[【関連記事】【Pythonのライブラリ管理ツール】pipインストールを徹底解説！Windowsでも簡単？](https://and-engineer.com/articles/YcJyaRAAACMAl3BX)

[【関連記事】PythonのコードをEXE化するには? PyInstallerやその他ツールの特徴や使い方](https://and-engineer.com/articles/ZDZ41BEAAH-qRRlT)

[【関連記事】Pythonで自動化できること7選！面倒な作業を効率化してより便利に](https://and-engineer.com/articles/YRn2KRAAACIA6YPW)

## Pythonの機械学習ライブラリとは

Python言語を用いた機械学習（深層学習を含む）モデルの構築で外せないのが、機械学習に関するライブラリです。Pythonには機械学習ライブラリが豊富にあり、このライブラリを活用することで、Pythonによる開発は飛躍的に効率化できます。

従って、*Pythonエンジニアや機械学習エンジニアを目指す人は、この機械学習ライブラリについて知っておく必要があります。*この記事では、機械学習モデルの構築に役立つ、おすすめの機械学習ライブラリを紹介していきますので、ぜひ参考にしてください。

Pythonと機械学習を学んでAI時代に対応できるエンジニアに

### PyPIからインストールするならpipを活用

機械学習ライブラリなどのPythonパッケージを管理するサービスとして、PyPI（パイピーアイ：Python Package Index）があります。**このPyPIに登録されているPythonの各ソフトウェアやライブラリは、pipを用いてインストールすることができます。**

そもそもpipとは標準パッケージ管理システムであり、パッケージの検索やインストール、アップグレード、アンインストールなどの処理を行います。

【参考】：[PyPI · The Python Package Index](https://pypi.org/)

使い方は簡単で、以下のようにパッケージ名を指定するだけで完了です。

“$ python -m pip install パッケージ名”

【参考】：[Python モジュールのインストール — Python 3.12.2 ドキュメント](https://docs.python.org/ja/3/installing/index.html)

【Pythonのライブラリ管理ツール】pipインストールを徹底解説！Windowsでも簡単？

ライブラリについては分かりましたが、モジュールとライブラリは何が違うのでしょうか？

関数やクラスをまとめたものがモジュールで、Pythonでは拡張子が「.py」のファイルを指します。

**ライブラリは他のプログラムから呼び出されるものの総称で、関数やクラス、モジュール、パッケージなどを含んだものです。**

Pythonのモジュールとは？概要と使い方をわかりやすく解説！

### ライブラリとフレームワーク

システムやアプリケーション開発で、ライブラリやフレームワークの利用は必須とも言えますが、ライブラリとフレームワークは何が違うのか、確認しておきましょう。

**フレームワークは構造や枠組みを意味しますが、アプリケーション開発ではテンプレートのようなものです。**フレームワークでは一定のルールが設けられており、そのルールに従ってコードを書いていきます。

一方、ライブラリはある機能を簡単に利用できるコードの集まりであり、プログラムのパーツとも言えます。どちらもアプリケーション開発の効率化に役立つため、時には混同したり、同一視されたりしているケースもあります。

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でのWebアプリ開発で使うフレームワークを解説！

AI開発では機械学習が必ずと言っていいほど利用されますが、他に深層学習（ディープラーニング）も利用されます。そこで、機械学習と深層学習を別物だと考えてしまいがちですが、**深層学習は機械学習の1種なのです。**

AIがうまく機能するためにはAIに学習させる必要があります。そのための方法の1つとして機械学習があります。その機械学習の中に、ニューラルワークという学習手法があり、これを深層学習（ディープラーニング）と呼んでいます。

それらの関係を図式化すると、『AI > 機械学習 > 深層学習』という関係になります。深層学習は、ニューラルネットワークと呼ばれる人間の脳の仕組みを模倣した手法で、機械学習の進化形です。

これから、おすすめの機械学習ライブラリ5つと、機械学習の中でも深層学習（ディープラーニング）のライブラリ5つ、併せて10選を紹介していきます。*それぞれ得意分野や用途などが異なりますので、比較しながら目的に合致するライブラリを選択しましょう。*

エンジニアなら知っておくべき！機械学習とディープラーニングの違いとは？

<center>[エンジニア転職を成功させるため ぜひ*『マイナビIT エージェント』*をご活用ください！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)</center>

