Pythonで自動化できること7選！面倒な作業を効率化

Pythonの実力を証明できる資格3種とその勉強方法について解説！

Pythonのよく使うライブラリ一覧！一段上の開発を目指そう

*PythonのPandasの基礎知識を解説*します。Pandasはデータ分析を行うなら、まずは知っておきたいライブラリです。**Pandasとは何か、データ分析とは何か、という所から説明**しましょう。Pandasという言葉を始めて聞いた方は、まずはここからお読みください。

*Pandasはデータ分析を行うためのPythonライブラリ*で、読み方は「パンダス」です。オープンソースのライブラリであり、**誰でも無料で扱うことが可能**です。Pandasには、Excelやcsvファイルのデータを読み取る、データの加工や修正を行うなどの機能が揃っています。

データ分析を行う際、最も時間がかかるのは前段階の処理と言われています。しかしPandasを使うことで、面倒な前段階の処理をスピーディーに終わらせて、分析作業に集中することが可能です。また、データの分析だけでなく、分析結果をグラフにして分かりやすく見える化することもできます。

Pandasの作成にはC言語が用いられています。C言語はコンパイラ言語であるため、処理が高速なのがメリットです。対してPythonはインタプリタ言語であり、処理速度が遅いです。Pythonだけでデータ分析を行うと処理速度の遅さがデメリットとなりますが、**Pandasを使えばデータ分析を効率的に行うことができる**のです。

*データ分析とは、大量のデータから、有益な情報を導き出すこと*です。たとえば、Twitterにはユーザーが商品の感想について書き込みをしています。こういった書き込みを分析することで、商品改善に役立つでしょう。昨今SNSをやるユーザーが増えたこともあり、**ネット上に多くの情報が書き込まれるようになったので、それらをどう活かすかは重要な課題**となっています。データ分析を専門として行う人を、データサイエンティストと呼びます。データサイエンティストは、PythonのPandasを使う機会も多いでしょう。

### Pandas以外のデータ分析ライブラリ

Pandas以外にもPythonにはデータ分析ライブラリが多くあります。基本的にはPandas単体で使うことは少なく、*他のライブラリと組み合わせてデータ分析を行います*。

たとえばMatplotlibというライブラリがあります。こちらはグラフを描画するライブラリで、2Dだけでなく3Dグラフも描けるのが特徴でしょう。他にも、Numpyという数値計算ができるライブラリも多く使われます。Pandasでデータの整形を行った後、**Numpyでデータの集計作業などを行い、最後にMatplotlibで見える化する**、といった感じに組み合わせて使います。

ちなみに、これらのライブラリはAnacondaを使えば一括でインストール可能です。

## PythonのPandasで主にできること

*PythonのPandasで主にできることをまとめました*。Pandasの使い方は公式サイトのマニュアルに書かれていますが、日本語ではなく英語で書かれています。そのため、**英語が読めない方は使うのが難しい**でしょう。そこで、Pandasの基本的なメソッドを本記事で紹介します。

*Pandasは様々な形式のデータを読み込むことが可能*です。たとえば、read_csvメソッドを使えば、CSV形式のデータを読み込めます。他にも、read_excelならExcelのデータ、read_jsonならJSON形式のデータを読む込むことが可能です。このように、**データ形式によってそれぞれ別のメソッドが用意**されています。

*Pandasはデータを加工するメソッドも豊富*です。たとえば、DataFrameオブジェクトなどを使えば、データの切り出しができます。また、DataFrameオブジェクトのsort_valuesメソッドを使えば、値による並べ替えが可能です。このような、**データを整形するメソッドはまだ他にも多くあり**ます。

DataFrameオブジェクトのinfoメソッドを使うことで、*データの特徴を表示*できます。他にもdescribeのように要約統計量を表示するメソッドや、データの一部のみを表示できるメソッドもあります。**幅広いデータ分析の手段があるのが、Pandasのメリット**でしょう。

次に、*PythonのPandasを使うメリット*をまとめました。Pandasを使わなくても、データ分析は一応可能です。しかし、特に**初心者の場合はPandasを使うことをおすすめ**します。その理由を解説していきましょう。

