# 【初心者向け】Pythonでできること7選！サンプルコードをまじえて解説！

> 当サイト【スタビジ】本記事では、Pythonでできることを7つまとめていきます！！Pythonで何ができるのか分からない状況から深い理解にもっていきますよー！実際にPythonでの実装例や勉強方法も取り上げているのでぜひご自分の環境で手を動かして実装してみてくださいね！

- URL: https://toukei-lab.com/python-can
- 公開: 2022.11.29 / 更新: 2026.10.28
- サイト: スタビジ（https://toukei-lab.com）

:::talk{who="umatan"}
当サイト【スタビジ】の本記事では、Pythonでできることを7つまとめていきます！！Pythonで何ができるのか分からない状況から深い理解にもっていきますよー！実際にPythonでの実装例や勉強方法も取り上げているのでぜひご自分の環境で手を動かして実装してみてくださいね！
:::

こんにちは！

データサイエンティストのウマたん([@statistics1012](https://twitter.com/statistics1012?lang=ja))です。

大学院時代は統計学専攻でRをメインに使っていましたが、社会人になってからはもっぱらPythonを使っています。

:::talk{who="robotan"}
RとPythonってどっちの方がよいのー？
:::

:::talk{who="umatan"}
データ解析の言語としてはRとPythonぶっちゃけどっちでもよいんだけど、やっぱりできることの幅はPythonの方が広いかなー！
:::

実際のところ、<mark>RからPythonに移行してみてできることの幅は大きく広がりました！！</mark>

実際にPythonを学ぶにつれてPythonのできることの幅の広さに驚きPythonの魅力にのめり込んでいきました！

<https://toukei-lab.com/python-learn>

とはいえ、Pythonでできることや学ぶ意味を知ってからじゃないと本腰入れて勉強できないですよねー！

そこで、この記事では**Pythonで何ができるのか！**&#x306B;ついて見ていきたいと思います。

実際にPythonでのコード例も記載しているのでぜひ参考にしてみてくださいねー！

ちなみに以下のUdemy講座でPythonで出来ることについて僕自身が話していますので詳しく知りたいという方はぜひ受講してみてください！

:::box
**[【実践】ビジネスケースとつなげてPythonで出来ること5つを学べる3日間集中コース](https://www.udemy.com/course/python-can/?referralCode=2CBAD21040FF57199084)**

[![Udemy python](/wp-content/uploads/2020/04/Udemy-me2-min-1024x554.jpg)](https://www.udemy.com/course/python-can/?referralCode=2CBAD21040FF57199084)
:::

## Pythonとは

![Pythonとは](/wp-content/uploads/2022/11/96-1024x576.jpg)

まず、Pythonとはどんな言語なのか簡単にみていきましょう！

Pythonとは<mark>1991年に開発され現在全世界で非常に幅広い人に使用されている言語</mark>です。

他のプログラミング言語と比較してコードがシンプルで分かりやすく、エンジニアでなくても使いやすいのが特徴です。

:::talk{who="robotan"}
シンプルだとあんまりたくさんのことが出来ないんじゃないのー？
:::

:::talk{who="umatan"}
いいや！シンプルでありながらも非常に多くのことができるんだよー！ビックリするはず！
:::

そう、<mark>Pythonは簡単で分かりやすい言語でありながら非常に多くのことができる優秀な言語なんです！</mark>

最初に学ぶプログラミング言語としても最適ですよー！

## Pythonでできること7つ【コード例】

![python](/wp-content/uploads/2019/08/Admin-amico-min.png)

そんなシンプルでプログラミング初心者にもやさしいPythonが<mark>できることの幅広さはプログラミング言語の中でも随一！！</mark>

実際に何ができるのか具体的な例と共にみていきましょう！

以下のYoutube動画でも解説しています！

::youtube{#1wUcU-z8y3Y}

### データ集計・加工・描画

![Coding](/wp-content/uploads/2017/11/Coding-amico.png)

データの集計・加工・描画に便利な[numpy](/numpy)/[pandas](/python-pandas)/[matplotlib](/python-matplotlib)などのフレームワークが用意されており、簡単に行うことができます！

これらは、<mark>データ解析を行う下準備に必要になってくるので必須な初歩スキル</mark>です！

Rだとdplyrパッケージによって同等の処理ができますが、Pythonの方が圧倒的に使いやすいです。

簡単にIrisデータというあやめの花のデータをカンタンに加工・集計していきますよ！

```python title="python-processing.py"
###  1.データ集計・加工・描画

# ライブラリの読み込み
from sklearn import datasets
import pandas as pd

# irisデータの読み込み
iris = datasets.load_iris()
iris
##irisデータの可視化


data_df = pd.DataFrame(iris.data,columns=iris.feature_names)
target_df = pd.DataFrame(iris.target).rename(columns={0:'target'})

data_df.head()
##data_dfの上部5行が表示


data_df.shape
##行列構造が表示される　(150,4)


target_df.head()
##target_dfの上部5行が表示


target_df.shape
##行列構造が表示される　(150,1)


data_df.describe()
##統計量がカラムごとに表示される


data_df.columns
##カラム名が表示される


target_df['target'].unique()
##目的変数のカテゴリが表示


target_df['target'].value_counts()
##カテゴリごとのデータ数を集計


df = pd.concat([target_df,data_df],axis=1)
df.head()
##目的変数と説明変数を結合して可視化


df.groupby('target')['sepal length (cm)'].mean()
##目的変数でグルーピングして説明変数の平均を取る


```

実際に順を追って実装してみてくださいね！

```python
data_df.head()
##data_dfの上部5行が表示
```

![Python Can](/wp-content/uploads/2019/12/python-can2.jpg)

```python
data_df.describe()
```

![Python Can](/wp-content/uploads/2019/12/python-can3.jpg)