機械学習に適したライブラリは大変多くの種類があり、どれを利用すればいいのか迷います。ここでは機械学習で良く利用されるライブラリ、*おすすめの機械学習ライブラリを5つ紹介していきます。*

NumPy（ナンパイ）は、Python専用の数値計算に特化したライブラリです。NumPy自体はC言語などのコンパイル型言語で実装され、処理速度が速いのが特徴です。

またNumPyは機械学習だけではなく、配列処理に長けており、音声処理や画像処理にも利用できることから、汎用性の高いライブラリです。また、SciPyライブラリを追加することで、より高度な計算処理が行えるようになります。

【参考】：[NumPy](https://numpy.org/)

NumPyとは？効率的なPythonのデータ分析手法を解説！

Pandas（パンダ、パンダス）は、数表や時系列データなどのテーブル型データを扱えるようにするライブラリです。機械学習では大量のデータを取り扱いますが、学習精度を高めるために不要なデータを排除し、必要なデータに絞る必要があります。

Pandasはその前処理で、データセット処理を効率的に行う際に必要となるライブラリです。PandasはNumPyと同様に、Pythonパッケージとして知られた「Anaconda」に含まれています。

【参考】：[pandas - Python データ分析ライブラリ](https://pandas.pydata.org/)

Anacondaとは？Pythonの効果的な開発環境を解説！

SciPy（サイパイ）はNumPyと同じく、配列や行列演算も行えますが、さらに科学計算用のライブラリで信号処理や統計などを得意としています。SciPyは具体的には積分、統計、線形代数、遺伝的アルゴリズム、フーリエ変換、ODEソルバなどの高度な科学計算処理が可能です。

【参考】：[SciPy](https://scipy.org/)

scikit-learn（サイキット・ラーン）は機械学習ライブラリの定番と言われ、機械学習で使用する様々なアルゴリズムが実装されています。

scikit-learnの主な機能としては、分類、回帰、クラスタリング、次元削減、データの前処理、モデル評価と選択があり、またサンプルのデータセットやサンプルコード、丁寧な公式ガイドも用意され、機械学習の実装を手軽に試せる点も人気の理由です。

【参考】：[scikit-learn: machine learning in Python — scikit-learn 1.4.1 documentation](https://scikit-learn.org/stable/)

Matplotlib（マットプロットリブ）はデータ解析用の言語の「MATLAB」を模倣して作成された、データ可視化を行うライブラリです。データから簡単に散布図やヒストグラムといったグラフを表示したり、画像データで描画したりすることができます。

Pandasを利用してもデータの可視化はできますが、Matplotlibはより表現力が求められるグラフ処理が可能です。このMatplotlibも「Anaconda」に標準搭載されています。

【参考】：[Matplotlib — Python による視覚化](https://matplotlib.org/)

Matplotlibでグラフ描画が簡単に？pipのインストール手順を解説！

ここでは深層学習（Deep Learning：ディープラーニング）で利用できる、*おすすめのライブラリやフレームワークを見ていきましょう。*こちらも同様に厳選した5つのライブラリを紹介します。

TensorFlow（テンソルフロー）は、Googleが開発しているオープンソースのニューラルネットワークの最新ライブラリです。ニューラルネットワークは人の脳の神経回路構造を数学的に表現できる手法で、このライブラリを利用することでニューラルネットワークを構築できます。

顔認識システムや自動運転システムでもTensorFlowは利用されており、今後の広がりが期待されています。

【参考】：[TensorFlow](https://www.tensorflow.org/?hl=ja)

TensorFlowとは？特徴やできることをわかりやすく解説！

PyTorch（パイトーチ）はFacebookが開発したディープラーニング用のフレームワークです。NumPyと操作方法が類似しており、NumPyを扱っているエンジニアであれば、すぐに扱えるでしょう。

また、ニューラルネットワーク構築で必要となる計算グラフが動的に構築されるため、柔軟にモデルの構築が行え、容易に複雑なニューラルネットワークを実装できる点が特徴です。

【参考】：[PyTorch](https://pytorch.org/)

PyTorchとは？特徴やメリット・デメリット等の入門情報を解説

Keras（ケラス）はPythonで書かれたニューラルネットワークのライブラリです。KerasはTensorFlowなど他のディープラーニングのライブラリの上で動く作りとなっており、また分かりやすい設計のため、初心者でも簡単に深層学習ネットワークの構築が可能です。

