「PySpark」などがあります。
具体例・使われ方
具体的な利用例として、PythonのPandasを用いた住宅価格予測モデルのデータ前処理が挙げられます。まず、CSVファイルから住宅データをデータフレームとして読み込みます。このデータフレームには、「広さ（数値）」「部屋数（整数）」「立地（文字列）」などの異なるデータ型の列が並んでいます。ここで、欠損値が含まれる行を削除したり、特定の列（例：「広さ」）の平均値を算出して穴埋めしたりします。さらに、カテゴリカル変数である「立地」を機械学習モデルが理解できる数値表現に変換するワンホットエンコーディングなどの処理を行い、最終的にNumPy配列に変換してモデルの学習に利用します。
似た用語との違い
データフレームと混同されやすい概念に「NumPy配列」や「シリーズ（Series）」があります。NumPy配列は多次元の数値計算に特化したデータ構造ですが、原則としてすべての要素が同じデータ型（同質データ）である必要があり、行や列のラベルを持ちません。一方、データフレームは列ごとに異なるデータ型（異質データ）を保持でき、ラベルによる直感的な操作が可能です。また、シリーズはPandasにおける1次元のデータ構造であり、データフレームの「1列分」に相当します。データフレームは、複数のシリーズが列方向に結合した構造とみなすことができます。
注意点
データフレームを扱う際の注意点として、メモリ消費量が挙げられます。特にPythonのPandasで大規模なデータセットを扱う場合、データフレーム全体がメモリ上に展開されるため、PCの物理メモリを超えると動作が著しく遅くなったり、メモリ不足でプログラムが強制終了（クラッシュ）したりします。大容量のデータを処理する場合は、処理をバッチごとに分割して読み込むか、高速で省メモリなPolarsライブラリの利用、あるいは分散処理フレームワークであるPySparkやDaskの活用を検討する必要があります。