これだけの記述で統計量が確認できちゃうんです！

```python
df.groupby('target')['sepal length (cm)'].mean()
```

> target\
> 0 5.006\
> 1 5.936\
> 2 6.588\
> Name: sepal length (cm), dtype: float64

groupbyは非常にデータ集計に有用なので是非使いこなせるようにしてくださいね！

### 機械学習を使った回帰・分類

![](/wp-content/uploads/2019/06/svm2.jpg)

やはり、Pythonの特徴は<mark>機械学習フレームワークの充実</mark>。

様々な回帰・分類手法を実際に実装することが可能です。

最新の手法も比較的早くライブラリに実装されるので、最新のトレンドをキャッチアップしやすいのが特徴です。

[機械学習手法](/machine-learning-fresh)は非常に多くの種類があります。

その中でも最もよく使われる手法の1つである[Light gbm](/light-gbm)について見ていきましょう！

Light gbmは[決定木](/%e6%b1%ba%e5%ae%9a%e6%9c%a8)と勾配ブースティングを組み合わせた[勾配ブースティング木](/gradient-boosting)の1種で非常に強力なことから実務でも[データ分析コンペ](/data-competition)でもよく用いられます。

ここでは、データ分析コンペ [DataDojo](https://data-dojo.org/competitions/0aedc9c6-9bb1-45a5-a4b6-a1be3002dbd3)の「**中古マンション価格予測チャレンジ**」というコンペのデータに対してLight gbmを実装してみたいと思います。

国産データコンペのNishika（2026年3月にサービス終了）で開催されていたトレーニングコンペで、今はDataDojoで同じコンペに無料で参加できます。

Pythonであればいとも簡単に実装することができるんです！

まず [DataDojo](https://data-dojo.org/competitions/0aedc9c6-9bb1-45a5-a4b6-a1be3002dbd3)にGoogleアカウントでログインし、コンペの「データ」タブから学習データ（train.zip）とテストデータ（test.csv）をダウンロードしてください（※ログインしないとデータをダウンロードできません）。

ダウンロードしたデータに対してデータフレームを作成し、前処理を施した上でLight gbm を適用させていきます。

コードは以下になります。

```python title="Light-gbm-nishika.py"
import glob
import pandas as pd
import numpy as np
import lightgbm as lgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error as mae

files = glob.glob("train/*.csv")
data_list = []
for file in files:
    data_list.append(pd.read_csv(file, index_col=0))
df = pd.concat(data_list)

def data_pre(df):
    nonnull_list = []
    for col in df.columns:
        nonnull = df[col].count()
        if nonnull == 0:
            nonnull_list.append(col)
    df = df.drop(nonnull_list, axis=1)

    df = df.drop("市区町村名", axis=1)

    df = df.drop("種類", axis=1)

    dis = {
        "30分?60分":45,
        "1H?1H30":75,
        "2H?":120,
        "1H30?2H":105
    }
    df["最寄駅：距離（分）"] = df["最寄駅：距離（分）"].replace(dis).astype(float)

    df["面積（㎡）"] = df["面積（㎡）"].replace("2000㎡以上", 2000).astype(float)


    y_list = {}
    for i in df["建築年"].value_counts().keys():
        if "平成" in i:
            num = float(i.split("平成")[1].split("年")[0])
            year = 33 - num
        if "令和" in i:
            num = float(i.split("令和")[1].split("年")[0])
            year = 3 - num
        if "昭和" in i:
            num = float(i.split("昭和")[1].split("年")[0])
            year = 96 - num
        y_list[i] = year
    y_list["戦前"] = 76
    df["建築年"] = df["建築年"].replace(y_list).astype(float)

    year = {
        "年第１四半期": ".25",
        "年第２四半期": ".50",
        "年第３四半期": ".75",
        "年第４四半期": ".99"
    }
    year_list = {}
    for i in df["取引時点"].value_counts().keys():
        for k, j in year.items():
            if k in i:
                year_rep = i.replace(k, j)
        year_list[i] = year_rep
    df["取引時点"] = df["取引時点"].replace(year_list).astype(float)
    
    for col in ["都道府県名", "地区名", "最寄駅：名称", "間取り", "建物の構造", "用途", "今後の利用目的", "都市計画", "改装", "取引の事情等"]:
                df[col] = df[col].astype("category")
    
    return df
    
df = data_pre(df)

df_train, df_val =train_test_split(df, test_size=0.2)

col = "取引価格（総額）_log"
train_y = df_train[col]
train_x = df_train.drop(col, axis=1)

val_y = df_val[col]
val_x = df_val.drop(col, axis=1)

trains = lgb.Dataset(train_x, train_y)
valids = lgb.Dataset(val_x, val_y)

params = {
    "objective": "regression",
    "metrics": "mae"
}

model = lgb.train(params, trains, valid_sets=valids, num_boost_round=1000, callbacks=[lgb.early_stopping(100)])

df_test = pd.read_csv("test.csv", index_col=0)
df_test = data_pre(df_test)

predict = model.predict(df_test)
df_test["取引価格（総額）_log"] = predict
df_test[["取引価格（総額）_log"]].to_csv("submit_test.csv")
```

LightGBM 4.0から`early_stopping_rounds`の引数はなくなったので、`callbacks`で`lgb.early_stopping(100)`を渡しています。

最後の部分でテストデータの予測値を`submit_test.csv`に書き出しているので、コンペの「提出」タブからアップロードすれば自動で採点されます（評価指標はRMSEです）。

