**Pythonの実行環境は数多くありますが、JupyterLabがその代表的な開発実行環境です。**Pythonは、データ分析や科学技術計算に最も使用されているプログラミング言語ですので、JupyterLabを覚えておいて損はありません。ここではJupyterLabを実際に使用して、その操作方法を学んでいきます。

*JupyterLabとは、Project Jupyterが提供するコード・テキストなどのドキュメント作成およびコード実行のユーザーインターフェースを指します。*従来提供されていた、Jupyter Notebookと JupyterLabの違いとしては、リッチな操作性にあります。

JupyterLabは、Jupyter Notebookの機能を備えながら、より多機能なユーザーインターフェースが提供される点に特徴があります。

【参考】：[jupyter](https://jupyter.org/)
【参考】：[JupyterLab](https://github.com/jupyterlab/jupyterlab)

Jupyter Notebookとは？その導入・操作方法を解説

*JupyterLabは、ウェブ利用型とデスクトップ型が提供されています。*JupyterLab Desktopとはデスクトップ型のJupyterLabを指します。Linux、macOS、Windowsでサポートされます。

ウェブ利用型はpip（Python Package Index）やAnacondaを用いて導入し、デスクトップ型はインストーラによりインストール作業を行います。

【参考】：[JupyterLab Desktop](https://github.com/jupyterlab/jupyterlab-desktop)
【参考】：[Installing Jupyter](https://jupyter.org/install)

pipとは？Pythonのライブラリ管理方法を分かりやすく解説！

Anacondaとは？Pythonの効果的な開発環境を解説！

*JupyterLabの使い方ですが、簡単に試すだけであれば実はインストールせずに操作することができます。*Jupyter公式サイトに表示されている、JupyterLabの「Try it in your browser」をクリックすると、次の通りお試しサイトが表示されます（①②）。

標準ガイドの参照や基本操作程度であれば、こちらのサイトを活用できます。

　【図】：お試しサイトでJupyterLabを使う

【参考】：[jupyter](https://jupyter.org/)
【参考】：[JupyterLab Try it in your bowser](https://jupyter.org/try)

JupyterLabがインストール済みであれば、お試しサイトではなく実際に使用可能です。ここではウェブ利用型のJupyterLabを用います。*JupyterLabの起動は、コマンドプロンプトで”jupyter lab”を実行するだけです。*