また、Kerasは日本語ドキュメントがあり、日本人が扱いやすいライブラリの1つです。

【参考】：[ホーム - Keras ドキュメント](https://keras.io/)

ニューラルネットワークとは？仕組みや関連用語をわかりやすく解説

Chainer（チェイナー）は、Preferred Networks（国内企業）によって開発され、オープンソースとして公開されたディープラーニングのフレームワークです。日本企業開発のフレームワークであり、日本語ユーザーグループもあるため、特に日本では安心して利用できる深層学習フレームワークとして人気があります。

【参考】：[Chainer: ニューラル ネットワーク用の柔軟なフレームワーク](https://chainer.org/)

Caffe（カフェ）は画像認識処理を得意とする深層学習ライブラリです。オープンソースのライブラリで、開発コミュニティの活動が活発で、世界中で開発が進められています。CaffeはC++で実装されており、高速処理が可能です。

そのためCaffeは物体認識や画像処理を得意としていますので、画像データを用いて深層学習を行いたい際には使用をおすすめします。

【参考】：[Caffe | Deep Learning Framework](https://caffe.berkeleyvision.org/)

<center>[あなたに合った企業選びをサポート致します。 エンジニア転職のご相談はぜひ *『マイナビIT エージェント』*へ！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)</center>

## PythonライブラリIを活用できる職種の年収

Pythonの機械学習ライブラリを活用できる職種はAIエンジニアですが、AIエンジニアが含まれるシステムエンジニアの年収を「マイナビエージェント職種図鑑」で見てみると、平均年収は431万円（※2024年3月執筆時点）です。

経済産業省2017年発表の「IT関連産業の給与等に関する実態調査結果」から近しい職種のIT技術スペシャリスト（特定技術(DB・NW・セキュリティ等））を参考にすると、平均年収は758万円と分かりました。

国税庁2020年発表の「民間給与実態統計調査」における民間企業平均年収は433万円なので、AIエンジニアは一般平均年収と同程度から高めであることが分かります。

AIエンジニアは活躍分野が広く、画像処理や音声認識など求められる技術も様々です。*AI技術の専門職として高度なスキルを有するAIエンジニアは、さらなる高収入を得られる可能性があります。*

【参考】：[マイナビエージェント職種図鑑](https://mynavi-agent.jp/it/jobindex/04.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)
※【平均年収 調査対象者】2020年1月～2020年12月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[IT関連産業における給与水準の実態① ~ 職種別（P7）](https://warp.da.ndl.go.jp/info:ndljp/pid/11623215/www.meti.go.jp/press/2017/08/20170821001/20170821001-1.pdf)
【参考】：[民間給与実態統計調査-国税庁](https://www.nta.go.jp/publication/statistics/kokuzeicho/minkan2020/pdf/002.pdf)

AIエンジニアの年収は低い？未経験から転職して高年収を得る方法を紹介

## ライブラリのメリットとデメリット

AI開発で利用するPython言語には多くの機械学習ライブラリがあります。このライブラリを上手く活用することで、開発の効率化、プログラミングの質向上を図れます。機械学習ライブラリ5選と深層学習ライブラリ5選、計10選を紹介しますのでぜひ参考にしてください。

Pythonを用いた機械学習モデルの構築で外せないのが機械学習に関するライブラリである

AI開発に欠かせない機械学習には深層学習も含まれ、その関係はAI>機械学習>深層学習となる

ライブラリ利用のメリットにはプログラミングスピードと質の向上、プログラミングスキル向上がある

Pythonの機械学習ライブラリ10選！メリット・デメリットも解説

*Python関連記事はこちらから↓*

Pythonの記事（1ページ目）

まず始めに、ここではPythonのライブラリとはどういったものなのか解説します。ライブラリの使い方やフレームワークとの違いについてもまとめたので、ライブラリに関する基礎知識を押さえるところから始めましょう。

**Pythonの活用が進んでいることから内容を増強し、「さらに活用できるPythonライブラリ3選」を盛り込んで解説していきます。**

Pythonとは？人気の理由と基本知識をわかりやすく解説！

Pythonでできることは？仕事で活かせる職種や将来性を解説

ライブラリとは、複数のプログラムをまとめ、再利用しやすくしたものです。プログラミングでは、同じコードを何度も書くのは非効率とされています。そこで、多く使う機能はライブラリにまとめ、何度でも使えるようにするのです。