以下の記事でより詳しくLight gbmの実装についてまとめていますのでチェックしてみてください！

<https://toukei-lab.com/light-gbm>

ちなみに[ディープラーニング（深層学習）](/deep-learning)まわりの手法も比較的カンタンに実装できちゃいます。

一般的な機械学習と比較すると高度な手法ですが、それでもPythonを使えば簡単に実装することができるんですよー！

<mark>TensorflowやKerasなどの使いやすいフレームワークが用意</mark>されているのです。

実際にディープラーニングを実装しているコードを以下に記載しておきます。

以下は手書き文字の分類タスクにディープラーニングを適用させています。

```python title="Deep-learning.py"
import numpy as np
from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow import keras
from tensorflow.keras.layers import Dense, Activation
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import to_categorical


# Kerasに付属の手書き数字画像データをダウンロード
np.random.seed(0)
(X_train_base, labels_train_base), (X_test, labels_test) = mnist.load_data()

# Training set を学習データ（X_train, labels_train）と検証データ（X_validation, labels_validation）に8:2で分割する
X_train,X_validation,labels_train,labels_validation = train_test_split(X_train_base,labels_train_base,test_size = 0.2)

# 各画像は行列なので1次元に変換→X_train,X_validation,X_testを上書き
X_train = X_train.reshape(-1,784)
X_validation = X_validation.reshape(-1,784)
X_test = X_test.reshape(-1,784)

#正規化
X_train = X_train.astype('float32')
X_validation = X_validation.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_validation /= 255
X_test /= 255

# labels_train, labels_validation, labels_test をダミー変数化して y_train, y_validation, y_test に格納する
y_train = to_categorical(labels_train)
y_validation = to_categorical(labels_validation)
y_test = to_categorical(labels_test)

# パラメータの設定
n_features = 784
n_hidden   = 100
bias_init = 0.1

# 学習率
rate       = 0.01

# Sequentialクラスを使ってモデルを準備する
model = Sequential()

# 隠れ層を追加
model.add(Dense(n_hidden,activation='relu',input_shape=(n_features,)))
model.add(Dense(n_hidden,activation='relu'))
model.add(Dense(n_hidden,activation='relu'))

# 出力層を追加
model.add(Dense(10,activation='softmax'))

# TensorFlowのモデルを構築
model.compile(optimizer=tf.optimizers.Adam(rate),
              loss='categorical_crossentropy', metrics=['mae', 'accuracy'])

# Early stoppingを適用してフィッティング
log = model.fit(X_train, y_train, epochs=3000, batch_size=100, verbose=True,
                callbacks=[keras.callbacks.EarlyStopping(monitor='val_loss', 
                                                     min_delta=0, patience=10, 
                                                         verbose=1)],
                validation_data=(X_validation, y_validation))

# Test dataで予測を実行。
pred_test = model.predict_classes(X_test)

validation = (pred_test == labels_test)
size       = validation.size
size
correct    = np.count_nonzero(validation)
print(f"{correct}/{size} correct ({correct*100/size:.3f}%)")
```

具体的には以下の記事にまとめていますので見てみてください！

<https://toukei-lab.com/deep-learning>

本当に色々な機械学習手法が実装できます。

機械学習手法はここで取り上げたLight gbm やディープラーニング以外にもたくさんの手法がありますので気になる方は以下の記事でチェックしてみてください！

<https://toukei-lab.com/machine-learning-fresh>

### WEBスクレイピング

![blog](/wp-content/uploads/2020/07/Blog-post-amico.png)

WEBスクレイピングとは<mark>WEB上の情報をクロールして抽出することのできる方法</mark>です。

毎回手動でデータを引っ張ってくるのは非常に面倒であるため、スクレイピングを使って自動でデータを引っ張ってくることが多いです。

非常に応用の範囲が広い技術で、様々な場面で用いられています。

例えば、**スクレイピングを使うことで株価の情報などを自動的に日々抽出して自動売買するなど応用が可能**です。

スクレイピングはPythonの「Requests」「beautifulsoup」というライブラリを使えば簡単に実装可能です。

ただスクレイピングは<mark>サーバーに負荷がかかるのでスクレイピングが対象サイト内で禁止されていないか注意</mark>しましょう！

実際にURLを渡すとページ内pタグのテキストを返してくれるスクレイピングを実装したコードを載せておきます。

```python title="Scraping.py"
#!/usr/bin/python3
# -*- coding: utf-8 -*-
#ライブラリーインポート
import requests 
from bs4 import BeautifulSoup
from time import sleep

#スクレイピング
class Scr():
    def __init__(self, urls):
        self.urls=urls

    def geturl(self):
        all_text=[]
        for url in self.urls:
            r=requests.get(url)
            c=r.content
            soup=BeautifulSoup(c,"html.parser")
            article1_content=soup.find_all("p")
            temp=[]
            for con in article1_content:
                out=con.text
                temp.append(out)
            text=''.join(temp)
            all_text.append(text)
            sleep(1)
        return all_text

sc=Scr(["https://toukei-lab.com/conjoint","https://toukei-lab.com/correspondence"])
print(sc.geturl())
```

スクレイピングについて詳しく知りたい方は以下の記事を見てみてください！

<https://toukei-lab.com/python-scraping>

### データベース操作

![Site Stats](/wp-content/uploads/2017/11/Site-Stats-amico.png)

なんと<mark>Pythonから[SQL](/sql%e3%82%aa%e3%82%b9%e3%82%b9%e3%83%a1%e6%9c%ac)を使うことも出来ちゃうんです！</mark>

<https://toukei-lab.com/sql%e3%82%aa%e3%82%b9%e3%82%b9%e3%83%a1%e6%9c%ac>

もちろんSQLの知識は必要ですか、PythonからSQLに接続しDB操作しSQLの記述で抽出・加工し戻すことが可能です。

PythonでSqlite3を使用するコード例を以下に載せておきます。

```python title="sqlite.py"
import sqlite3

dbname = 'trains.db'

conn=sqlite3.connect(dbname)
c = conn.cursor()

# executeメソッドでSQL文を実行する
create_table = 'create table toukeilab (id value,name verchar)'
c.execute(create_table)

# SQL文に値をセットする場合は，Pythonのformatメソッドなどは使わずに，
# セットしたい場所に?を記述し，executeメソッドの第2引数に?に当てはめる値をタプルで渡す．
sql = 'insert into toukeilab (id, name) values (?,?)'
namelist = (1, "uma")
c.execute(sql, namelist)

conn.commit()

select_sql = 'select * from toukeilab'

c.execute(select_sql)
result=c.fetchone()

conn.close()

print(result)
```