起動が成功すると、次の図のように表示がされます。

JupyterLabが起動すると、画面には次の様な表示がされています。

```[I 2023-03-01 10:24:16.418 ServerApp] Jupyter Server 2.3.0 is running at:
[I 2023-03-01 10:24:16.418 ServerApp] http://localhost:8888/lab?token=2f9159659942510XXXXXXXXXXXXXXXXXXXXX
[I 2023-03-01 10:24:16.418 ServerApp]     http://127.0.0.1:8888/lab?token=2f9159659942510XXXXXXXXXXXXXXXXXXXXX
[I 2023-03-01 10:24:16.419 ServerApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
[C 2023-03-01 10:24:16.596 ServerApp]
 　
    To access the server, open this file in a browser:
        file:///C:/Users/ユーザー名/AppData/Roaming/jupyter/runtime/jpserver-17352-open.html
    Or copy and paste one of these URLs:
        http://localhost:8888/lab?token=2f9159659942510XXXXXXXXXXXXXXXXXXXXX
        http://127.0.0.1:8888/lab?token=2f9159659942510XXXXXXXXXXXXXXXXXXXXX```

図にも記載しましたが、この表示の最後にアクセスで用いるhtmlファイルとURLが表示されています（①②）。この情報をブラウザーに貼り付けて使用します。なお、表示されるトークンは都度更新されますが、”http:\//localhost:8888/lab” をそのまま指定して使用することができます。

JupyterLabは、初期設定の英語表示を日本語に変更したい方も多いでしょう。*日本語化の場合は、日本語化パックを導入することができます。*”python -m pip install jupyterlab-language-pack-ja-jp“などにより、追加導入が可能です。

導入後は次の図のように、「Settings」「Language」に「Japanese (Japan) - 日本語 (日本)」が表示されます（①②③）。

　【図】：日本語化パックを導入する

続いて次の図のように、「Japanese (Japan) - 日本語 (日本)」を選択し「Change and reload」をクリックすると、メニューや関連表示が日本語化されます（①②③）。

　【図】：表示を日本語に変更する

*JupyterLabが起動すると、最初にランチャーが表示されます。*この JupyterLabの表示フォルダーである”http:\//localhost:8888/lab” には、JupyterLabを起動したフォルダーが設定されています。

次の図をご覧ください。左ペインに表示されているファイルは同じですが、URLの表示（①②）とフォルダ位置情報の表示（③④）に違いがあります。

　【図】：起動場所の違いによるフォルダの表示の違い

URLの”http:\//localhost:8888/lab” に紐づけられているのは、”jupyter lab”を起動したフォルダが割り当てられます。

左側が起動したPythonと名付けたフォルダ配下をそのまま表示しているのに対して、右側は1階層上位に移動してから”jupyter lab”を起動し、アプリからフォルダをPythonと名付けたフォルダに移動したものです。

このような表示上の違いもありますので、JupyterLabを起動する場合には決まったフォルダーから実行するのが作業効率の点でも良いでしょう。

*Notebookは、JupyterLabで使用するプログラムコードの開発実行ツールです。*Notebookを使用するには、ランチャーから起動すると良いでしょう。次の図をご覧ください。

ランチャーの「Notebook」のアイコンをクリックすると、Notebookが起動します（①②）。起動したNotebookは新規ファイルとして開くので、”Untitled”というファイル名です。拡張子は”.ipynb”です。

*開いたNotebookは任意のファイル名に変更できます。*変更するには次の図のように、「ファイル」メニューから「Notebookを別名で保存」を選択し、ポップアップメニューから変更します（①②③）。

　【図】：Notebookをファイル名を変更して保存する

続いて次の図のように、任意のファイルを設定し「Save」をクリックすると、Notebookのタブの表示も変更後のファイル名に切り替わります（④⑤⑥）。

　【図】：Notebookをファイル名を変更して保存する（続き）

保存済みのNotebookファイルは、左ペインでダブルクリックするか「ファイル」メニューから開いて利用することができます。

### Notebookでプログラムを実行する

*Notebookで作成したプログラムコードは、簡単に実行することができます。*次の図をご覧ください。

最初にセル（入力フィールド）にコードを記入します（①）。別のNotebookや他のエディターから、コピー・ペーストすることもできます。続いてNotebook上部の再生アイコン、あるいは上部「実行」メニューの「選択したセルを実行」します（②）。実行結果は指定したセルの下に表示されます（③）。

　【図】：Notebookでプログラムを実行する

*Pythonのコードを直接入力する目的で、コンソールが提供されます。*コンソールを使用するには次の図のように、ランチャーに表示されている「コンソール」のアイコンをクリックすると、コンソール画面が表示されます（①②）。

　【図】：コンソールを使用する

表示されているコンソールの下部にセル（入力フィールド）があります。次の図のように実行するコードの入力を終えたら、「実行」メニューの「セルを実行」をクリックすると、結果がコンソールに表示されます（①②③）。

　【図】：コンソールを利用したコードの入力と実行

コードを保存する必要なく、簡単なロジックの確認などを行うには、シンプルで利用する価値はあります。上記の他に、ランチャーの「ターミナル」ではシステムコマンドを実行することもできます。システムの動作を確認しながら、プログラミングすることもできます。

### JupyterLabをシャットダウンする

*JupyterLabの使用が終わったら、JupyterLabのプロセスを停止するために、シャットダウンを行います。*シャットダウンは次の図のように、「ファイル」メニューから「シャットダウン」を選択し、確認メッセージで再度「シャットダウン」をクリックします。

　【図】：JupyterLabをシャットダウンする

メニューから「シャットダウン」ではなく「ログアウト」を選択した場合は、ブラウザーのみ終了となります。バンクエンドプロセスは待機していますので、再度そのままブラウザーからアクセスすることもできます。

シャットダウンは、ブラウザーからのシャットダウン、あるいはコマンドプロンプトから起動中のJupyterLabを「Ctrl」+Cで停止させることもできます。ブラウザーから停止させた場合は、コマンドプロンプトには次のメッセージが表示され、終了します。