Pandasは*とにかくデータ処理の機能が豊富*です。たとえば、欠損値の補完や指定した列や行の抽出ができたり、文字列を数値に変換したり、といった作業が簡単に行えます。こういった処理をライブラリなしで行うのは、非常に大変です。

**また、データ分析だけでなく、Pandasは機械学習にも使えます**。汎用性の広さがPandasのメリットと言えるでしょう。

Pandasは*ネットの多くの情報が掲載されています*。Pandasの公式マニュアルは全て英語で書かれていますが、日本語でPandasについて分かりやすく解説しているサイトが多くあり、それらを参考に使っていくことが可能です。昔はPython関連の情報が少なかったのですが、近年はPythonの人気が上がっており、ネットの情報も増えています。**学習しやすい環境が整ってきたと言える**でしょう。

### Excelより大量のデータを処理しやすい

*データ分析は一応Excelなどでも行うことは可能*です。ただ、Excelの場合は大量のデータを処理すると動作が遅くなってしまいます。**Pandasは大量のデータを読み込んでも、遅くなりにくい**のがメリットでしょう。パソコンのメモリ容量に余裕があるなら、大規模なデータをPandasに読み込ませて、スムーズにデータ分析が可能です。

### 他のPythonライブラリと組み合わせて更に便利に

Pythonは*他にも数多くのライブラリがあります*。これらのライブラリとPandasを組み合わせて、更に効率的なデータ分析が可能です。上記で解説したもの以外にも、**Scipyやscikit-learnなど汎用性の高いライブラリが多い**です。こういったライブラリが多いことから、Pythonはデータ分析や機械学習に向いているとされています。

最後に、Pandasの使い方についてまとめました。**Pandasのインストール方法について解説**します。pandasはpipコマンドを使うことでもインストールできますが、ここではAnacondaを使う方法を紹介します。*Anacondaを使う方が後に他のライブラリも使いたいときに楽*だからです。

まずは*Anacondaをインストール*しましょう。Anacondaは科学計算のためのPythonのディストリビューションで、無料で使うことが可能です。Anacondaを使えば**Python本体とPythonライブラリを一括でインストール**できます。初心者は環境構築で手間取ることが多いので、Anacondaを使うのがおすすめです。

Anacondaは公式サイトから最新版をダウンロードしましょう。ダウンロードが完了したら、ファイルをクリックして実行することで、インストールができます。

### AnacondaからPandasをインストール

Anacondaのインストールが完了したら、*Anaconda Navigatorを起動*します。ライブラリのインストールはEnvironmentsから行うことが可能です。検索ボックスに「pandas」と入力すれば、pandasライブラリが出てくるので、インストールを行いましょう。また、他のデータ分析ライブラリもそのうち使うので、インストールしておきましょう。**MatplotlibもNumpyも同じ手順でインストール可能**です。

## PythonのPandasを使いこなして効率的にデータ分析しよう！

本記事では、*PythonのPandasについて解説*しました。Pandasの特徴やメリット、インストール方法がお分かり頂けたかと思います。**Pythonでデータ分析を行うならPandasは欠かせません**。Pandasは機能が豊富な上に、処理も高速で使いやすいのがメリットです。また、インストールもAnacondaを使って簡単に行えます。データ分析の需要は今後も上がっていくと推測されます。データ分析に興味がある方は、ぜひPandasを試してみてください。

PythonのPandasについて解説します。Pandasはデータ分析を行う際に欠かせないライブラリです。本記事ではPandasの特徴やメリット、使い方についてまとめました。Pandasを使ってデータ分析を始めたい方は、ぜひ本記事を参考にしてください。

PythonのPandasはデータ分析で使えるライブラリ

Pandasは様々な形式のデータを読み込むことが可能

PandasのインストールはAnacondaを使うのがおすすめ

PythonのPandasとは？データ分析で使うライブラリを解説

**Rubygemsとは、Rubyというプログラミング言語のパッケージ管理システムを意味します。**ここでは、RubyとRubygemsについて詳しく紹介します。

Rubyとは、まつもとゆきひろ氏によって開発された国産のプログラミング言語を指します。**Rubyの特徴はシンプルな文法やRuby on Railsという便利なフレームワークがあることなどが挙げられます。**そのため開発スピードを速めることができ、スタートアップ企業や自社開発企業などで採用されることもあります。