以下の記事で詳しくまとめていますのでよければ見てみてください！

<https://toukei-lab.com/python-sqlite3>

### API連携

![Content](/wp-content/uploads/2017/11/Content-amico.png)

<mark>外部アプリケーションのAPIを叩いてデータ連携することが可能</mark>です。

現在は様々なアプリケーションにおいてAPIが公開されているので、どんどんAPIを取り入れていくことが重要です！！

ちなみにGoogle search consoleのAPIを叩いて検索クエリを抽出するコード例を以下に載せておきまーす！

```python title="GSC-API.py"

import pandas as pd
from googleapiclient.discovery import build
from oauth2client.service_account import ServiceAccountCredentials

url = ['https://www.googleapis.com/auth/webmasters.readonly']
file = '[JSONファイルの置き場所]'
credentials = ServiceAccountCredentials.from_json_keyfile_name(url, file)
webmasters = build('webmasters', 'v3', credentials=credentials)

domain = '[あなたのドメイン]'
dimensions = ['query', 'page']
startDate = '2019-10-01'
endDate = '2019-11-01'
rowLimit = 5000

body = {
    'startDate': startDate,
    'endDate': endDate,
    'dimensions': dimensions,
    'rowLimit': rowLimit
}

response = webmasters.searchanalytics().query(siteUrl=domain, body=body).execute()
df = pd.io.json.json_normalize(response['rows'])

for i, d in enumerate(dimensions):
    df[d] = df['keys'].apply(lambda x: x[i])

df.drop(columns='keys', inplace=True)
df.to_csv('{}.csv'.format(start_date), index=False)
print(df)
```

詳しい内容は以下の記事を見てみてください！

<https://toukei-lab.com/google-search-console-api>

また<mark>[ChatGPT](/gpt)のAPIとPythonを組み合わせることでより自由な処理が可能になります。</mark>

例えば、”田中さんの6/30のスケジュールを教えてー！”と入力するとGPTのAPIと連携し、言葉から必要な関数を判別・実行して結果（この例だとスケジュール内容）を返答するプログラムを作成できます。

GPTのAPIを呼ぶ処理は以下になります。

```python
def run_conversation(prompt):
    # GPTのAPIへのリクエストを定義
    input_list = [{"role": "user", "content": prompt}]
    tools = [
        {
            "type": "function",
            "name": "get_schedule",
            "description": "特定の日付のスケジュールを取得して返す",
            "parameters": {
                "type": "object",
                "properties": {
                    "date": {
                        "type": "string",
                        "description": "日付"
                    },
                    "person": {
                        "type": "string",
                        "description": "人の名前"
                    },
                },
                "required": ["date","person"]
            }
        }
    ]
    response = client.responses.create(
        model="gpt-6-luna",
        input=input_list,
        tools=tools,
        tool_choice="auto",
    )
```

詳しくは以下の記事を見てください！

<https://toukei-lab.com/function-calling>

このように生成系AIもPythonを使って実装することが出来ます。

当メディアが運営する[**スタアカ**](https://toukei-lab.com/achademy/)の以下のコースで詳しく解説しているので、チェックしてみて下さい！

:::box
**・[スタアカ「14.大規模言語モデル（LLM）・生成系AIコース」](https://toukei-lab.com/achademy/courses/llm/)\
・[スタアカ「プロンプトエンジニアリングコース」](https://toukei-lab.com/achademy/courses/prompt-engeneering/)**
:::

Pythonを使ったAPI利用についてはより詳しく以下の記事でまとめています！

<https://toukei-lab.com/api>

### 自動化

![road](/wp-content/uploads/2020/06/Processing-amico-min.png)

Pythonではブラウザ操作などを自動化することもできます！

例えば「Selenium」というWeb ブラウザの操作を自動化するためのフレームワークをPythonで動かすことが出来ます

Seleniumをpip installするだけではなく、Chromeブラウザを操作するためのChrome Driverのダウンロードが必要です。

この時、使っているChromeブラウザのバージョンとChrome Driverのバージョンが一致するように気を付けましょう！

<mark>ここが一致しないと上手く動作しません。</mark>

Chrome Driverは以下のページからダウンロードしてください。

:::ref
[ChromeDriver – WebDriver for Chrome](https://sites.google.com/a/chromium.org/chromedriver/home)
:::

自分が使っているChromeブラウザのバージョンはブラウザ右上の3点リーダーメニューから以下のように確認することができます。

![Google Driver](/wp-content/uploads/2020/08/19412f4f93715b242ac6f12fbed4fd24.jpg) ![Google Driver](/wp-content/uploads/2020/08/f94374280d2abe993eb60ae731d648d1.jpg)

この場合使っているChromeブラウザのバージョンは84なので、Chrome Driverのバージョンも84を選ぶようにしましょう！

![Google Driver](/wp-content/uploads/2020/08/Chrome-Driver-min.jpg)

