【Python】で便利になる自動化・効率化のアイデア

python情報
2022.10.18

PythonはAIなど自動化などの言葉が先行して、何か凄いプログラム言語のようにとらえている人もいるかもしれません。実際、書店なネット記事などで目にするワードですが Pythonって具体的に何ができるんだろう？と思われてますか？

今回は実際に社会でも活用されいる例をメインに Python でできることをお伝えしていきますね。

Pythonでできること「仕事を早く、できる先輩に」

①Excel操作（エクセル）をPythonで自動化

「仕事を早く、できる先輩に」Pythonでできること1つ目はExcel操作です。
もしかして、Excelでのデータ整理、処理などを手作業で毎日数時間を費やしたりしていませんか？
Pythonなどを使用出来れば、これが数分で終わってしまう事でしょう。

Pythonでは、ExcelファイルやCSVファイルのデータを読み込んで、プログラム上で操作することができます。逆に、Excelファイルにデータを書き込むこともできます。

もちろん、Excelだけでなく、Word,PowerpointなどOfiiceソフトの業務を自動化できてしまいます。

毎日の決まった作業がプログラム実行ボタンだけで終わってしまう、、、なんて事もあります。

＜具体的な活用事例＞
・Excelファイルからデータを抽出し、自社システムに転記する
・複数ファイルに分かれたデータ（アンケートなど）を、1つのファイルに集約する
・Officeソフトで

② WEBスクレイピング（Web上からの情報収集）

「仕事を早く、できる先輩に」Pythonでできること2つ目はWEBスクレイピングです。
例えばECサイトの運営で定期的に競合他社の販売情報を確認する仕事を、これもPythonで自動的に取得が可能です。
Pythonによって決まったルールでWEB上の決まった場所からデータを取り出し、リスト化するなどが、今まで全部自分で目視して、Excel上に手入力してたかもしれませんが、これも作業の自動化になります。これまでの「コピー＆ペースト」の繰り返しの手作業を無くせるかもしれません。

＜具体的な活用事例＞
・通販サイトから売れ筋ランキングを取得し、売れ行きや市場ニーズを確認する
・ニュースサイトから、特定のキーワードを含む記事のURLだけを取得する

③ ブラウザ操作の自動

「仕事を早く、できる先輩に」Pythonでできること3つ目はWEBブラウザ操作です。
WEBスクレイピング同様にWEB上である繰り返し行われる決まった操作をPythonにお願いしちゃうことが出来ます。
具体的に言うと、特定のページを開いたり、ボタンをクリックしたり、入力フォームに値を入れるなどといった、普段ブラウザでする作業をプログラムからも実行できます。

＜具体的な活用事例＞
・WEBサイト上の操作をプログラムで定義して自動で動かせます。ログイン、クリック、文字を入力したりなど、通常のWEBスクレイピングでは情報取得がしにく操作も出来てしいまいます。
・WEB上でのコピペなどがの操作も自動でさせれるので、データを取得させて業務レポートの自動作成もできます。

④ データ分析の自動

「仕事を早く、できる先輩に」Pythonでできること4つ目は、データ分析です。

Pythonだけでなくプログラム言語は計算処理が得意ですが特殊な分析処理をさせるにはプログラム処理も複雑になりがちです。
ですが、Pythonではデータ分析が特にライブラリがある事で簡単に分析に必要な処理を行ってくれたりします。ライブラリとは、Pythonに機能を追加してくれるプログラムのことです。

Pythonでは必要なライブラリーをインストールする事で、大量のデータや面倒な処理を簡単に処理をして分析が可能です。WEBデータは多岐に渡るデータをなどを分析して、項目Aと項目Bの関係性を把握したり、データの傾向を確認したりすることができますよ。

これまではExcel関数が理解できてると、ちょっと出来た社員として評価されていたかもしれませんが、これからはPythonで「チャチャチャッ」と仕事が完了してしまうようです。

＜具体的な活用事例＞
・入社試験の成績と、入社後の営業成績のデータから相関関係を調べて採用方針が正しいかの判断。
・気候データと社内の売上データの相関関係を調べて気候の影響を把握する