```[I 2023-03-01 10:19:42.719 ServerApp] Shutting down on /api/shutdown request.
[I 2023-03-01 10:19:42.724 ServerApp] Shutting down 6 extensions```

## JupyterLabの使い方はすぐに慣れます

JupyterLabは、インストールから利用までに手をかけずに行うことができます。最初の設定が終われば直観的に操作できますので、高い操作性の恩恵を受けることができます。データ分析を効率的に進めるために、拡張機能を追加することもできます。

**これらのメリットを受けるためにも、実際にJupyterLabの操作を試してみることをおすすめします。**

Pythonによるデータ分析：入門情報から資格取得まで解説！

NumPyとは？効率的なPythonのデータ分析手法を解説！

データ分析のニーズが高まっており、Pythonの活用の幅が広がっています。JupyterLabは代表的なPythonの開発実行環境です。ここではJupyterLabを実際に操作し、初期設定や実際のプログラミングまでの流れを解説していきます。

JupyterLabは、プログラミング言語の開発実行環境です

JupyterLabは主にPythonの開発実行環境として用いられ、データ分析に有効な拡張機能を追加可能です

ウェブ利用型とデスクトップ型があり、統合開発環境（IDE）として利用価値が高まっています

JupyterLabの使い方！初心者向けに操作方法を解説

ビジネスのデジタル化が進み、多くのサービスやデバイスから膨大なデジタルデータが日々生成されています。そこで、いわゆる「ビッグデータ」を活用することも増えてきました。ビッグデータを活用する上で、より素早く大量のデータを解析していく重要性が高まっています。

ビジネスにとって戦略的で重要な役割を果たすエンジニアになるためには、ビッグデータを分析するスキルも求められるようになってきました。

現在、活用できるビッグデータ解析サービスとしては、Google社が提供する「Google BigQuery」（以下、BigQuery）が有名です。**BigQueryは、安価で誰もが使いやすいツールでありながら、高性能なサービスと言われています。**

今回は、BigQueryの特徴や使い方、メリット・デメリット、活用事例などを解説していきます。

*BigQueryは、Googleのクラウドサービス「Google Cloud」（旧 GCP：Google Cloud Platform）の1つとして提供されるプロダクトです。*大規模なクエリを実行機能として持つデータウェアハウスサービスとして、ビッグデータを超高速で解析できるサービスです。データウェアハウス（Data Ware House）とは、一般に時系列に整理された大量のデータを格納するシステムを指します。

BigQueryは2010年5月に発表され、2011年11月に一般提供されています。元々、Google社内では「Dremel」というツールを活用してビッグデータを解析してきました。Dremelの機能を一般のユーザーでも利用できるようにしたものが、BigQueryです。

BigQueryは、データ分析におけるアクセスログの解析や業務効率化に欠かせないツールとして注目されています。

【参考】：[BigQuery公式サイト](https://cloud.google.com/bigquery?hl=ja)

データレイクとデータウェアハウスの違いとは？用途や注意点などを解説！

*BigQueryは、データ分析やPythonとのAPI連携などに活用できます。*データ分析では、数テラバイト（TB）や数ペタバイト（PB）という大容量のデータを数秒、数十秒で処理できます。また、解析対象のデータをGoogle Cloud上にアップロードすると、PythonのコードからBigQueryのコマンドを実行できます。

さらに、実行処理速度が高速であるため、リアルタイムでのデータ解析も可能です。その他にも、様々なログデータなどの蓄積・保存場所として活用したり、API連携によって様々なサービスのログ情報などを効率的に解析したりすることにも役立てられます。

データ分析とは？基本的な目的や方法、職種例と転職方法について解説

**BigQueryは、大量のデータを高速かつ安価に解析できる点が特徴です。**また、サーバーレスで利用できるため専門知識がなくてもデータ分析が可能です。

BigQueryは、なぜ高速にデータを分析できるのでしょうか。BigQueryのデータ処理が高速な理由は、ビッグデータでの検索を目的として設計されているからです。BigQueryの特徴的な仕組みとして「カラム型データストア」「ツリーアーキテクチャ」の2点が挙げられます。それぞれについて解説していきます。

