共通パッケージ

Pythonでよく使われるパッケージ。

requests
HTTPリクエストを行うライブラリ。
NumPy
数値計算を行うライブラリ。
Pandas
データ分析を行うライブラリ。
Matplotlib
データ可視化を行うライブラリ。
DataFrame
Pandasのデータ構造。
配列
NumPyのデータ構造。

requests

HTTP通信

requestsは「HTTP通信」のようなもの。Web APIと通信するためのライブラリです。シンプルで使いやすく、多くのプロジェクトで使用されています。

なぜrequestsが必要か?

requestsは、Web APIと通信するのに適しています。シンプルで使いやすく、多くのプロジェクトで使用されています。

いつ使うか?

  • Web APIと通信する場合
  • HTTPリクエストを行う場合
  • JSONデータを取得する場合
  • REST APIを使用する場合

実践テクニック

セッションを使う

セッションを使うことで、クッキーを管理できます。これにより、認証済みの状態を維持できます。

タイムアウトを設定する

タイムアウトを設定することで、リクエストの応答待ち時間を制限できます。これにより、アプリケーションの応答性を向上できます。

requests
# requestsの基本
import requests
# GETリクエスト
response = requests.get("https://api.example.com/data")
print(response.status_code)
print(response.json())
# POSTリクエスト
data = {"key": "value"}
response = requests.post("https://api.example.com/data", json=data)
print(response.status_code)
print(response.json())

NumPy

数値計算

NumPyは「数値計算」のようなもの。高速な配列操作と数値計算を行うためのライブラリです。科学技術計算で広く使用されています。

なぜNumPyが必要か?

NumPyは、高速な配列操作と数値計算を行うのに適しています。科学技術計算で広く使用されています。

いつ使うか?

  • 数値計算を行う場合
  • 配列操作を行う場合
  • 科学技術計算を行う場合
  • 統計計算を行う場合

実践テクニック

ベクトル化演算を使う

ベクトル化演算を使うことで、高速な配列操作ができます。これにより、ループを回避してパフォーマンスを向上できます。

ブロードキャスティングを使う

ブロードキャスティングを使うことで、異なる形状の配列間で演算ができます。これにより、コードを簡潔に記述できます。

NumPy
# NumPyの基本
import numpy as np
# 配列の作成
arr = np.array([1, 2, 3, 4, 5])
print(arr)
# 配列の操作
print(arr + 10) # [11 12 13 14 15]
print(arr * 2) # [ 2 4 6 8 10]
# 統計計算
print(np.mean(arr)) # 3.0
print(np.std(arr)) # 1.4142135623730951

Pandas

データ分析

Pandasは「データ分析」のようなもの。データの操作と分析を行うためのライブラリです。データサイエンスで広く使用されています。

なぜPandasが必要か?

Pandasは、データの操作と分析を行うのに適しています。データサイエンスで広く使用されています。

いつ使うか?

  • データの操作を行う場合
  • データの分析を行う場合
  • CSVファイルを読み込む場合
  • データの可視化を行う場合

実践テクニック

DataFrameを使う

DataFrameを使うことで、表形式のデータを操作できます。これにより、データの操作と分析が簡単になります。

groupbyを使う

groupbyを使うことで、データをグループ化して集計できます。これにより、データの分析が簡単になります。

Pandas
# Pandasの基本
import pandas as pd
# DataFrameの作成
data = {
"name": ["Alice", "Bob", "Charlie"],
"age": [25, 30, 35],
"city": ["Tokyo", "Osaka", "Nagoya"]
}
df = pd.DataFrame(data)
print(df)
# データの操作
print(df["age"]) # age列
print(df[df["age"] > 25]) # age > 25の行
# 統計計算
print(df.describe())

Matplotlib

データ可視化

Matplotlibは「データ可視化」のようなもの。データを可視化するためのライブラリです。データサイエンスで広く使用されています。

なぜMatplotlibが必要か?

Matplotlibは、データを可視化するのに適しています。データサイエンスで広く使用されています。

いつ使うか?

  • データを可視化する場合
  • グラフを作成する場合
  • データをプロットする場合
  • データを可視化して分析する場合

実践テクニック

pyplotを使う

pyplotを使うことで、簡単にグラフを作成できます。これにより、データの可視化が簡単になります。

figureとaxesを使う

figureとaxesを使うことで、複雑なグラフを作成できます。これにより、データの可視化が柔軟になります。

Matplotlib
# Matplotlibの基本
import matplotlib.pyplot as plt
# データの準備
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# グラフの描画
plt.plot(x, y)
plt.xlabel("X axis")
plt.ylabel("Y axis")
plt.title("Line Plot")
plt.show()

合格ライン

requestsを使ってHTTPリクエストを行える
NumPyを使って配列操作を行える
Pandasを使ってデータ分析を行える
Matplotlibを使ってデータ可視化を行える

演習課題

課題1: requestsでのHTTPリクエスト
requestsを使ってGETリクエストを行ってください。
課題2: NumPyでの配列操作
NumPyを使って配列を作成して、配列操作を行ってください。
課題3: Pandasでのデータ分析
Pandasを使ってDataFrameを作成して、データ分析を行ってください。

参考文献

この記事は以下の公的ガイドライン/標準に基づいています。