**ライブラリを使うことで自分でソースコードを書く必要がなくなり、開発作業が楽になります。**また、機械学習などの複雑な開発もライブラリを使えば簡単に行えます。

プログラミングで使うライブラリとは？メリット・デメリットを解説

ライブラリを使う場合、ソースコードの上に「import ライブラリ名」と記述する必要があります。これでインストールされているライブラリを呼び出すことが可能です。

また、ライブラリの中の特定オブジェクトだけを使いたい場合は、「from モジュール名 import オブジェクト名」と記述します。*Pythonでライブラリを利用する場合、import文の記載を忘れないようにしましょう。*

Pythonの標準ライブラリの一覧については、以下で確認することができます。

【参考】：[Python 標準ライブラリ](https://docs.python.org/ja/3/library/index.html)

### ライブラリとフレームワークの違い

ライブラリとフレームワークはよく混同されがちですが、厳密には異なるものです。どちらも、複数のプログラムをひとまとめにした点は共通しています。しかし、フレームワークはより大きなまとまりになったものであり、プログラム全体の流れを限定させるものです。

例えるなら、*フレームワークは「枠組み」のようなものです。*まずどのフレームワークを使うかを決め、それからプログラミングを行います。**Pythonのフレームワークは、「Django」「Flask」「web2Py」などが挙げられます。**

一方ライブラリは、プログラミングに必要なものを一部「引用」して使います。ライブラリは、プログラム全体の流れを決めるものではありません。

Pythonフレームワークの概要からおすすめソフトウェアまで紹介

Djangoとは何か？できることや習得するメリットを解説

Flaskとは何か？基本機能やDjangoとの違いについて解説

Pythonの外部ライブラリとは、Pythonに標準装備されていない、外部からのインストールが必要なライブラリのことです。このPythonの外部ライブラリの一覧は、PYPI（Python Package Index）というサイトで探すことができます。ちなみに、外部ライブラリのインストールにはPythonの管理ツールであるpipを利用します。

<center>[Pythonの開発案件が多い求人情報もアリ？ 『マイナビIT AGENT』で転職相談を受けてみる](https://mynavi-agent.jp/it/lp/029.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv15)</center>

pipは、パッケージに関する様々な操作を行える標準ライブラリです。Pythonでパッケージを扱いたいなら、管理ツールであるpipの使用頻度は高くなります。例えば、**パッケージをインストールしたり、アップデートしたりする際に、pipライブラリを使うことになります。**

【参考】：[pip: Python環境構築ガイド](https://www.python.jp/install/windows/pip.html)

それでは、Pythonのライブラリについて解説します。まずは、*最低限覚えておきたいライブラリを6つ紹介します。*これらのライブラリは初学者であっても、使う頻度の高いものばかりです。これらの使い方は押さえておいた方が良いでしょう。

randomは、**ランダムに数値を生成できるライブラリです。**何らかの数値を出したい場合は、randomを利用します。例えば、おみくじやじゃんけんアプリを作りたい場合は、randomを使って乱数を生成すると良いでしょう。randomは使う頻度が多いライブラリの1つです。

【参考】：[random --- 擬似乱数を生成する](https://docs.python.org/ja/3/library/random.html)

datetimeは、日付や時間を扱うためのライブラリで、**今日は何日かや数年前の日時を取得することが可能です。**日付情報を扱いたい場合、datetimeライブラリを利用することになるでしょう。ただし、取得した日付のデータを整形したい場合は、他の種類のライブラリが必要です。

【参考】：[datetime --- 基本的な日付型および時間型](https://docs.python.org/ja/3/library/datetime.html)

osは、OSに関連した処理を行うためのライブラリです。OSに関連した処理とは、例えば**ファイルを削除したりディレクトリを作成したり、といった内容のことです。**Pythonでファイル操作を行いたい場合は、osライブラリを使うことになるでしょう。こちらも利用頻度が高いので、覚えておきたいところです。

【参考】：[os --- 雑多なオペレーティングシステムインターフェース](https://docs.python.org/ja/3/library/os.html)

reは、正規表現を使うためのライブラリです。**正規表現を使うことで、特定のパターンにマッチする数値かどうかを判定することができます。**例えば、フォームに入力されたメールアドレスや電話番号が、書式に沿っているかなどを判定することが可能です。