またRubyでできることは数多くあり、Rubyのプログラミング言語でできることの代表例として、*Webアプリ・SNS・ECサイトなどの開発*が挙げられます。このようにRubyのプログラミング言語はシンプルな文法が特徴で、できることが数多くあるため、プログラミング初心者におすすめの言語の1つと言えるでしょう。

**RubyGemsはRubyのプログラミング言語のパッケージ管理システムです。**またRubyのバージョンが「1.9」以降であれば、Ruby本体をインストールすると同時に、RubyGemsも標準ライブラリとしてインストールされます。

*RubyGemsを使用すれば、後述する「gem」というパッケージを利用して、複雑な機能の実装でも簡単に行うことが可能です。*またgemのインストール・アンインストールやインストールしたgem一覧の表示・検索などもできます。そしてこれらの操作を行うにはRubyGemsが提供している「gemコマンド」を使用する必要があります。

RubyやRubyGemsの概要については理解できたでしょうか。ここでは、gemの概要とメリット・デメリットについて詳しく紹介します。

**Rubyにおけるgemとは「パッケージ」「パッケージ管理システム」の2つの意味があります。**パッケージとは端的に言うと便利な機能がまとめてあるもののことです。パッケージを使用すれば機能を実装する際に、ゼロからソースコードを記述する必要がなくなります。*パッケージにより開発効率の向上が期待できるため、実務現場でも使用される機会は多いです。*

例えば「devise」というgemをインストールすれば、簡単にユーザー認証機能を実装することができます。また「Faker」というgemを使用すれば、ダミーデータを簡単に作成することが可能です。このように様々なgemがあり、使用すれば開発スピードの向上が期待できます。

そして多くのgemは「Github」というサイトで管理されており、インストールの仕方や使い方などを確認可能です。
（ 参考：https://github.com/ ）

**gemを使用すればパッケージを簡単にインストールできるため、プログラミング初心者でも本格的なWebアプリの機能などを実装できます。**また使用する機能やレイアウトをライブラリとしてパッケージ管理できるため、スキルに関係なく安定したWebアプリを開発することが可能です。

**gemのデメリットとして、インストールの仕方や使い方の多くは英語で記載されていることが挙げられます。そのため理解するまでに時間や学習コストが必要です。**またRubyやRuby on Railsのバージョンを更新すると実装したライブラリにエラーが生じる可能性もあります。さらにデメリットかどうかは人によって異なりますが、gemは基本的にコマンドプロンプトを使用して操作しなければなりません。

gemの詳細については理解できたでしょうか。ここではgemのインストール方法について詳しく紹介します。なお、Rubyの開発環境は構築されていることを前提に解説します。

### 既にインストールされているgem一覧を確認する

*Rubyのバージョンが「1.9」以降であれば、Ruby本体をインストールすると同時に、RubyGemsも標準ライブラリとしてインストールされます。*そのため既に使用できるgemも数多くあります。ここで使用するコマンドが「**gem list --local**」です。このコマンドを使用すれば、既にインストール済みのgemを一覧で表示することができます。

Rubyのプログラミング言語を使用して開発を行うときに、実装したい機能が明確であれば、Webサイトを活用して探してみると便利なgemを発見できるかもしれません。ここでは、おすすめのgemを検索できるサイトをいくつか紹介します。

**1.RubyGems.org**
RubyGems.orgとは、Rubyコミュニティのgemホスティングサービスを指します。*簡単に自分が実装したgemを公開したり、使用したいgemをインストールしたりできるのが特徴です。*数多くのgemがRubyGems.orgに登録されているため、実装したい機能などで検索をかければ、関連するgemを見つけられるかもしれません。
（ 参考：https://rubygems.org ）

**2.BestGems.org Rubygems**
*BestGems.orgのWebサイトではダウンロード数が多いgemが分かります。*また毎日のダウンロード数のランキングや注目度形式のランキングも用意されているため、トレンドのgemを発見することも可能です。
（ 参考：http://bestgems.org/ ）

