Pandasの.iterrows()とは？使い方や活用シーン、注意点までわかりやすく解説

2025年10月7日 2025年10月7日

.iterrows() は、Pandas で DataFrame を操作する際によく使われるメソッドのひとつです。

この記事では .iterrows() の基本的な使い方から、活用シーン、注意点までなるべくわかりやすく解説します。

.iterrows() とは？

pandas の .iterrows() は、DataFrameの各行を1行ずつ処理したいときに使える便利なメソッドです。

通常、pandas では「ベクトル化（まとめて処理）」が高速で効率的ですが、処理内容が行ごとに異なる場合や、外部システムと連携する場合などには .iterrows() が活躍します。

このメソッドを使うと、DataFrame の各行をループで1つずつ取り出して処理できます。

各ループでは (インデックス, 行データ（Series）) のタプルが返されます。

具体例①：基本的な使い方

まずは、簡単なサンプルデータを使って .iterrows() の動きを見てみましょう。

import pandas as pd

df = pd.DataFrame({
    '名前': ['田中', '佐藤', '鈴木'],
    '年齢': [25, 30, 22]
})

for index, row in df.iterrows():
    print(f"インデックス: {index}, 名前: {row['名前']}, 年齢: {row['年齢']}")

import pandas as pd

df = pd.DataFrame({

'名前': ['田中', '佐藤', '鈴木'],

'年齢': [25, 30, 22]

})

for index, row in df.iterrows():

print(f"インデックス: {index}, 名前: {row['名前']}, 年齢: {row['年齢']}")

このコードでは：

df.iterrows() によって各行を取り出す
index はその行のインデックス番号
row は行全体を表す Series で、列名をキーにして値を取り出せる

出力は以下のようになります：

インデックス: 0, 名前: 田中, 年齢: 25
インデックス: 1, 名前: 佐藤, 年齢: 30
インデックス: 2, 名前: 鈴木, 年齢: 22

インデックス: 0, 名前: 田中, 年齢: 25

インデックス: 1, 名前: 佐藤, 年齢: 30

インデックス: 2, 名前: 鈴木, 年齢: 22

このように、各行に対して柔軟な処理が書けるのが .iterrows() の特徴です。

具体例②：条件に応じた処理に使う

.iterrows() は、行の内容に応じて何か特定の処理をしたいときに便利です。

for index, row in df.iterrows():
    if row['年齢'] &gt;= 30:
        print(f"{row['名前']}さんは30歳以上です。")

for index, row in df.iterrows():

if row['年齢'] >= 30:

print(f"{row['名前']}さんは30歳以上です。")

このように：

各行の 年齢 をチェックして
条件に合う行だけ処理をする

フィルタや条件付き処理を柔軟に書ける点が強みです。

.iterrows() を使うときの注意点

便利な .iterrows() ですが、使う際にいくつか注意すべきポイントがあります。

処理が遅くなりがち

.iterrows() は Python のループとして実行されるため、データ量が多いと処理速度がかなり遅くなります。

特に数千〜数万行以上の DataFrame を扱う時は、vectorized（ベクトル化）処理 や apply() を検討した方がよいです。

データ加工

【Python】.applyとは？使い方やlambda関数との組み合わせまでわかりやすく解説！

Pythonでデータの前処理や変換を行う際に、柔軟かつ強力に使えるメソッドのひとつが pandas の .apply() です。この記事では .apply() の基本的な使い方から、lambda関数との組み合わせ、他のメソッドとの違いまでわかりやすく解説します！ .apply() とは？ .app...

行のデータ型は Series（dtypeが混在）

row の正体は pandas.Series なので、各列のデータ型（int, float, str など）が混在しています。

そのため、型変換が必要になるケースもあります。

行に対して代入するときは注意

.iterrows() を使って行の値を書き換えようとしても、DataFrame 本体には反映されません。

for index, row in df.iterrows():
    row['年齢'] = row['年齢'] + 1  # 元のdfには反映されない

for index, row in df.iterrows():

row['年齢'] = row['年齢'] + 1 # 元のdfには反映されない

上記のように書き換えても、元の df は変わらないので注意しましょう。

値を変更したい場合は、インデックスを使って直接代入する必要があります。

for index, row in df.iterrows():
    df.at[index, '年齢'] = row['年齢'] + 1

for index, row in df.iterrows():

df.at[index, '年齢'] = row['年齢'] + 1

このように df.at[] を使えば、正しく更新されます。

.iterrows() の活用シーン

処理内容が行ごとに異なる場合や、外部システムと連携する場合などに .iterrows() は活躍します。

ルールベースで行ごとに処理を行いたいとき（条件分岐など）
- たとえば、列の値に応じて異なる処理をしたり、特定の条件に合う行だけを別の形に変換したいときに便利です。
外部APIとやりとりして、1行ずつ情報を付加したいとき
- APIリクエストは基本的に「1件ずつ送る」必要があるため、各行のデータを使って外部サービスから情報を取得し、DataFrameに追加するときに使われます。
データクレンジングなどで複雑な処理が必要なとき
- 　例えば、住所の正規化、文字列の分割・再結合、あるいは複数列の値を組み合わせた独自ルールの修正など、単純な数値演算では処理しづらいケースに適しています。

特に「行ごとの処理内容がバラバラ」「簡単なベクトル演算では対応しづらい」ようなケースでは .iterrows() が役立ちます。