【参考】：[GoogleのBigQuery解説ページ](https://cloud.google.com/bigquery/docs/introduction?hl=ja#data-analyst)

### 仕組み（1）：カラム型データストア

BigQueryの特徴の1つは「カラム型データストアである」という点です。BigQueryは、分析クエリに最適化された列（カラム）形式でデータを保存します。

一般的なデータベースでは、クエリ処理を行う際のデータを読み込む際に「行単位」「横方向」に読み込んでいきます。一方、BigQueryでは「列（カラム）単位」「縦方向」で読み込んでいきます。

データを横方向に読み込む場合は、データ全体を読み込む必要があります。一方、データを縦方向に読み込むと、必要なデータの列のみが対象です。クエリの対象となる列のデータのみにアクセスするため、トラフィックを最小化できます。

また、一般的に同じ列に含まれるデータは類似性が高いことから、データのばらつきが少ないことも挙げられます。データの中に反復パターンが多ければ多いほど、圧縮率は高くなります。BigQueryでは、高い圧縮率を持ちつつクエリ処理を実行できるのです。

### 仕組み（2）：ツリーアーキテクチャ

BigQueryが持つ仕組みのもう1つの特徴が「ツリーアーキテクチャである」点です。ツリーアーキテクチャとは、クエリがツリー状に広がる構造を指します。

BigQueryでは、クライアントからクエリを受け取るルートサーバーから実際にクエリ処理を実行する多数のリーフサーバーへとクエリが広がっていきます。これにより、何千台もの複数のリーフサーバーが分散的に処理可能です。

こうした独自のアーキテクチャが、BigQueryにおける大規模なデータの高速処理を実現しています。

次に、BigQueryの使い方を解説していきます。**BigQueryを初めて利用する場合、まずは公式サイトにアクセスします。**

公式サイト上で「BigQueryの無料トライアル」を選択し、画面の案内に従ってアカウント情報やお支払情報などの必要事項を入力します。

入力が完了すると「Google Cloud Platform」（GCP）に登録され、BigQueryを利用できるようになります。

次に、実際の使い方の例を紹介します。BigQueryでデータを分析する際は、まず「プロジェクト」を作成する必要があります。画面上部の「新しいプロジェクト」を選択し、任意の名前でプロジェクトを作成します。

次に、プロジェクト内に「データセット」を作成します。対象のプロジェクト名の右側にある「アクションを表示」のアイコンから「データセットを作成」を選択することで作成可能です。

続いて、データセット内にデータを読み込むための「テーブル」を作成します。データセット名の横にある「アクションを表示」のアイコンから「テーブルを作成」を選択します。

テーブルの作成画面で、テーブルの作成元やアップロードするデータ、テーブル名などを設定して「テーブルを作成」を選択します。解析対象のデータに合わせて設定して、テーブルの画面で「プレビュー」を選択すると、読み込んだデータの内容が確認できます。

BigQueryでテーブルに読み込んだデータを解析する際は「クエリ」ボタンを選択します。分析したい内容に応じたクエリをエディタ画面に入力して「実行」を選択することでデータ分析が実施されます。

BigQueryの料金は、コンピューティング（分析）、ストレージ、追加サービス、データの取り込みと抽出などに基づいています。データの読み込みとエクスポートは無料です。

BigQueryではインスタンスや仮想マシンを用意する必要がなく、必要に応じてコンピューティングリソースを割り当ててくれます。**BigQueryの料金は、クエリの処理にかかる「分析料金」やデータを保存する「ストレージ料金」などの費用がかかります。**

また、BigQueryには無料のオペレーションと無料枠も用意されています。分析で処理されるクエリデータは毎月1TBまで、ストレージは毎月10GBまで無料です（2023年5月現在）。