他にも先述した*GitHubで公開されているgemもあります。*このようなWebサイトを活用すれば、便利なgemを見つけることができるでしょう。

使用したいgemを見つけられたら、インストールしましょう。インストール後の使い方はgemによって異なるため注意が必要です。**一般的に「bundler」というパッケージ管理ツールを使用してgemを管理します。**なおbundlerもgemの1つです。bundlerはgem同士の依存関係を管理できるのが特徴と言えます。

まずは、bundlerを使用するために「gem install bundler」というコマンドを入力して、bundlerをインストールしましょう。正常にインストールできたか確認するには「bundler -v」を入力すると把握できます。「Bundler version ×.×.×」というように、バージョンが表示されていれば、正常にインストールができています。**そして「gem install 〇〇〇」というように、「〇〇〇」に使用したいgemを当てはめてコマンドを入力すれば、gemをインストールすることが可能です。**

例えばRuby on Railsの場合は、「gem install rails」というコマンドを入力すればインストールすることができます。*また「--version」というオプションを使用すれば、バージョンを指定してインストールすることが可能です。*例えば「gem install rails --version 5.0」というコマンドを入力すれば、バージョン「5.0」のrailsをインストールすることができます。

gemのインストールまでの流れは理解できたでしょうか。ここでは、よく使用するgemコマンドの使い方について詳しく紹介します。

gemのアンインストール方法をご紹介します。**「gem uninstall 〇〇〇」というコマンドを入力すれば、「〇〇〇」というgemをアンインストールすることができます。**

### インストール済みのgem一覧を表示

**インストール済みのgem一覧を表示するには「gem list --local」というコマンドを使用します。**このコマンドではgemの名称とバージョンを確認することが可能です。また、「gem list」というコマンドでもインストール済みのgem一覧を表示できます。

### 最新のバージョンのgemが存在するか確認する

**最新のバージョンのgemが存在するか確認したい場合には「gem outdated」というコマンドを入力しましょう。**例えば「fiddle (1.0.6 < 1.0.9)」と出力されたら、「fiddle」というgemにおける現在の バージョンは「1.0.6」であり、最新版「1.0.9」に更新できることを意味します。

**「gem update」というコマンドを使用すれば、インストール済みのgemを全て最新のバージョンにすることが可能です。**また「gem update 〇〇〇」というコマンドを使用し、「〇〇〇」にgemの名称を入力すれば、特定のgemだけバージョンを更新することができます。

## RubyGemsを活用して開発スピードを向上させよう！

これまでにRubyGemsの概要やgemの詳細について解説しました。**RubyGemsとはRubyというプログラミング言語のパッケージ管理システムを指します。gemというパッケージを使用すれば、複雑な機能の開発でも簡単に実装が可能です。**

使用したいgemを検索するには「*RubyGems.org*」「*BestGems.org Rubygems*」「*GitHub*」などのWebサイトを活用するのがおすすめです。

*gemを使用するにはコマンドを使いこなす必要があります。*よく使用するgemコマンドを紹介しましたが、他にも数多くのコマンドやオプションがあります。**Rubyでの開発効率を向上させるために、RubyGemsに関する知識を深めておくことは大切です。**

RubyGemsとはRubyというプログラミング言語のパッケージ管理システムのことです。gemを上手く活用すれば、複雑な機能の開発でも簡単に実装が可能です。当記事ではRubyGemsの概要やgemの詳細について解説します。

RubyGemsとはRuby言語のパッケージ管理システム

RubyGemsを使用すれば機能をゼロから開発不要になるため、開発効率の向上が期待できる

gemを検索するには「RubyGems.org」「BestGems.org Rubygems」「GitHub」などのWebサイトがおすすめ

RubyGemsとは？gemのインストールや使い方も解説！

XGBoostとは、機械学習で用いられる*勾配ブースティング（Gradient Boosting）*の**実装フレームワーク**を指し、「*eXtreme Gradient Boosting*」の略です。XGBoostは*C++・Java・PythonやR*等の多くの言語で利用されており、*Windows・MacOS・Linux*で動作します。
参考：[XGBoost](https://xgboost.ai/)