ダウンロードしたChrome Driverは任意のディレクトリフォルダに格納しておきましょう。

**Googleで検索をして上位1位のサイトをクリックしてh2タグの情報を取得して、画面をスクリーンショットで保存する処理**を以下にまとめています。

```python title="Selenium_test.py"
from selenium import webdriver
import time

driver = webdriver.Chrome()

#Googleのブラウザを開く
driver.get('https://www.google.com/')
time.sleep(2)

#スタビジを検索
search_box = driver.find_element_by_name('q')
search_box.send_keys('スタビジ')
search_box.submit()
time.sleep(2)

#検索結果1位をクリック
g = driver.find_elements_by_class_name("g")[0]
r = g.find_element_by_class_name("r")
r.click()

#h2の要素を取得
for h2 in driver.find_elements_by_tag_name("h2"):
    print(h2.text)

#画面キャプチャ
driver.maximize_window()
driver.save_screenshot('スタビジ.png')

#ブラウザを閉じる
driver.quit()

```

SeleniumをPythonで動かす方法に関しては以下の記事で詳しくまとめていますので、ぜひチェックしてみてください！

<https://toukei-lab.com/selenium-python>

また、Pythonの自動化については以下の記事で詳しくまとめています。

<https://toukei-lab.com/python-automation>

### Webアプリケーション開発

![pc python](/wp-content/uploads/2019/08/Work-time-amico-min.png)

最後が<mark>Webアプリケーション開発！！</mark>

機械学習やAPI連携・スクレイピングだけでなく、FlaskやDjangoなどのフレームワークを用いれば、サーバーサイド言語としてWebアプリケーション開発に用いることができるんです！！！

<https://toukei-lab.com/flask-django>

Webアプリケーションの開発は、Pythonの真骨頂でありRとの大きな違いでもあります。

ただ、<mark>RubyやPHPなどの言語と比較すると処理速度が遅いなどのデメリットも存在します。</mark>

PythonでのWebアプリ開発については以下の記事で詳しくまとめていますのでチェックしてみてください！

<https://toukei-lab.com/python-webapp>

Flaskを用いて、有意差を計算するWebアプリケーションを作成した記事を以下にまとめています。

<https://toukei-lab.com/python-flask>

またDjangoでの開発については以下の記事でまとめています。

<https://toukei-lab.com/django>

<https://toukei-lab.com/django-study>

## Pythonのメリット

![Teacher](/wp-content/uploads/2017/11/Teacher-amico.png)

Pythonでできることは分かってもらえたと思いますが、これらを実装できる言語は他にもあります。

:::talk{who="robotan"}
他の言語があるのに、なんでPythonを使う必要があるのー？？
:::

:::talk{who="umatan"}
うんうん、確かに疑問に思うのも無理はない！Pythonにどんなメリットがあるのか見ていきましょう！
:::

### データ分析が絡むなら単体で強力

まあデータ分析関係なら<mark>基本的にPythonの右に出る言語は今のところいない</mark>でしょう。

Rはグラフ描画に、Stanはモデリングに優れていたりしますが、総合的にはやはりPythonですねー！！

<https://toukei-lab.com/statistics-programming>

データ分析がしたいならPythonを選んでおいて問題はないです。

### コードがシンプル

Pythonはコードの階層構造を大事にしており、それがズレると構文エラーを起こします。

最初は慣れないかもしれませんが、<mark>慣れると非常に構文がスッキリしていてどんな人が書いた構文でも比較的読みやすい</mark>です！

Udemyの以下の講座で、Python記法のルールが身に付くので興味のある方はぜひチェックしてみてください！

:::ref
[現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル](https://trk.udemy.com/vPa7WA)
:::

コードもシンプルで済みます。

### できることの幅が広い

さきほど見てきましたが、<mark>できることが7つもある</mark>のです！！

そんな言語は他には存在しません。

スクレイピングで時系列データで情報を吸い上げて、それを基に予測を行いそれを出力するWebアプリケーションなどもPythonで完結できちゃいますね

:::talk{who="robotan"}
わー！いいことばかり！デメリットはないの？？
:::

:::talk{who="umatan"}
デメリットは処理速度が遅いところかなー！多様性に適用するために速度が犠牲になっているんだ！
:::

## Pythonを勉強する方法

![Working late](/wp-content/uploads/2017/11/Working-late-amico.png)

Pythonで出来ることやPythonを使うメリットが分かったところで、そんな**Pythonをどのように勉強していけばよいのでしょうか？**

僕自身、<mark>なかなかPythonの勉強が捗らず苦労した経験があります。</mark>

そんな僕がオススメするPythonの勉強方法をまとめていきます！

僕自身、[Udemy](https://trk.udemy.com/kOqmZL)・[PyQ](https://af.moshimo.com/af/c/click?a_id=1419635\&p_id=1166\&pc_id=1793\&pl_id=20541\&guid=ON)などのサービスをコスパよく利用していました。

Pythonはできることの幅が広いので、まずは<mark>Pythonを使って何をしたいのかを明確にするべきです。</mark>

Pythonで出来ることについては以下のUdemy講座を僕自身が公開していますので是非参考にしてみてください！

**[【実践】ビジネスケースとつなげてPythonで出来ること5つを学べる3日間集中コース](https://www.udemy.com/course/python-can/?referralCode=2CBAD21040FF57199084)**

[![Udemy python](/wp-content/uploads/2020/04/Udemy-me2-min-1024x554.jpg)](https://www.udemy.com/course/python-can/?referralCode=2CBAD21040FF57199084)

<table class="table">
<tbody>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【講師】</th>
<td>僕自身！今なら購入時に「FLSHDGEJURXF」という講師クーポンコードを入れると90%オフ以上の割引価格になりますのでぜひご受講ください！</td>
</tr>
<tr>
<th>【時間】</th>
<td><span>3.5時間</span></td>
</tr>
<tr>
<th>【レベル】</th>
<td><span>初級～中級</span></td>
</tr>
</tbody>
</table>

