Pythonコース

Pythonのライブラリをローカル実行してみる

Pythonデータ可視化ライブラリの基礎

# Matplotlibで基本的なグラフを描く

このチュートリアルでは、Pythonの人気ライブラリであるMatplotlibを使用して、基本的なグラフを描く方法を学びます。Matplotlibはデータの視覚化に非常に便利で、折れ線グラフ、棒グラフ、散布図など、さまざまな種類のグラフを作成することができます。

## 1. Matplotlibのインストール

まず、Matplotlibを使用するためにライブラリをインストールする必要があります。以下のコマンドを使用してインストールしてください。

~~~bash
pip install matplotlib
~~~
## 2. 折れ線グラフの作成

最初に、基本的な折れ線グラフを作成してみましょう。

~~~python~line_plot
import matplotlib.pyplot as plt

# データの準備
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# グラフの作成
plt.plot(x, y)

# タイトルとラベルの設定
plt.title('Basic Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# グラフの表示
plt.show()
~~~

上記のコードを実行すると、以下のような折れ線グラフが表示されます。
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/38d2624b-4000-47b5-8c07-1d53ca060ac0.png" />

## 3. 棒グラフの作成

次に、棒グラフを作成してみましょう。

~~~python~bar_chart
import matplotlib.pyplot as plt

# データの準備
categories = ['A', 'B', 'C', 'D', 'E']
values = [5, 7, 3, 8, 4]

# グラフの作成
plt.bar(categories, values)

# タイトルとラベルの設定
plt.title('Basic Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')

# グラフの表示
plt.show()
~~~

このコードを実行すると、カテゴリごとの値を示す棒グラフが表示されます。
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/c7c3b06e-cd6b-4739-9e28-2654bc28a2f7.png" />

## 4. 散布図の作成

最後に、散布図を作成してみましょう。

~~~python~scatter_plot
import matplotlib.pyplot as plt

# データの準備
x = [1, 2, 3, 4, 5]
y = [5, 4, 3, 2, 1]

# グラフの作成
plt.scatter(x, y)

# タイトルとラベルの設定
plt.title('Basic Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# グラフの表示
plt.show()
~~~

このコードを実行すると、点がプロットされた散布図が表示されます。
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/6d0ee3e1-5f69-45c4-a781-1d6f03d4d93f.png" />

## まとめ

このチュートリアルでは、Matplotlibを使用して基本的な折れ線グラフ、棒グラフ、散布図を作成する方法を学びました。これらの基本的なグラフを作成することで、データの視覚化がより簡単になります。さらに詳細なカスタマイズや他の種類のグラフについては、Matplotlibの公式ドキュメントを参照してください。




Matplotlibで基本的なグラフを描く

# 線グラフ・棒グラフ・散布図の描き分け

データを視覚化する際に、どのグラフを使用するかは非常に重要です。線グラフ、棒グラフ、散布図はそれぞれ異なる特性を持ち、データの種類や目的に応じて使い分ける必要があります。このチュートリアルでは、これらのグラフの特徴と適切な使用方法について学びます。

## 線グラフ

線グラフは、データの変化を時間の経過とともに示すのに適しています。連続するデータポイントを線で結ぶことで、トレンドやパターンを視覚的に捉えることができます。

### 線グラフの例

以下は、Pythonのmatplotlibライブラリを使用して線グラフを描画する例です。

~~~python~line_graph
import matplotlib.pyplot as plt

# データ
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# 線グラフの描画
plt.plot(x, y, marker='o')
plt.title('Line Graph Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
~~~

## 棒グラフ

棒グラフは、カテゴリごとのデータを比較するのに適しています。各カテゴリの値を棒の高さで表現することで、視覚的に比較が容易になります。

### 棒グラフの例

以下は、Pythonのmatplotlibライブラリを使用して棒グラフを描画する例です。

~~~python~bar_graph
import matplotlib.pyplot as plt

# データ
categories = ['A', 'B', 'C', 'D']
values = [4, 7, 1, 8]

# 棒グラフの描画
plt.bar(categories, values)
plt.title('Bar Graph Example')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()
~~~