BigQueryでは、クエリ実行用として「オンデマンド料金」「定額料金」の2種類の料金モデルが用意されています。初期設定ではクエリでスキャンされたデータに対して料金が発生するオンデマンド料金モデルで課金されます。2023年5月時点では、東京（asia-northeast1）におけるオンデマンド料金は「1TBあたり米6ドル」です。

また、定額料金プランに加入する場合は、専用の「クエリ処理容量（BigQueryスロットの割り当て数）」を購入します。クエリでこの容量を使用しても、処理されたバイト数に対しては請求されません。2023年5月時点では、東京（asia-northeast1）における月額定額料金は「100スロットあたり米2,400ドル」です。

BigQueryでは「アクティブ ストレージ」と「長期保存」に対してストレージ料金が発生します。アクティブ ストレージには、過去90日間で変更されたテーブルまたはテーブル パーティションが含まれます。一方、長期保存で90日間連続して変更されていないテーブル、テーブル パーティションが含まれます。

*ストレージの料金は、テーブルに格納されている非圧縮状態でのデータの量に基づいて計算されます。*

【参考】：[BigQuery の料金概要](https://cloud.google.com/bigquery/pricing?hl=ja)

## BigQueryのメリット・デメリットとは？

ここからは、より具体的にBigQueryを利用するメリット、デメリットを見ていきましょう。

BigQueryを利用する上で、ぜひ参考にしてください。

### メリット1：データベースの専門知識がなくても扱える

一般的なデータウェアハウスでは、データベースに関する専門知識が必要になることが多いです。例えば、分析を始める前にサーバー構築や設定の最適化などを実施します。

また、クエリ処理を実施する場合は「チューニング」が必要です。各テーブルや各種領域、インデックスなどに対して最適な計算やシミュレーションなどをするためには、データベースの専門知識が求められます。

**一方、BigQueryはサーバーレスで利用できるため、チューニング作業を必要としません。**また、従来のデータベースのクエリで必須だったインデックスも不要で、データベースの専門知識がなくとも大規模なデータ分析を可能にしています。

### メリット2：コストパフォーマンスが良い

BigQueryは、一般的なデータウェアハウスとは異なり、クエリの実行時のみサービスが起動します。そのため、サービスが起動している間のみ料金が発生します。テーブルに保存したデータ量とSQLで抽出したデータ量に応じて課金される従量制を取っています。

また、クラウドサービスとしてサーバーレスであるため拡張性に優れています。データ保存のためには別途ストレージ費用がかかりますが、その分を加味しても、類似のサービスと比べて安価に利用可能で、コストパフォーマンスが高いといえます。

### メリット3：Google Cloudとのシームレスな連携

*BigQueryのメリットとしては「他のGoogle Cloudのサービスとシームレスに連携できる」点が挙げられます。*

たとえば、アクセス解析サービス「Google Analytics 4」（GA4）と連携でき、GA4で取得したデータをBigQueryにエクスポートすることが可能です。また、他のデータソースの情報と組み合わせて分析したり、データの可視化などによって、GA4単体よりも詳細なデータ分析が可能です。

GA4とBigQueryを連携させるには、Google Cloudのユーザー登録をする必要があります。さらにBIツール「Googleデータポータル」との連携も可能です。

BigQueryには多くのメリットがある一方で、デメリットもあります。

*まず挙げられるデメリットは「慣れるまでに時間がかかる」点です。*BigQueryに関する学習環境は、十分整っているとはいえません。SQLの記述やエラーの解決にはある程度慣れる必要があるため、実際に活用できるまでに時間がかかることもあります。

また、BigQueryでは適切な設定をしていないと、コストがかさむ可能性も考えられます。BigQueryのコストを抑えたい場合は「クエリの対象データを限定する」「課金されるデータの上限を設定する」「テーブルを分割する」「データを圧縮する」などの方法を実施することが必要です。

SQLとは？概要・できること・プログラミング言語との違いを解説

BigQueryは、すでに国内外で有効活用されています。例えば、マーケティング分野ではWebサイトのアクセス解析データを用いた広告改善や、Webサイトの顧客行動の分析改善に活用されています。