⑤ Pythonでのメール自動送信

「仕事を早く、できる先輩に」Pythonでできること5つ目は、メール自動送信です。

Pythonではプログラム上から自動でメール送信することが簡単にできます。顧客リストより一括、大量送信だけでなく、顧客のグループによって件名や送信する内容、添付ファイルの変更するなどが出来る。また、メールをユックリ確認できる時間帯や曜日にピンポイントでメール送信ができます。

＜具体的な活用事例＞
・担当切り替わりの挨拶メールで、宛名の会社名と個人名部分だけを差し替えてメールを送る
・会社ごとに作成した提案書を、宛名に合わせて自動的にピックアップし、添付して送信する

Pythonでできること「本格的な開発」のススメ

「仕事を早く、できる先輩に」というテーマで、Pythonでできることを見てきましたが、どれも業務上の基本作業ではないでしょうか。そして、場合によっては多くの時間を費やし、毎日の定期業務だったりと、そのために1人の従業員やバイトを割り当てたりしてないでしょうか。

この単純だが多くの時間を費やす業務をPythonを書ければ、あなた一人で1つの事業所を動かすこともできるかもしれません。

大規模なプログラムも小さなプログラムの集合体な訳ですから。

データ分析を行うのに必要なPythonライブラリ

Pythonで業務を効率化するためのデータ分析、作業の自動化などではPythonのライブラリが楽にプログラムが出来ます。ライブラリなしで開発を行う事も出来ますが非常に難しく、一から自分で作ればバグの温床でもあります。

Numpy

まず最初にご紹介するのは、Numpyです。NumpyはPythonで数値計算を行うための基本的なライブラリです。多次元配列の操作や高速な数値演算が可能であり、データ分析においては非常に重要な役割を果たします。Numpyを使用することで、データの集計や統計的な演算、線形代数の計算などを効率的に行うことができます。

以下は、Numpyを使用して多次元配列を作成する例です。

import numpy as np

# 多次元配列の作成
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(arr)
print(type(arr))

実行結果は以下の通りです。

[[1 2 3]
 [4 5 6]
 [7 8 9]]
<class 'numpy.ndarray'>

Pandas

次にご紹介するのは、Pandasです。Pandasはデータ分析において非常に便利なライブラリであり、データの操作や前処理を行うための機能を提供しています。Pandasを使用することで、データの読み込みやフィルタリング、集計、結合などの処理を簡単に行うことができます。また、データの可視化や統計的な分析などもサポートしています。

以下は、Pandasを使用してデータをDataFrameにロードし、欠損値を処理する例です。

import pandas as pd

# データのロード
df = pd.DataFrame([[1, 2, 3], [4, None, 6], [7, 8, 9]])

# 欠損値の処理
df = df.fillna(0)

print(df)
print(type(df))

実行結果は以下の通りです。

   0    1  2
0  1  2.0  3
1  4  0.0  6
2  7  8.0  9
<class 'pandas.core.frame.DataFrame'>

Matplotlib

次にご紹介するのは、Matplotlibです。MatplotlibはPythonのデータ可視化ライブラリであり、グラフやプロットの作成に使用されます。データの分布や関係性を視覚的に理解するためには、適切な可視化が重要です。Matplotlibを使用することで、折れ線グラフやヒストグラム、散布図などを簡単に作成することができます。

以下は、Matplotlibを使用して折れ線グラフを作成する例です。

import matplotlib.pyplot as plt

# データの作成
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 折れ線グラフの作成
plt.plot(x, y)

# グラフの表示
plt.show()

実行すると、折れ線グラフが表示されます。

Seaborn

次にご紹介するのは、Seabornです。Seabornもデータ可視化のためのライブラリであり、Matplotlibを基にしているため、Matplotlibと一緒に使用することができます。SeabornはMatplotlibよりも美しいグラフを作成することができるだけでなく、統計的な可視化もサポートしています。特に、データの分布や関係性を探索するためのグラフを簡単に作成することができます。

以下は、Seabornを使用して散布図を作成する例です。

import seaborn as sns

# データの作成
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 散布図の作成
sns.scatterplot(x, y)

# グラフの表示
plt.show()

実行すると、散布図が表示されます。

Scikit-learn

次にご紹介するのは、Scikit-learnです。Scikit-learnはPythonの機械学習ライブラリであり、様々な機械学習アルゴリズムを提供しています。データの分類や回帰、クラスタリングなど、様々な機械学習タスクをサポートしています。また、データの前処理やモデルの評価なども簡単に行うことができます。