手前味噌ですが、<mark>まずPythonについて理解してみるのにオススメなコースを僕自身が出しています！</mark>

Pythonで出来ることのうち以下の5つを網羅して学んでいきます。

:::box
**・データ集計・加工・描画**\
**・機械学習を使ったモデル構築**\
**・Webスクレイピング**\
**・APIの利用**\
**・Webアプリケーション開発**
:::

データ集計・加工・描画と機械学習モデル構築に関しては[Kaggle](/kaggle)というデータ分析コンペティションのWalmartの小売データを扱いながら学んでいきます。

[Webスクレイピング](/python-scraping)とAPI利用と[Webアプリケーション開発](/python-webapp)に関しては、楽天の在庫情報を取得してSlackに自動で通知するWebアプリケーションを作成して学んでいきます。

Pythonで何ができるのか知りたい！という方には一番はじめにまず受けていただきたいコースです！

::button[このコースを見てみる]{href="https://www.udemy.com/course/python-can/?referralCode=2CBAD21040FF57199084" note="＼30日以内なら返金無料／"}

Pythonを使って実現したいことが明確でない人と明確な人では勉強法が違いますので別々にみていきますね。

ちなみにこの記事で紹介してきたPythonで出来ることについては以下の書籍で小説形式でまとめていますのでよければ見てみてください！

::product[【入門】Pythonを覚えてエリートリーマンへ！落ちこぼれリーマンの逆転劇]{url="https://www.amazon.co.jp/dp/B08YXH5LY4?tag=statistic08-22&linkCode=ogi&th=1&psc=1" image="https://m.media-amazon.com/images/I/41Wecy7znOL._SL160_.jpg" amazon="https://www.amazon.co.jp/dp/B08YXH5LY4?tag=statistic08-22&linkCode=ogi&th=1&psc=1" kindle="https://www.amazon.co.jp/dp/B08YXH5LY4?tag=statistic08-22&linkCode=ogi&th=1&psc=1"}

価格は300円ちょっとですし、[Kindle unlimited](https://www.amazon.co.jp/kindle-dbs/hz/subscribe/ku?ref_=dbs_p_ebk_r00_pbcb_diupu0_hpe3p0\&passThroughAsin=B089FHMJMB&_encoding=UTF8\&shoppingPortalEnabled=true&_encoding=UTF8\&tag=statistic08-22\&linkCode=ur2\&linkId=6234f336129dd97c7c7749d98135bc96\&camp=247\&creative=1211)であれば無料で読めるのでぜひチェックしてみてくださいね！

### Pythonで何がしたいのか明確な人にオススメの勉強法

まずは、Pythonで何がしたいのか明確な人！

独学で自走できる人におすすめのサービスを紹介していきます！

#### Udemy

![Udemy](/wp-content/uploads/2020/01/udemy-min-scaled.jpg)

公式サイト：[https://www.udemy.com/](https://www.udemy.com/courses%2Fsearch%2F%3Fq%3DPython)

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>1200円～（コース売り切り型）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
</tbody>
</table>

何がしたいのか明確な人は[Udemy](https://trk.udemy.com/kOqmZL)で自分の実現したいことを解説してくれている講座を受講してみるとよいでしょう！

[Udemy](https://trk.udemy.com/kOqmZL)は世界最大のオンライン学習プラットフォームなんです！

:::box{title="Udemyの基本情報"}
・世界最大のオンライン学習プラットフォーム\
・日本事業ではベネッセがパートナーになっている\
・15万種類ものコース\
・約3億人のユーザー登録\
※2020年3月時点
:::

コースは<mark>買い切り制で気に入らなかったら返品もできるので非常におすすめ</mark>です。

こちらも手前味噌ですが、僕自身がデータ分析関連のUdemyコースを公開しています！！

**[【初学者向け】データ分析コンペで楽しみながら学べるPython×データ分析講座](https://www.udemy.com/course/python-data/?referralCode=06466D9A805A034B1A97)**

[![Udemy-course](/wp-content/uploads/2020/04/Udemy-me-min-1024x543.jpg)](https://www.udemy.com/course/python-data/?referralCode=06466D9A805A034B1A97)

<table class="table">
<tbody>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【講師】</th>
<td><span>僕自身！今なら購入時に「FLSHDGEJURXF」という講師クーポンコードを入れると90%オフ以上の割引価格になりますのでぜひご受講ください！</span></td>
</tr>
<tr>
<th>【時間】</th>
<td><span>4時間</span></td>
</tr>
<tr>
<th>【レベル】</th>
<td><span>初級～中級</span></td>
</tr>
</tbody>
</table>

僕自身がUdemyの色んなコースを受けてみた中で、<mark>他のコースにはないこんなコースあったらいいなみたいなコースを作ってみました。</mark>

このコースは、**なかなか勉強する時間がないという方に向けてコンパクトに分かりやすく必要最低限の時間で重要なエッセンスを学び取れるように**作成しています。

**アニメーションを使った概要編**と**ハンズオン形式で進む実践編**に分かれており、概要編では体系的にデータ分析・機械学習導入の文脈でまとめています。

データサイエンスの基礎について基本のキから学びつつ、なるべく堅苦しい説明は抜きにしてイメージを掴んでいきます。

統計学・機械学習の基本的な内容を学び各手法の詳細についてもなるべく概念的に分かりやすく理解できるように学んでいきます。

そしてデータ分析の流れについては実務に即した[CRISP-DM](/crisp-dm)というフレームワークに沿って体系的に学んでいきます！

データ分析というと機械学習でモデル構築する部分にスポットがあたりがちですが、それ以外の工程についてもしっかりおさえておきましょう！

続いて実践編ではデータコンペの中古マンションのデータを題材にして、実際に手を動かしながら機械学習手法を実装していきます。

ここでは、探索的にデータを見ていきながらデータを加工し、その上で[Light gbm](/light-gbm) という機械学習手法を使ってモデル構築までおこなっていきます。