また、小売業では購買データの高速分析に用いたり、建材メーカーでは専門知識のない従業員が必要なときに利用できるデータ活用の民主化などにも活用されたりしています。

## BigQueryはエンジニアとして活躍するための必須ツール

**BigQueryはとても使い勝手のよいデータウェアハウスであり、高速で安価で扱いやすい特徴があります。**また、BigQueryは、多くのエンジニアが扱えるSQLで操作可能なため、BigQueryでデータ分析するために新たに学習する必要がなく取り掛かりやすい点も魅力の1つです。

ビッグデータ分析のニーズは幅広く、そのスキルはあらゆる業種や職種にとって重要な素養になると考えられます。これからエンジニアとして活躍していくためにも、ぜひ、BigQueryを使いこなせるようになることをおすすめします。

Google BigQueryは、Googleから提供される「データ分析」に利用できるフルマネージドサービスです。簡単な操作で高速に大量のデータを分析できる機能を備えています。この記事ではその特徴や使い方、メリット・デメリットなどを解説します。

Google BigQueryは、Googleから提供される「ビッグデータ分析」に利用できるフルマネージドなデータウェアハウスサービスです

標準的なSQLクエリで実行できるサーバレス型でチューニングが不要なため、専門的なスキルがなくても利用できるというメリットがあります

実行したクエリごとに料金が発生する料金体系などで、安価で誰もが使いやすい高性能なサービスといわれています

BigQueryとは？特徴や使い方、料金、メリットなどを解説！

**Notionのリレーションは、データベース同士を関連付ける機能を指します。**データベース同士のリレーションを作成すると、データを統合的に管理できるため非常に便利な機能といえるでしょう。

本記事ではNotionにおけるリレーションの機能の概要と、リレーションの使い方を解説します。普段から会社でNotionを利用している方や、これからNotionを活用したい方は、ぜひ参考にしてください。

【参考】：[Notion公式](https://www.notion.so/)

## Notionのリレーションを活用する場面

Notionのリレーションはデータベースを関連付ける機能だと説明しましたが、具体的にリレーションを活用する場面は、どういうところでしょうか。リレーションは様々な場面で使用されていますが、顧客管理を始めとする業務で活用することが多いでしょう。

顧客管理の例でいえば、システムなどで顧客のデータベースと自社商品のデータベースを管理している企業が多いかと思います。このような場合、顧客のデータベースと商品のデータベースが関連付けられていると、誰がどの商品を購入したのかを把握できます。

さらに、そのデータを解析することで、年代や性別ごとに顧客の好みやニーズを発見することができます。**こちらはあくまで1つの例にすぎませんが、データベースをリレーションさせることでビジネスの課題を発見したり、需要を把握したりすることに役立ちます。**

その他にも、プロジェクトのタスク管理や、スケジュール管理、顧客管理なども効率的に行うことができるため、リレーションをうまく活用することは、非常に重要なことだといえるでしょう。 

## Notionのリレーションをする方法

**ここまで、リレーションの概要について解説しましたが、ここからは具体的なリレーションの活用方法をご紹介します。**

時間のある方は本記事を参考にしながら一緒に手を動かしてみましょう。その際、リレーションを作成するためにサンプルのデータベースを2つ用意してください。

データベースの作り方が分からない方は、本記事でデータベースの作り方も簡単に紹介していますので、そちらも参考にしつつ作業を進めてみましょう。

### Notionのデータベースを作成する

*では早速、データベースを作成しましょう。*Notionにログインし、新規ドキュメントを作成します。「新規ページ」をクリックし、新規ドキュメントを表示しましょう。その後、画面左側のメニューから、「テーブル」をクリックしましょう。

すると、テーブルの種類がいくつか表示されます。候補の中にある、テーブルビューをクリックし、「新規データベース」をクリックしましょう。

新規データベースを選択すると、画面が切り替わります。画面が切り替わったら、データソースを選択してデータベースの名前を決めます。データソースがない方は、新規データベースを作成します。

~~【図】：データベースの作成~~

任意のタイトルを付けたら、次はプロパティを設定していきましょう。

Notionでのプロパティは、例えばテキストや数値、ドロップダウンメニューで選択ができるセレクトやマルチセレクト、ステータス、日付などがあります。これらはテーブルデータに関わるデータの種類を管理しています。