正規表現はPythonの基礎文法の1つであり、reライブラリは使う頻度が高いでしょう。ただし、import文を書き忘れることが多いライブラリなので、注意が必要です。

【参考】：[re --- 正規表現操作](https://docs.python.org/ja/3.12/library/re.html)

mathは、数学的処理を行うためのライブラリです。四則演算だけならライブラリなしで可能ですが、複雑な計算処理などを行いたい場合は、mathに頼ることが多いです。例えば、**絶対値や円周率を取得したい場合は、mathライブラリを使うと楽です。**他にも、指数関数・対数関数・三角関数といった、高校・大学数学で用いられる関数が使えます。

Pythonは機械学習の分野で多く使われる言語でもあり、その影響でmathライブラリの利用頻度も高いです。

【参考】：[math --- 数学関数](https://docs.python.org/ja/3/library/math.html)

Pythonのsplitとは？メソッドや関数で文字列を分割する方法

sysは、実行環境に関する処理を行うライブラリです。Pythonではインタプリタを使って、ソースコードを機械語に翻訳しているのですが、そのインタプリタに関する関数がまとめられています。例えば、**プログラムを強制終了させたい場合は、sysライブラリのexit関数が便利です。**sysライブラリも、Pythonの基本的なライブラリの1つです。

【参考】：[sys --- システムパラメータと関数](https://docs.python.org/ja/3/library/sys.html)

## さらに活用できるPythonライブラリ3選

Pythonの用途は日々拡大しています。**本解説では、おすすめライブラリーをさらに追加ピックアップしお伝えします。**多様なニーズに活用できるように、ライブラリの機能を分かりやすくご紹介していきます。

*jsonライブラリは、JSON（JavaScript Object Notation）フォーマットを処理します。*JSONは軽量であり、データ交換で活用されています。JavaScript のオブジェクトリテラルにより、アプリケーション間でのデータ交換に活用できるでしょう。

【参考】：[Python Docs: json --- JSON エンコーダおよびデコーダ](https://docs.python.org/ja/3/library/json.html)

JSONとは？概要からJSONファイルフォーマットまで解説！

JSONファイルとは？基本構造からファイルの作り方、読み書き方法まで解説

JSON入門！基本フォーマットからファイルの作り方まで解説

*calendarは、月間や年間のカレンダーを簡単に取得できるライブラリです。*出力形式もHTMLやリストなどで簡単に取得できるため、アプリで予定を追加可能するのに役立てられるでしょう。

【参考】：[Python Docs: calendar --- 一般的なカレンダーに関する関数群](https://docs.python.org/ja/3/library/calendar.html)

*dateutilは、先に紹介した標準ライブラリのdatetimeを拡張した外部ライブラリです。*日付処理を進めていくと、datetimeだけでは対応できない場面に遭遇します。例えば来月や来年の日付や、今月末の金曜日などの処理は、dateutilを用いることで難なく実装することができます。

【参考】：[dateutil - powerful extensions to datetime](https://dateutil.readthedocs.io/en/stable/)

続いて、*覚えておくと便利なPythonライブラリを4つ紹介します。*これらのライブラリは利用頻度は高くないものの、いざというときに頼りになるものばかりです。ライブラリなしでは実装が難しいことが多いので、覚えておくと良いでしょう。

matplotlibは、描画ライブラリです。*棒グラフや折れ線グラフなどを描画したい場合に使います。*Pythonで画像解析や数値解析を行う場合に、用いられることが多いライブラリです。

【参考】：[Matplotlib](https://matplotlib.org/)

Pillowは、画像処理を行うためのライブラリです。例えば、**画像の拡大や画像の読み込みをすることができます。**画像処理の基本的なことを網羅しているライブラリです。もっと高度なことがしたい場合は、他の画像処理のライブラリが必要になる場合もありますが、ひとまずPillowの使い方を覚えると良いでしょう。

【参考】：[Pillow](https://pillow.readthedocs.io/en/stable/)

requestsは、Webサイトのデータを取得するためのライブラリです。*Webサイトの文章や画像を取得し、ローカル環境で扱うことができます。*Pythonでスクレイピングを行う場合、なくてはならないライブラリです。

【参考】：[Requests: HTTP for Humans](https://requests.readthedocs.io/en/latest/)

beautifulsoupは、HTMLファイルを解析するためのライブラリです。*HTMLファイルから、特定タグの部分を抜き出すなどができます。*requestsと合わせて、スクレイピングを行う場合に利用されるライブラリです。