2014年に登場以来、機械学習の多くの賞を受賞し機械学習ブームに火をつけました。

XGboostの特徴は、*スケーラブルで分散型の勾配ブースティング*が**ライブラリ利用できる**ことです。*過学習（オーバーフィッティング）低減*のためにノード数やモデル更新を小さく調整し、併せて高速演算を実現しています。つまりXGboostでは時間をかけずに簡単に、それなりの結果が得られることになります。

XGboostは利便性を高めるために、機械学習でも用いられる*分類法・回帰法・ランキング学習やユーザ定義オブジェクト*をサポートしています。*C++・Python・R・Java・Scala・Julia*の主要機械学習言語をサポートします。

さらに、*Amazon AWS・Google CloudのGCE・Microsoft Azure・Apache HadoopのYARN クラスタ*などの分散学習に対応しています。

LightGBMは、「*Light Gradient Boosting Machine*」の略で、*マイクロソフト社*が開発した*フレームワーク*です。LightGBMフレームワークは、*GBM・GBDT・GBRTの他、GBT・MART・RF* などのアルゴリズムに対応します。*Windows・MacOS・Linux*で動作し、*C++・Python・R・C#*に対応します。

LightGBMはヒストグラムベースの決定木学習アルゴリズムを実装することで、*効率性を高めメモリ消費を最小*に抑えています。そのため、*アルゴリズム*を**高速に実行**できる特徴があります。
参考：[Microswoft LightGBM](https://www.microsoft.com/en-us/research/project/lightgbm/)

XGboostとLightGBMの違いは、LightGBMが*ヒストグラムベースの決定木学習アルゴリズム*を持ち、高速性に優れていることが挙げられます。とは言ってもXGboostもその後同等機能を実装しており、**現時点では明らかな違いは無くなりつつあります。**

ここでは基本用語を交えて、*XGBoostのアルゴリズム*の概要を解説していきます。

・**分類と回帰とは**
機械学習では分類（Classification）と回帰（Regression）を基本的なアルゴリズムに用います。

分類とは、事前に定めたクラスが割り当てられている場合に、入力値がどのクラスに属するか当てる方法です（例として、イヌかネコか）。回帰とは、すでにあるデータから連続量となる目的変数を割り出すことです。割り出した目的変数を使い予測値を算定できることで、将来の傾向予測に利用できます（例として、将来売り上げがいくら増加するか）。

・**分類器とは**
分類器とはclassifierの日本語で、分類手法を表します。

単純ベイズ分類器（Naive Bayes classifier）は、ベイズの定理を適用した確率モデルで特徴変数を用いたものです。同様に決定木（Decision Tree）は始点を根、端点を葉に見立てて接点分岐し、変数分類を進めます。決定木はソートで用いられる最適探索アルゴリズムをベースとしたものです。

その他にも、2クラスのパターン認識を高精度で行うサポートベクターマシン（Support Vector Machin）や、最近傍オブジェクトと同じクラスに分類するk近傍法（k-nearest neighbor、k-NN）等、多様な手法が存在します。

・**勾配ブースティングとは**
勾配ブースティングとはGradient Boostingの日本訳で、弱い学習器を連結して結果を求める手法です。

学習器とは機械学習の学習システム・学習モデルを表します。学習器は真の分類に近いものを強い学習器と呼び、真の学習器と若干の相関性がある学習器を弱い学習器と呼びます。勾配ブースティングは、複数の学習器を連携する集団学習（アンサンブル学習）の1つとなります。

勾配ブースティングでは、通常決定木（Decision Tree）を分類手法に用います。そのためGBDT（Gradient Boosting Decision Tree）とも呼ばれています。

・**XGBoostのアルゴリズムは**
XGBoostは*GBMやGBDT*をベースとして考案されたアルゴリズムです。

GBMはGradient Boosting Machineの略で、1999年Friedman氏が論文発表した”TreeBoost”アルゴリズムによる勾配ブースティングの手法の1つです。GBDTは、決定木を用いた勾配ブースティングです。