以下は、Scikit-learnを使用して線形回帰モデルを作成する例です。

from sklearn.linear_model import LinearRegression

# データの作成
X = [[1], [2], [3], [4], [5]]
y = [2, 4, 6, 8, 10]

# 線形回帰モデルの作成
model = LinearRegression()
model.fit(X, y)

# 予測結果の表示
print(model.predict([[6]]))

実行すると、予測結果が表示されます。

TensorFlow

次にご紹介するのは、TensorFlowです。TensorFlowはGoogleが開発したディープラーニングライブラリであり、ニューラルネットワークの構築やトレーニングを行うための機能を提供しています。ディープラーニングは現在非常に注目されている分野であり、画像認識や自然言語処理などのタスクにおいて高い性能を発揮しています。TensorFlowを使用することで、ディープラーニングモデルの構築やトレーニングを簡単に行うことができます。

以下は、TensorFlowを使用して単純なニューラルネットワークを構築する例です。

import tensorflow as tf

# モデルの構築
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)
])

# モデルのコンパイル
model.compile(optimizer='adam', loss='mse')

# モデルの訓練
model.fit(X_train, y_train, epochs=10)

# モデルの予測
print(model.predict(X_test))

Keras

次にご紹介するのは、Kerasです。Kerasもディープラーニングライブラリであり、TensorFlowの上に構築されています。Kerasは高水準のAPIを提供しており、ディープラーニングモデルの構築やトレーニングを簡単に行うことができます。TensorFlowと比較してシンプルな構文を持っており、初心者にも扱いやすい特徴があります。

以下は、Kerasを使用して単純なニューラルネットワークを構築する例です。

import keras
from keras.models import Sequential
from keras.layers import Dense

# モデルの構築
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(10,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(1))

# モデルのコンパイル
model.compile(optimizer='adam', loss='mse')

# モデルの訓練
model.fit(X_train, y_train, epochs=10)

# モデルの予測
print(model.predict(X_test))

NLTK

次にご紹介するのは、NLTKです。NLTKは自然言語処理のためのライブラリであり、テキストデータの処理や解析を行うための機能を提供しています。テキストのトークン化、品詞タグ付け、文の分割などの処理を簡単に行うことができます。また、機械学習アルゴリズムも提供しており、テキスト分類や情報抽出などのタスクにも利用することができます。

以下は、NLTKを使用してテキストデータを前処理する例です。

import nltk
from nltk.tokenize import word_tokenize

# テキストのトークン化
text = "This is a sample sentence."
tokens = word_tokenize(text)

print(tokens)

実行すると、テキストがトークン化された結果が表示されます。

その他のライブラリ

上記のライブラリ以外にも、データ分析に役立つさまざまなライブラリが存在します。例えば、StatsModelsやSciPyなどの統計解析のためのライブラリや、LightGBMやXGBoostなどの高性能な機械学習ライブラリなどがあります。これらのライブラリはそれぞれ特定のタスクに特化しており、データ分析の幅を広げるために活用することができます。

まとめ

本記事では、Pythonのデータ分析におすすめのライブラリをご紹介しました。NumpyやPandas、Matplotlib、Seaborn、Scikit-learn、TensorFlow、Keras、NLTKなど、それぞれのライブラリには特定のタスクに特化した機能が備わっており、データ分析の効率化や洞察の引き出しに役立ちます。
これらのライブラリを活用することで、Pythonを使ったデータ分析のスキルをさらに向上させることができるでしょう。

また、上記のライブラリ以外にも様々なライブラリが存在するため、自身のデータ分析の目的やニーズに合わせて適切なライブラリを選択することが重要です。さまざまなライブラリを試してみて、自分にとって最適なツールを見つけてみてください。

それでは、Pythonを使ったデータ分析の世界への一歩を踏み出し、さまざまなデータに対して洞察を得るための旅に出かけましょう！

ライブラリをインストールする際はAnacondaを使うのがおすすめです。
Anacondaを使えば必要なライブラリを一括でインストールできます。

powered by 三越屋-個人輸入代行

コメント