是非興味のある方は受講してみてください！

::button[このコースを見てみる]{href="https://www.udemy.com/course/python-data/?referralCode=06466D9A805A034B1A97" note="＼30日以内なら返金無料／"}

#### PyQ

[![PyQ　トップページ](/wp-content/uploads/2019/09/python-title.jpg)](https://af.moshimo.com/af/c/click?a_id=1419635\&p_id=1166\&pc_id=1793\&pl_id=20541\&guid=ON)公式サイト：[https://pyq.jp](https://af.moshimo.com/af/c/click?a_id=1419635\&p_id=1166\&pc_id=1793\&pl_id=20541\&guid=ON)

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>3040円/月～</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中4点" data-value="4"></span></td>
</tr>
</tbody>
</table>

[PyQ](https://af.moshimo.com/af/c/click?a_id=1419635\&p_id=1166\&pc_id=1793\&pl_id=20541\&guid=ON)はPythonに特化したサービスです。

完全オンライン学習サービスで、<mark>定額制で全ての講座を受講することができます。</mark>

実際に手を動かすことをかなり重視しているので、<mark>楽しくモチベーションを保ちながら進めることが可能</mark>です。

インターフェイスが使いやすくてサクサク進められます。

![PyQ　インターフェイス](/wp-content/uploads/2019/09/pyq4.jpg)

正直Pythonを素早く身に付けて実装してみたい！かつお金も安く済ませたい！ならPyQ一択です。

ただ完全自力なので、<mark>モチベーションが続かないと厳しいです。</mark>

以下の記事で[PyQ](https://af.moshimo.com/af/c/click?a_id=1419635\&p_id=1166\&pc_id=1793\&pl_id=20541\&guid=ON)の体験を基に詳しくレビューしています。

<https://toukei-lab.com/pyq-review>

::button[PyQの公式サイトを見てみる]{href="https://af.moshimo.com/af/c/click?a_id=1419635&p_id=1166&pc_id=1793&pl_id=17949&url=https%3A%2F%2Flanding.pyq.jp%2Fml%2F" note="＼今すぐ試す／"}

### Pythonで何がしたいのか明確でない人にオススメの勉強法

さて、Pythonで何がしたいのか明確でない人はまずはそれを見つけることが大事なのですが無理やり見つけてUdemyで講座を購入してもなかなかモチベーションが保てず途中で辞めてしまう可能性大です。

そんな人にオススメのサービスを紹介しておきましょう！

#### スタビジアカデミー（スタアカ）

[![スタアカ（スタビジアカデミー）のトップページ](/wp-content/uploads/2026/10/achademy-top.jpg)](https://toukei-lab.com/achademy/)

公式サイト：<https://toukei-lab.com/achademy/>

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>ライトプラン：1,280円/月（全コースが受講し放題）<br>
プレミアムプラン：129,800円（通常149,800円・買い切り）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【サポート体制】</th>
<td><span class="stars" role="img" aria-label="5点中4点" data-value="4"></span></td>
</tr>
<tr>
<th>【受講形式】</th>
<td>オンライン形式</td>
</tr>
<tr>
<th>【学習範囲】</th>
<td>統計学・機械学習・ディープラーニングを網羅的に学ぶ<br>
生成AI（LLM・RAG・プロンプトエンジニアリング）を学ぶ<br>
SQLとPythonを組み合わせて実データを使った様々なワークを行う<br>
実践的なビジネスフレームワークを学ぶ<br>
マーケティングの実行プラン策定</td>
</tr>
</tbody>
</table>

データサイエンティストとしての自分の経験をふまえてエッセンスを詰め込んだのがこちらのスタビジアカデミー、略して「[スタアカ](https://toukei-lab.com/achademy/)」！！

当メディアが運営するスクールです。

月額1,280円のライトプランで、統計学から機械学習・生成AIまで全コースが受講し放題です！

<mark>プレミアムプランでは、24時間以内の質問対応と現役データサイエンティストとの1on1（30分×4回）を実施します！</mark>

カリキュラム自体は、他のスクールと比較して圧倒的に良い自信があるのでぜひ受講してみてください！

ウォルマートのデータを使って商品の予測分析をしたり、実務で使うことの多いGoogleプロダクトのBigQueryを使って投球分析をしたり、データサイエンティストに必要なビジネス・マーケティングの基礎を学んでマーケティングプランを作ってもらったりする盛りだくさんの内容になってます！

:::box
**・BigQuery上でSQL、Google Colab上でPythonを使い野球の投球分析**\
**・世界最大手小売企業のウォルマートの実データを用いた需要予測**\
**・ビジネス・マーケティングの基礎を学んで実際の企業を題材にしたマーケティングプランの策定**\
**・生成AIのAPIを使ってチャットボットやAIエージェントを作る**
:::

::button[スタアカの受講はこちら]{href="https://toukei-lab.com/achademy/" note="＼今すぐ試す／"}

#### テックアカデミー

[![テックアカデミートップページ](/wp-content/uploads/2019/10/ccf2e2d6b257f0e31dafaf31b44c3999.jpg)](https://techacademy.jp/)

公式サイト：[https://techacademy.jp/](https://techacademy.jp/)

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>163,900円～（4週間）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【サポート体制】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【受講形式】</th>
<td>オンライン形式</td>
</tr>
<tr>
<th>【データサイエンティスト範囲】</th>
<td>ベーシックな内容、ビジネスサイドはなし</td>
</tr>
</tbody>
</table>

[テックアカデミー！](https://techacademy.jp/)

価格は3か月で284,900円！

![テックアカデミー　価格表](/wp-content/uploads/2019/10/techachademy-price-min.jpg)

日本最大級のプログラミングスクールで安心して受講することのできるプログラミングスクールになっています。

![テックアカデミー　カリキュラム](/wp-content/uploads/2019/10/tech4-min.jpg)