## 散布図

散布図は、2つの変数間の関係を視覚化するのに適しています。各データポイントをプロットすることで、相関関係や分布を確認できます。

### 散布図の例

以下は、Pythonのmatplotlibライブラリを使用して散布図を描画する例です。

~~~python~scatter_plot
import matplotlib.pyplot as plt

# データ
x = [5, 7, 8, 5, 6, 7, 9, 2, 3, 4, 4, 4, 5, 6, 7, 8, 9, 10, 11, 12]
y = [99, 86, 87, 88, 100, 86, 103, 87, 94, 78, 77, 85, 86, 103, 87, 94, 78, 77, 85, 86]

# 散布図の描画
plt.scatter(x, y)
plt.title('Scatter Plot Example')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
~~~
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/72ecf36a-d721-42c6-875a-567a8cd26419.png" />

## まとめ

- **線グラフ** は、時間の経過に伴うデータの変化を示すのに最適です。
- **棒グラフ** は、異なるカテゴリ間の比較を行うのに適しています。
- **散布図** は、2つの変数間の関係を視覚化するのに役立ちます。

これらのグラフを適切に使い分けることで、データの特性を効果的に伝えることができます。実際に手を動かして、これらのグラフを描いてみましょう。



線グラフ・棒グラフ・散布図の描き分け

# グラフにタイトル・ラベル・凡例を追加する

このチュートリアルでは、PythonのMatplotlibライブラリを使用して、グラフにタイトル、軸ラベル、凡例を追加する方法を学びます。これにより、グラフの可読性と情報量を向上させることができます。

## 基本的なグラフの作成

まずは、基本的な折れ線グラフを作成します。

~~~python~basic_plot
import matplotlib.pyplot as plt

# データ
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# グラフの作成
plt.plot(x, y)

# グラフの表示
plt.show()
~~~

## タイトルの追加

グラフにタイトルを追加するには、`plt.title()`関数を使用します。

~~~python~add_title
import matplotlib.pyplot as plt

# データ
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# グラフの作成
plt.plot(x, y)

# タイトルの追加
plt.title('Graph Title')

# グラフの表示
plt.show()
~~~

<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/cdd9d43d-7a9b-4871-87e7-e66de05a8b18.png" />

## 軸ラベルの追加

軸ラベルを追加するには、`plt.xlabel()`と`plt.ylabel()`関数を使用します。

~~~python~add_labels
import matplotlib.pyplot as plt

# データ
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# グラフの作成
plt.plot(x, y)

# タイトルと軸ラベルの追加
plt.title('Graph Title')
plt.xlabel('X axis label')
plt.ylabel('Y axis label')
 
# グラフの表示
plt.show()
~~~

<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/aec14803-f3f5-4f80-aa0d-bf4a73115c3a.png" />

## 凡例の追加

複数のデータセットをプロットする場合、凡例を追加することで、どの線がどのデータセットに対応しているかを示すことができます。`plt.legend()`関数を使用します。

~~~python~add_legend
import matplotlib.pyplot as plt

# データ
x = [1, 2, 3, 4, 5]
y1 = [2, 3, 5, 7, 11]
y2 = [1, 4, 6, 8, 10]

# グラフの作成
plt.plot(x, y1, label='prime number')
plt.plot(x, y2, label='even number')

# タイトル、軸ラベル、凡例の追加
plt.title('Comparing sequences')
plt.xlabel('X axis label')
plt.ylabel('Y axis label')
plt.legend()

# グラフの表示
plt.show()
~~~

<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/55f0a277-4198-4294-849a-639127589848.png" />


## まとめ

このチュートリアルでは、Matplotlibを使用してグラフにタイトル、軸ラベル、凡例を追加する方法を学びました。これらの要素を追加することで、グラフの情報をより明確に伝えることができます。次のステップでは、さらに高度なカスタマイズ方法を学んでいきましょう。