本記事では、試しに下図のようにテキストと数字のプロパティを設定しました。この手順をもう1度繰り返し、まずは2つのデータベースを作成します。

~~【図】：データベースを作成した後~~

データベースの中の値は任意のもので構いませんので、データベースがない方は本記事を参考にしつつデータベースを作成してみましょう。

【参考】：[Notion公式　プロパティについて](https://www.notion.so/ja-jp/help/database-properties)
【参考】：[Notion公式 リレーションについて](https://www.notion.so/ja-jp/help/relations-and-rollups)

### Notionのデータベースを関連付ける

*データベースが2つ作成できたところで、本題のリレーションを行います。*

ちなみに前述で紹介しましたが、テーブルのデータの種類を管理しているプロパティでは、リレーションやロールアップなど、データベース同士の関係性も管理しています。そのため、リレーションを追加したい場合にはプロパティの設定を行う必要があります。

まず、データベースの右上に3つ点が並んでいるアイコンがありますので、そちらをクリックしましょう。

~~【図】：データベース右上のアイコン~~

すると、プロパティを選択できます。プロパティの種類から「リレーション」を選択し、リレーションをしたいデータベースを選びます。

任意のデータベースを選択したら、「リレーションを追加」ボタンをクリックしてください。リレーションの設定は以上です。リレーションを追加したデータベースにカーソルを合わせると、リレーション先のデータが表示されるようになりました。

~~【図】：リレーション先のデータが表示されている画面~~
【参考】：[Notion公式 リレーションについて](https://www.notion.so/ja-jp/help/relations-and-rollups)

###双方向のリレーションを設定する

*前述までの設定では、リレーションは1方向でしたが、双方向のリレーションも設定可能です。*両方のリレーションから編集をしたい場合には、こちらの双方向のリレーションを行いましょう。

こちらも設定方法は非常に簡単ですので、ぜひ一緒に手を動かしてみましょう。先ほどと同様にデータベースのプロパティを選択し、その後リレーションをしたいデータベースを選択します。この際、「リレーションを追加」のボタンを押す前に、「（データベース名）に表示」を選択しましょう。

双方向のリレーションを設定する方法は以上です。もし、双方のデータベースから編集したい場合はこちらの設定を行ってください。

~~【図】：双方向のリレーションの設定~~
【参考】：[Notion公式 リレーションについて](https://www.notion.so/ja-jp/help/relations-and-rollups)

### リレーションにおけるオプションの設定

Notionのリレーションに設定されているオプションは以下の3つです。このオプションでは、設定しておくと使い勝手が良くなるような機能が用意されています。それぞれ必要に応じて設定してみましょう。

*■プロパティとして表示する*

リレーションの表示オプションを表示したい場合は、データベースの「リレーション」を選択後、「プロパティとして表示」を選択しましょう。リレーション先の情報が、プロパティとして表示されるようになります。

*■ページセクションとして表示する*
次に、ページ本体の上にセクションとして表示する場合に、このオプションを使いましょう。こちらも「リレーション」という部分を選択し、「ページセクションとして表示する」を選べば設定は完了です。

*■コンテンツの内容を非表示にする*
リレーション先のコンテンツは、必要な時にしかみない場合は「最小化」というオプションを設定してみましょう。データベースの「リレーション」というメニュー項目から「最小化」を選択すると、コンテンツの内容は下図の赤枠部分のアイコンをクリックしなければ、見えない状態に変わります。

【参考】：[Notion公式 リレーションについて](https://www.notion.so/ja-jp/help/relations-and-rollups)

## Notionのロールアップをする方法

**Notionでは、リレーションの設定を前提に行うロールアップという機能があります。**こちらの機能は、データの集約などに役に立ちますので、余裕のある方は、ぜひこの機能も参考にしてみてください。ここからは、Notionのロールアップについてご紹介します。

作業の手順自体は非常に簡単ですので、業務で集計を行う必要のある方は、こちらもぜひ参考にしてください。

では、ロールアップを設定してみましょう。*先ほどリレーションの設定で使用したデータベースに、プロパティを追加します。プロパティの種類は「ロールアップ」を選択しましょう。*