【参考】：[Beautiful Soup 4.12.0 documentation](https://www.crummy.com/software/BeautifulSoup/bs4/doc/)

## 機械学習で使うPythonライブラリ3選

続いて、*機械学習で使われるPythonライブラリを3つ紹介します。*Pythonは機械学習に向いている言語ということはご存知の方も多いでしょう。機械学習用のライブラリは数多くありますが、Pythonで機械学習や統計解析を行いたい場合は、本記事で紹介する3つのライブラリをまず覚えましょう。

Pythonの機械学習ライブラリ厳選10選！メリット・デメリットも解説

sklearnは機械学習専門のライブラリで、機械学習に必要なあらゆる機能がsklearnにまとめられています。**教師あり学習・教師なし学習・モデル選択・モデル評価・データセットの読み込み、などの機能が豊富です。**

Pythonで機械学習を行う場合、sklearnライブラリはなくてはならない存在です。機械学習をこれから勉強する方は、sklearnの使い方を押さえるところから始めるのがおすすめです。

【参考】：[Scikit-learn](https://scikit-learn.org/stable/)

今回はPythonの用途別ライブラリのおすすめを紹介します。Pythonの基礎文法は習得したものの、ライブラリはまだ理解できていない方も少なくないでしょう。今回は主要なライブラリを一覧でまとめているため、ライブラリを詳しく勉強したい方は本記事を参考にしてください。

Pythonのライブラリを使うことで、開発作業が楽になる

Pythonには、random・datetime・os・re・math・sysなど頻繁に使うライブラリがある

Pythonには、sklearn・pandas・Numpyなど機械学習向けライブラリもある

Pythonの用途別ライブラリ14選！おすすめの本も紹介

Pythonのコメントアウトは、ソースコード内で説明を付けたり、メモ（備忘録）を残したりするための重要な手法です。また、コメントアウト機能を用いて、ソースコードの一部を無効化したい時にも利用します。

*コメントアウトは、他のプログラマーにコード内容を伝えたり、自分自身でコードを理解しやすくしたりするために使用されます。*この記事では、コメントアウトの基本的な意味や使い方、留意すべきことなどについて解説します。Pythonエンジニアを目指す方はぜひ参考にしてください。

【参考】：[Welcome to Python.org](https://www.python.org/)

## コメントアウトをする理由と注意点

Pythonプログラミングでコメントアウトを行う理由は、主に以下の2つです。*コメントアウトを適切に利用して、分かりやすいプログラミングに努めましょう。*

### プログラムの説明やメモを書く

**コメントアウトを使うと、プログラムの内容や目的、変数の意味、関数の仕様などを自分や他の人に伝えることができます。**コメントアウトは、プログラムの可読性や保守性を高めるために重要です。コメントアウトを書くときは、以下の点に注意しましょう。

▪コメントアウトは、プログラムの動作や意図を説明するものであって、コードの内容をそのまま書くものではない
▪コメントアウトは、必要なときに必要なだけ書くものであって、過剰に書くものではない
▪コメントアウトは、プログラムの変更に合わせて更新するものであって、古くなったり矛盾したりするものではない

**コメントアウトを使うと、プログラムの一部を一時的に無効化することができます。**これは、コードの動作を確認したり、エラーの原因を探したり、別の方法を試すときに便利です。コメントアウトを使ってコードの試行錯誤をするときは、以下の点に注意しましょう。

▪コメントアウトしたコードは、必要に応じて元に戻すか削除するものであって、放置するものではない
▪コメントアウトしたコードは、その理由や目的を明記するものであって、無意味なものではない
▪コメントアウトしたコードは、他のコードとの整合性を保つものであって、混乱を招くものではない

【参考】：[Pythonコードのコーディング規約 ](https://pep8-ja.readthedocs.io/ja/latest/#)

Pythonの「コメントアウト」を知るには、*「コメント」と「コメント化」との違いも理解しておく必要があります。*それぞれ似ており、混同して使っている人もいますが、それぞれ異なりますので注意しましょう。

コメントの英語である「comment」は「注釈・解説」の意味ですが、Pythonなどのプログラム言語におけるコメントも「注釈・解説」と同じ意味です。*PythonやRubyなどでは、コメントを記述する際には「コメント構文」として「#（シャープ）」記号を使用します。*