グラフにタイトル・ラベル・凡例を追加する

# Seabornの基本とスタイルの違い

Seabornは、Pythonのデータ可視化ライブラリで、Matplotlibを基盤にしており、統計的なグラフを簡単に作成することができます。このチュートリアルでは、Seabornの基本的な使い方と、スタイルの違いについて学びます。

## Seabornのインストール

まず、Seabornを使用するためにインストールが必要です。以下のコマンドを使用してインストールしてください。

~~~bash
pip install seaborn
~~~

## Seabornの基本

Seabornを使うためには、まずライブラリをインポートする必要があります。以下のコードを使用して、SeabornとMatplotlibをインポートします。

~~~python~seaborn_basic
import seaborn as sns
import matplotlib.pyplot as plt
~~~

次に、Seabornで提供されているサンプルデータセットをロードしてみましょう。ここでは、`tips`データセットを使用します。

~~~python~seaborn_basic
# サンプルデータセットのロード
tips = sns.load_dataset("tips")
print(tips.head())
~~~

<terminal filename="出力結果">
   total_bill   tip     sex smoker  day    time  size
0       16.99  1.01  Female     No  Sun  Dinner     2
1       10.34  1.66    Male     No  Sun  Dinner     3
2       21.01  3.50    Male     No  Sun  Dinner     3
3       23.68  3.31    Male     No  Sun  Dinner     2
4       24.59  3.61  Female     No  Sun  Dinner     4
</terminal>

## 基本的なプロット

Seabornを使って基本的なプロットを作成してみましょう。ここでは、`sns.scatterplot()`を使って散布図を作成します。

~~~python~seaborn_basic
# 散布図の作成
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day")
plt.title("Scatter plot of Total Bill vs Tip")
plt.show()
~~~
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/fb9de2ab-b159-434d-a5ec-e7c4bf523efd.png" />


## Seabornのスタイル

Seabornには、デフォルトでいくつかのスタイルが用意されています。スタイルを変更することで、グラフの見た目を簡単に変えることができます。以下のコードでは、スタイルを変更してみます。

~~~python~seaborn_style
# スタイルの設定
sns.set_style("dark")
sns.set_style("darkgrid")

# 再度、散布図を作成
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day")
plt.title("Scatter plot with Styles")
plt.show()
~~~

<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/8c536dda-b160-422b-94c3-f775a8e9d202.png" />

### 他のスタイル

Seabornには他にも以下のようなスタイルがあります。

- `darkgrid`
- `whitegrid`
- `dark`
- `white`
- `ticks`

それぞれのスタイルを試して、どのように見た目が変わるか確認してみてください。

## まとめ

このチュートリアルでは、Seabornの基本的な使い方とスタイルの違いについて学びました。Seabornを使うことで、簡単に美しい統計的なグラフを作成することができます。スタイルを変更することで、グラフの見た目をカスタマイズすることも可能です。ぜひ、他のデータセットでも試してみてください。

Seabornの基本とスタイルの違い

# ヒートマップで相関関係を可視化する

データ分析において、変数間の相関関係を理解することは非常に重要です。ヒートマップは、データセット内の変数間の相関関係を視覚的に表現するための強力なツールです。このチュートリアルでは、Pythonを使用してヒートマップを作成し、データの相関関係を可視化する方法を学びます。

## 必要なライブラリのインストール

まず、必要なPythonライブラリをインストールします。以下のコマンドを実行して、`pandas`、`numpy`、および`seaborn`をインストールしてください。

```bash
pip install pandas numpy seaborn
```

## データの準備

次に、サンプルデータを用意します。このデータは、変数間の相関関係を示すために使用されます。
`sample.csv`というファイルを下記の内容で作成してください。

~~~csv~sample_data
A,B,C,D
1,2.1,9.2,5
2,4.2,8.1,6
3,6.0,7.0,5
4,7.9,6.1,6
5,10.1,5.0,7
6,11.8,4.2,8
7,13.7,3.0,7
8,16.0,1.9,6
9,17.9,1.0,5
10,19.8,0.2,4
11,21.5,-0.8,5
12,23.7,-2.0,6
~~~