ロールアップでは、ロールアップしたいプロパティと、どの計算をするのかを選べます。計算の種類は合計・平均・中央値・最大・最小・範囲などさまざまな計算が可能です。試しに、ご自身のしたい計算方法を選択してみましょう。

~~【図】：ロールアップの設定方法~~

プロパティと計算の種類を選択したら、ロールアップの列の下にある「計算」ボタンが表示されますので、それを押します。計算結果が表示されれば、設定は成功です。

【参考】：[Notion公式 ロールアップについて](https://www.notion.so/ja-jp/help/relations-and-rollups)

## リレーションを活用してNotionを便利に使おう

Notionのリレーション機能は、業務を効率的に行ったり、ビジネス上の課題を発見したりする上で便利なものだと分かりました。

またリレーションだけでなく、ロールアップも非常に便利な機能ですので、こちらも合わせて使いこなせると、より業務の効率化などを目指せるでしょう。

**リレーションやロールアップの使い方はそれほど難しくありませんので、興味のある方はぜひ本記事を参考にしてリレーションを行ってください。**

Notionはリレーション機能が提供されており、データベースを関連付けることができます。今回は、そんなNotionのリレーションの概要や、ロールアップ機能の設定、具体的な使い方をご紹介します。普段Notionを利用している方は、ぜひ本記事を参考にしてください。

Notionのリレーションは、データベースを関連付ける機能です

Notionのリレーションの設定は、データベースが持つプロパティを操作すると設定できます

Notionには、リレーション以外にもロールアップという、便利な機能も提供されています

Notionのリレーション・ロールアップとは？データベースの便利な機能の使い方を解説

Terraform Cloudとは、HashiCorpが提供するマネージドサービスで、SaaS型ホスティングサービスとして提供されます。不要なツール抜きに、簡単に本番環境で利用可能にします。

*Terraform Cloudは、Terraformをチームで共同利用するために、アクセスコントロールやモジュール共有のためのプライベートリポジトリを提供します。*インフラをリモート実行するために、セルフサービスインフラストラクチャを作成し、マルチクラウドのコンプライアンスと管理を実現します。

【参考】：[Terraform Cloud](https://cloud.hashicorp.com/products/terraform)

IaaSとPaaSの違いを知り、クラウドに強いエンジニアになろう！

*Terraformとは、Infrastructure as Code（IaC）と呼ばれるインフラの構成管理ツールを指します。*クラウドとオンプレミスのコンピュータリソースを、安全かつ効率的に構築・変更・バージョンアップすることができます。運用形態の異なるマルチクラウド・マルチプラットフォーム環境における、属人的な処理から解放します。

Terraformでは、リソース情報を人間が判読できる設定ファイルとして定義し、再利用・共有します。作成した設定ファイルを用いて、一貫性のあるワークフローを定義・使用し、ライフサイクル全体を通したインフラのプロビジョニングと管理を行います。

【参考】：[Terraform](https://www.terraform.io/)

*Terraform Cloudは、クラウドベースの構成管理が可能であり、インフラの設定作業を自動化することができます。*GUIからTerraformを操作可能で、作業の可視化や標準化が可能です。作業の効率向上により、作業品質向上・作業速度向上がもたらされます。

Terraform Cloudはクラウドホスティングサービスのため、専用のリソースを割り当てる必要がありません。初期コスト削減が可能で、スモールスタートにうってつけです。

Terraform Cloudのデメリットは、メリットの裏返しとなる部分です。具体的には、Freeプランではオンプレミスは対象外となり、有償のBusinessプランが必要です。そのほか、システムをローカルに割り当てないために、ネットワークパフォーマンスの制限を受けます。同時実行数も契約内容に従って、制限を受けます。

とは言っても、*チームコラボレーションを念頭に置くと、勝手にローカルシステムで設定せずに一貫したコントロールが可能となるTerraform Cloudは、明らかにメリットが上回ると考えて良いでしょう。*

使い方の記事（9ページ目）