このXGBoostアルゴリズムの詳細な解説は、「*XGBoost: A Scalable Tree Boosting System*」としてTianqi Chen氏とCarlos Guestrin氏の論文に掲載されています。ご興味ある方はご覧ください。
参考：[ACM Digital Library RESEARCH-ARTICLE XGBoost: A Scalable Tree Boosting System](https://dl.acm.org/doi/abs/10.1145/2939672.2939785)

XGBoostはライブラリのため、インストール後各**言語の手続きに従って利用**します。*GPUを使う*には、*gpu\_hist*を用います。対応OSは*Linux x86\_64版とWindows*で、Linux aarch64版とMacOSは対応していません。さらに、*マルチノード・マルチGPU*は*Linux x86\_64版のみ対応*します。
参考：[XGBoost Documentation](https://xgboost.readthedocs.io/en/latest/)

XGBoostは使用言語ごとにインストール方法が異なります。以下に、代表的な*プログラム言語でのインストール方法*を説明します。

・**Pythonのインストール方法**
Pythonの場合は、PyPI（Python Package Index） にアップロードされているライブラリを用います。pipコマンドで、”pip install xgboost”の様に実行します。

・**Rのインストール方法**
Rのインストールは、CRAN（Comprehensive R Archive Network）を用います。コマンドはinstall.packages("xgboost")の様に指定します。MacOSでマルチコア対応する場合はOpenMPが必要です。事前に、brewで”brew install libomp”としてインストールしておきます。

PythonでXGBoostを使うためには、Pythonで*”import xgboost as xgb”*の様に**ライブラリをimport**します。

XGBoostはデータを、*LIBSVMテキストファイル・CSVファイル・NumPy 2D配列・SciPy 2Dスパース行列・cuDFデータフレーム・Pandasデータフレーム・XGBoost バイナリ バッファファイル*から取込みできます。ファイル読み込みは*xgb.DMatrix()*を使います。*”format=csv”*を指定すると*CSVファイルを読み込む*ことができます。

データをバイナリ形式で保存するには、*DMatrix.save_binary()*を使います。モデルのトレーニングは*xgb.train()*を用い、モデルの保存は*train.save_model()*を使います。テキストファイルに保存する場合は*train.dump_model()*を使います。保存したモデルの読み込みは、*Booster.load_model()*を使います。

RでXGBoostを使うためには、Rで*”require(xgboost)”*で**XGBoostパッケージをロード**します。XGBoostではパッケージ組み込みの*agaricusデータセット*を使います。モデルを構築するには*train*を、モデルを評価するには*test*を使います。

モデルの読み込みは*xgb.DMatrix()やxgb.load()*を、保存は*xgb.DMatrix.save()やxgb.save()*を使います。

## XGBoostを使って機械学習を効率的に行いましょう

XGBoostは、*Python・R・Java*等のプログラム言語で動作するフレームワークです。XGboostは*高速で高精度の分類アルゴリズムを搭載*しているので、時間をかけずに簡単に機械学習の予測結果が得られます。

XGBoostをの基本を理解したら次は*実際にライブラリをインストール*し、**データ分析に利用する**ことをおすすめします。

XGBoostは、機械学習で用いられる勾配ブースティングを実装したフレームワークです。XGBoostのライブラリを利用することで、時間をかけずに簡単に予測結果が得られます。ここでは、その特徴と用語からプログラムでの使い方まで解説していきます。

XGBoostとは、機械学習で用いられる勾配ブースティングの実装フレームワークを指します

XGboostは、分類法・回帰法・ランキング学習やユーザ定義オブジェクトをサポートしています

XGboostは、主要機械学習言語をサポートしており高速で高精度の予測結果が得られます

XGboostとは？その特徴と用語・プログラムでの使い方を解説！

NumPyとは、Pythonの*数値計算ライブラリ*の一種です。NumPyは**多次元配列オブジェクト**をPythonに実装し、多数の演算関数を提供します。NumPyは英語の読み方として「ナムパイ」と発音します。一部「ナムピー」とも呼ばれていますが、*「ナムパイ」の読み方が多数派*です。

Pythonは元来数値計算向けに開発されたものではなかったため、*SIG（Special Interest Group）*が中心となってPythonの構文に配列の取扱いを取込みました。NumPyの意味ですが、最初のパッケージはNumericと呼ばれていました。後に"Numerical Python extensions"や"NumPy"と呼ばれるようになりました。