実際には次のように使用します。

```
# この行はコメントです。プログラム実行時に無視されます。
```

このケースでは場合、1行目は先頭に#が書かれている場合は「ブロックコメント」と呼び、その行は全てコメントとして、プログラム実行時には無視されます。

```
print(Hello, World!)  # この部分はコメントです。
```

このケースでは#以降がコメントであり、#の前のコードは有効で、実行されます。*これを「インラインコメント」と呼びます。*

### コメントアウト（Comment Out）とは

**「コメント構文」を使用して、ソースコードをコメントに変更することで、一時的にプログラムの無効化をする場合を指します。**デバッグなどで、別のコードを利用する場合に、元のコードを残しておきたい場合などに利用します。この場合の主体はあくまでも自分です。

**コメント化は状態の変化を表す表現で、「文字列がコメントになる」といった意味で、コメントアウトされた状態を指します。**よく「コメント化する」というような使われ方をします。

### 複数行のコメント（Multi-Line Comment）

**複数行にまたがる説明文の場合は、‘’‘（シングルクォーテーションを3つ）または、“”（ダブルクォーテーションを3つ）で囲んだ文字列もコメントとして扱われます。**以下、複数行のコメント例です。

```
print(Multi-Line Comment)
"""
この文字列は
複数行です
"""
```

### アプリのショートカットで一括コメント化

Pythonのコーディングでは、**利用するエディターによってショートカットで簡単にコメント化できます。**たとえば、「Jupyter notebook」や「VSCode」では、コードを範囲指定してショートカットキー「 Ctrl 」+「 /」 でコメントアウトできます。

コメントを多用する方は、こうしたエディターを利用すると良いでしょう。

【参考】：[Project Jupyter | Home](https://jupyter.org/)
【参考】：[Visual Studio Code – コード エディター | Microsoft Azure](https://azure.microsoft.com/ja-jp/products/visual-studio-code)

Jupyter Notebookとは？その導入・操作方法を解説

VSCodeとは？定番のコードエディタを他のエディタと比較して解説

ここまで、Pythonのコメント機能について解説しました。改めて整理してみましょう。

1.「コメント」は「文字列」で注釈や解説のこと
2.「コメントアウト」はソースコードをコメントに変更し、自分が行う動作のことで、「ブロックコメント」や「インラインコメント」がある
3.「コメント化」は状態の変化を表す表現で、文字列が「コメントアウト」された状態を指す
4.1行をコメントにする場合は先頭、もしくは途中に「#」を付けると、「#」以降がコメントと認識される
5.複数行をコメントする場合は、文字列を(シングルクォーテーションを3つ）、または '''（ダブルクォーテーションを3つ）で前後から囲む

以上、コメントはコーディングで頻繁に利用しますので、使いながら覚えましょう。

Pythonでコメントアウトを使用した時にエラーが発生することがあります。*コメントアウトでよく起こるエラーとその対処法をまとめました。*以下、3つのエラーの原因と解決法について解説します。

複数行のコメントアウトがうまくできない、何度やってもエラーが起きるという方は参考にしてください。

### 1. インデントエラー（IndentationError）

インデントエラーが出る場合の原因と解決方法を紹介します。

*■ 原因*
関数内で三重引用符を使ったコメントアウトを行った際、インデントが正しく行われていないことが原因で起こります。

*■ 解決方法* 
連続するコードでインデントがずれているとエラーになりますので、関数内のコメントアウト部分に適切なインデントを追加します。

```
def my_function():   
 """関数の説明"""
    print("Hello, World!")
```

```
def my_function():
    """関数の説明"""
print("Multi-Line Comment")
```

### 2. ダブルクォーテーションのエラー（SyntaxError: invalid character in identifier）

ダブルクォーテーションエラーが出る場合の原因と解決方法を紹介します。

*■ 原因*
コメントアウト範囲内でダブルクォーテーションを正しく使わないとエラーが発生します。

*■ 解決方法* 
正しいダブルクォーテーションを使います

```
""
これはダブルクォーテーションが2つ重なっているためエラーです。
""
```

```
"""
これは複数行のコメントです。
ここに詳細な説明を記述します。
"""
```

### 3. 文字コードエラー（SyntaxError: Non-UTF-8 code starting with ‘\x83’ in file）

文字コードエラーが出る場合の原因と解決方法を紹介します。

プログラミング言語の記事（15ページ目）