他のプログラミングスクールと比較して、メンターサポート制度が非常に充実しているのが特徴です。

<mark>特にメンターのレスポンスの速さは異常！！</mark>

15時～23時の時間内であれば、誰かしらが高速レスポンスで返してくれます。

チャットサポートとは別に専任のパーソナルメンターが付きます。

メンターとの相性もありますが、合わなければ代えてもらうこともできます。

:::tweet{url="https://twitter.com/ayakapython/status/1067765508605263872?ref_src=twsrc%5Etfw"}
テックアカデミーのAIコースの先生、超美人！！だけどすごくしっかりしていて、進め方も的確だしこれはかなり力がつくという確信があります

— ayaka\@python (@ayakapython) [November 28, 2018](https://twitter.com/ayakapython/status/1067765508605263872?ref_src=twsrc%5Etfw)
:::

メンターの人に頼めば自分の裁量でカリキュラムの範囲外まで詳しく学べるので自分でガツガツやる気のある人には非常にオススメです！

<mark>しっかり自分の中で目標を持ってメンターを使い倒すくらいの気概を持って進めましょう！</mark>

やる気があればメンターの方と一緒に深い内容まで踏み込んで学ぶことが可能です！

<mark>僕自身カリキュラムを猛スピードで終わらせてメンターの人とガンガン壁打ちしながら色んな分野を学んだ過去があります。</mark>

:::talk{who="umatan"}
結局はプログラミングスクールは環境なので、それをどう使うかは**自分次第！！**
:::

ちなみにテックアカデミーのデータサイエンティスト系の講座には以下のようなコースがあります。

:::box
**・[Pythonコース](https://techacademy.jp/course/python)**\
**・[AIコース](https://techacademy.jp/course/ai)**\
**・[データサイエンスコース](https://techacademy.jp/course/datascience)**
:::

ある程度言語を触ったこのある方であれ&#x3070;**[AIコース](https://techacademy.jp/course/ai)**&#x3084;**[データサイエンスコース](https://techacademy.jp/course/datascience)**&#x3092;単体で受講してしまっても問題ありません。

また、[テックアカデミーのAIコース](https://techacademy.jp/course/ai)ではディープラーニングで画像認識が出来ることが最終目的でWebアプリケーションの開発などは行いません！

無料体験もできますので、不安な方はまずは無料体験を試してみることをオススメします！

::button[テックアカデミーの公式サイトはこちら]{href="https://techacademy.jp/" note="＼今すぐ試す／"}

以下の記事で体験談をより詳しくまとめていますので是非チェックしてみてください！

<https://toukei-lab.com/techacademy-review>

Pythonを学べるプログラミングスクールは他にもたくさんあります。以下の記事でまとめていますので是非見てみてください！

<https://toukei-lab.com/python-school>

また、Pythonの勉強に関しては以下の記事で詳しくまとめていますのでチェックしてみてください！

<https://toukei-lab.com/python-learn>

## PythonでできることのFAQ

![Social strategy](/wp-content/uploads/2020/07/Social-strategy-amico.png)

最後に今まで解説してきたことをFAQ形式でまとめておきましょう！

**Q1. Pythonでどんなことができるの？**

:::memo
データ分析はもちろんのこと、スクレイピングやWebアプリケーション開発もできます。「[Pythonでできること7つ](#pythonでできること7つコード例)」
:::

**Q2. Pythonにはどんなメリットがあるの？**

:::memo
コードがシンプルでわかりやすく情報が豊富なので学習しやすいです。それでいてできることの幅が広いんです。「[Pythonのメリット](#pythonのメリット)」
:::

**Q3. Pythonを勉強するのにどんなサービスがあるの？**

:::memo
独学ならUdemyやPyQがおすすめで自力はしんどいならプログラミングスクールがおすすめです。「[Pythonを勉強する方法](#pythonを勉強する方法)」
:::

## Pythonでできること　まとめ

このように実際にあらためて見ていくと本当にPythonはできることの幅の広い優れたプログラミング言語だなーと思います。

:::talk{who="robotan"}
Pythonってこんなにたくさんのことができるんだねー！知らなかったよー！
:::

:::talk{who="umatan"}
データ分析だけの言語と思われがちだけど、実は色んなことができるんだよー！
:::

Pythonの勉強に関しては以下の記事で詳しくまとめていますのでチェックしてみてください！

<https://toukei-lab.com/python-learn>

:::talk{who="umatan"}
目指せPythonマスター！
:::

また、Pythonでは作れるものを以下の記事で解説しているので、興味がある方は以下の記事をチェックしてみて下さい。

<https://toukei-lab.com/python_beginner_friendly>

できることがたくさんあってもやりたいことがないとなかなかプログラミング言語は継続しません。

プログラミングの勉強を挫折せず効率よく進める方法は以下の記事を見てみてください！

<https://toukei-lab.com/programming-keepstudy>

イラスト出典：**[Illustration by Stories by Freepik](https://stories.freepik.com/)**

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "Pythonでどんなことができるの？",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "データ分析はもちろんのこと、スクレイピングやWebアプリケーション開発もできます。「<a href='#Python7'>Pythonでできること7つ</a>」"
    }
  },{
    "@type": "Question",
    "name": "Pythonにはどんなメリットがあるの？",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "コードがシンプルでわかりやすく情報が豊富なので学習しやすいです。それでいてできることの幅が広いんです。「<a href='#Python-2'>Pythonのメリット</a>」"
    }
  },{
    "@type": "Question",
    "name": "Pythonを勉強するのにどんなサービスがあるの？",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "独学ならUdemyやPyQがおすすめで自力はしんどいならプログラミングスクールがおすすめです。「<a href='#Python-3'>Pythonを勉強する方法</a>」"
    }
  }]
}
</script>