現在はNumericの機能拡張を経て、NumPyが正式名称で*”Numerical Python”の略*となっています。
参考：[NumPy](https://numpy.org/)
参考：[Guide to NumPy](https://archive.org/details/NumPyBook)

Pythonは*プログラム記述がシンプル*で、オブジェクト指向プログラミングにより高機能なプログラムが簡単に記述できるメリットがあります。Pythonの特徴は*オープンソースソフトウェア*のため、ライブラリ等の**ソフトウェア公開が進んでいる**ことが挙げられます。

*Pythonのライブラリ*とは*複数の機能をまとめたもの*で、パッケージ化したものです。上記Pythonの特徴から、分析アルゴリズムが共通化しやすい*AI*では*機械学習や深層学習*のライブラリが数多く提供されています。

公開ライブラリのインストール管理は、*PyPI*または*Anaconda*の2種類の公開サービスのいずれかを用いることが多いです。特に*Anaconda*は*数値計算やデータ分析に必要なライブラリ*を**一括管理**できるため、*NumPyを利用する*際にも*Anacondaの活用*をおすすめします。

NumPyは*数値計算を行うライブラリ*です。NumPyではベクトル演算や行列演算で用いる**多次元配列を扱う**ことができます。

さらに、*NumPyのライブラリコード*は**C言語**で作成されています。C言語はコンパイラ言語のため、インタープリタ型に比べてランタイムのオーバーヘッドが少なく、コード最適化が図られています。このため*NumPyのライブラリ*は**高速で処理できる**ことが特徴です。

Pythonには*バイトコンパイル機能*があるものの、*インタープリタ*として動作するためC言語で開発されたライブラリの活用は魅力的です。上記理由から、*NumPy*は*データの読み込み工程やデータの前処理・加工工程*で良く用いられています。

NumPyと同じようによく用いられているのが、*pandas*です。**pandasとは数表や時系列データ**に強みを持つデータ操作解析ライブラリです。データを読み込んで*並べ替え*を行ったり、*欠損データの補完*を行って**データ分析しやすい形式に変換**したり、主に*データの読み込み工程やデータの前処理工程*で用いられます。
参考：[Pandas](https://pandas.pydata.org/)

NumPyの使い方は、Pythonコードで以下のように**ライブラリをインポート**します。
*“import numpy as np”*
ここで”np”はNumPyのドキュメントでも頻繁に利用される名称ですので、コードの影響がなければそのまま使用します。

ここで”import”時にエラーとなる場合は、NumPyがインストールされていない可能性があります。その際は以下のインストール方法を試してみましょう。

NumPyをインストールするには*Anacondaのconda*または*Anaconda Navigator*を用いるか、*pip*を用いてインストールします。

AnacondaではNumPyがデフォルトでインストールされています。インストールが必要で*conda*を用いる場合は、*”conda install numpy”*を実行します。*Anaconda Navigator*の場合はパッケージの「*Not Installed*」からNumPyをチェックし「*Apply*」をクリックします。「*Installed*」に表示されたら**使用可能**です。

*pip*を用いる場合は、*”pip install numpy”*を実行します。インストールしても*“import numpy as np”*でエラーが発生する場合は、*ライブラリのパスが正しく反映されていない*可能性があります。

特に*Anaconda*の場合は、インストール時のインストール先のパスを変更した際に*PATH環境変数*への反映を行う必要があります。インストール時にインストーラの「*Advanced Options*」で設定するか、手動で*Anacondaインストール先の”Library\bin”*を*PATH環境変数へ追加する*必要があります。

*配列*とは英語で*array*と呼びます。そもそも配列とは、*コンピュータプログラムのデータ構造の一種*です。配列は連続するデータ空間に格納される**データの集合体**を意味します。*NumPy*でも配列は*array*として利用します。

*使用例：*
　import numpy as np
　a = np.arange(3)
　b = np.array([1, 2, 3, 4])
　c = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
　d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
　print("a=",a)
　print("b=",b)
　print("c=",c)
　print("d=",d)

*実行結果：*
a= [0 1 2]
b= [1 2 3 4]
c= [[1 2 3 4]
 [5 6 7 8]]
d= [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

*arange関数*は等差数列の配列を生成する関数です。*array関数*は配列を作成する関数です。変数aには等差数列の[0 1 2]が作成されました。変数bは1次元配列、変数cは2次元配列、変数dは3次元配列です。

上記の他にも2次元配列を作成する*eye関数*や*diag関数*が用意されています。3次元以上の*ndarray*を作成する場合は*ones関数*や*zeros関数*等を用います。

*Python*でも数値計算を行うためにいくつかの*組み込み関数*や*math関数*が用意しています。Pythonで演算する場合は配列の要素を実行時に動的に分解したり、for文のループを行いますので*処理が複雑になり計算時間がかかります*。

*NumPy*ではあらかじめ必要な計算処理をそれぞれの関数として提供しますので、**開発コードがシンプルでかつ高速処理**が行えます。以下に、数値計算で用いる一般的な処理と対応する関数について説明します。

・*四則演算*
　配列の四則演算には対応するadd・subtract・multiply・divideの各関数が用意されています。
・*累乗・平方根・指数・対数*
　累乗・平方根・指数・対数には対応するpower・sqrt・exp・logをはじめとする各関数が用意されています。
・*三角関数*
　三角関数には対応するsin・cos・tan・arcsin・arccos・arctanをはじめとする各関数が用意されています。

*NumPy*で基本演算が完了したら集計機能を活用します。NumPyの**集計機能**は、以下のような関数を提供しています。

・*ソート関数*
　ソート関数はsort・ndarray.sortをはじめとする各関数が用意されています。
 ・*集計関数*
　集計関数はmin・max・sum・meanをはじめとする各関数が用意されています。
・*欠損値・異常値処理*
　欠損値はNaNですのでisnanで欠損値を検出したり、nan\_to\_numで補正することができます。
　その他にもisinf・isneginf・isposinfで異常値を検出することもできます。

*NumPyでデータ分析する場合*は、元となるデータを*ファイルから入力し結果をファイルに保存する*のが一般的です。NumPyでは以下のような**データ入出力機能**を提供しています。

・*ファイル入出力*
　ファイル入出力はsave・load・savetxt・loadtxtをはじめとする各関数が用意されています。
　Npy配列ファイルの入出力はload・save関数を用います。
・*CSVファイル入出力*
　CSVファイルやテキストファイルの読み込みはloadtxt関数です。
　複雑なファイルはgenfromtxt関数を用います。

NumPyの初心者は、CSVのインポート・エクスポートはpandasを用いた方がより簡単に読み込みできます。取り込んだデータをNumPyで配列演算に利用します。読み込みはread\_csv関数、書き込みはto\_csv関数です。
*使用例：*
　import pandas as pd
　a = pd.read\_csv('ファイル名.csv', header=0).values

## NumPyを用いて効率的にデータ分析をすすめましょう

*NumPy*では*多次元配列を用いて高度なデータ分析を行う*ことができます。そのためPythonのデータ分析業務では、*データの読み込み工程やデータの前処理・加工工程*で良く用いられています。

NumPyを使うことで配列の演算や分析作業が*シンプルなコードで効率的、かつ高速に実行する*ことができます。さらにNumPyを活用することで、*データ分析の効率が向上し分析精度が向上します*。ぜひ*NumPy*を**データ分析に活用する**ことをおすすめします。

NumPyは多次元配列オブジェクトを、Pythonで効率的に利用することでデータ分析作業を簡単に行うことができます。NumPyはシンプルなコードでかつ高速に動作しますので人気があります。ここではNumPyの基本から主要関数まで丁寧に解説していきます。

NumPyとはPythonの数値計算ライブラリの一種で、”Numerical Python”の略を指します

NumPyはベクトル演算や行列演算で用いる多次元配列を取り扱うことができます

NumPyはC言語で開発したライブラリのため、データ分析をシンプルなコードで高速に実行できます

NumPyとは？効率的なPythonのデータ分析手法を解説！

ライブラリの記事（8ページ目）