## ヒートマップの作成

以下のPythonコードを使用して、ヒートマップを作成します。

~~~python~heatmap_example
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# データの読み込み
data = pd.read_csv('sample_data.csv')

# 相関行列の計算
corr = data.corr()

# ヒートマップの作成
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('Correlation Heatmap')
plt.show()
~~~

## コードの説明

1. **データの読み込み**: `pandas`を使用してCSVファイルからデータを読み込みます。
2. **相関行列の計算**: `pandas`の`corr()`メソッドを使用して、データフレーム内の数値列間の相関行列を計算します。
3. **ヒートマップの作成**: `seaborn`の`heatmap()`関数を使用して、相関行列をヒートマップとしてプロットします。`annot=True`は各セルに相関係数を表示し、`cmap='coolwarm'`はカラーマップを指定します。

## 実行結果

上記のコードを実行すると、以下のようなヒートマップが表示されます。

<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/f1b09a14-8b4e-40f9-a215-007e8f78cc27.png" />


このヒートマップは、変数間の相関関係を視覚的に示しています。セルの色が濃いほど、相関が強いことを示します。

## まとめ

ヒートマップは、データセット内の変数間の相関関係を迅速に理解するための便利なツールです。`seaborn`ライブラリを使用することで、簡単にヒートマップを作成し、データのパターンを視覚化することができます。ぜひ、他のデータセットでも試してみてください。



ヒートマップで相関関係を可視化する

# ペアプロットで多変量の関係性を確認する

データ分析において、多変量の関係性を視覚的に確認することは非常に重要です。ペアプロットは、データセット内の変数間の関係を一度に確認できる便利なツールです。このチュートリアルでは、PythonのライブラリSeabornを使用してペアプロットを作成する方法を学びます。

## 必要なライブラリのインストール

まず、必要なライブラリをインストールします。SeabornはMatplotlibの上に構築されたデータ可視化ライブラリで、簡単に美しいグラフを作成できます。

```bash
pip install seaborn
```

## データセットの準備

今回は、Seabornに組み込まれている「iris」データセットを使用します。このデータセットは、アヤメの花の特徴を記録したもので、ペアプロットを作成するのに適しています。

## ペアプロットの作成

以下のコードを使用して、ペアプロットを作成します。

~~~python~pairplot_example
import seaborn as sns
import matplotlib.pyplot as plt

# Seabornの組み込みデータセット「iris」をロード
iris = sns.load_dataset("iris")

# ペアプロットを作成
sns.pairplot(iris, hue="species")

# プロットを表示
plt.show()
~~~

上記のコードでは、`sns.pairplot`関数を使用してペアプロットを作成しています。`hue`引数を使用することで、異なる種（species）ごとに色分けされたプロットを表示できます。

## 出力結果

ペアプロットを実行すると、以下のようなグラフが表示されます。各変数の組み合わせに対して散布図が描かれ、対角線上には各変数のヒストグラムが表示されます。
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/feadbaf5-cd24-4928-8778-d6c8753c6d30.png" />


## まとめ

ペアプロットは、多変量データの関係性を視覚的に確認するための強力なツールです。Seabornを使用することで、簡単にペアプロットを作成し、データの特徴を把握することができます。データ分析の初期段階でペアプロットを活用し、データの理解を深めましょう。



ペアプロットで多変量の関係性を確認する

# サンプルデータを用いた探索的データ分析の流れ

探索的データ分析（EDA: Exploratory Data Analysis）は、データを理解し、パターンや異常を見つけるための重要なステップです。このチュートリアルでは、サンプルデータを用いてEDAの基本的な流れを学びます。

## ステップ1: データの読み込み

まずは、データを読み込みます。ここでは、PythonのPandasライブラリを使用してCSVファイルを読み込みます。

~~~csv~sample_data
ID,Age,Salary
1,25,50000
2,30,60000
3,22,48000
4,35,72000
5,28,54000
~~~

~~~python~eda_example
import pandas as pd

# CSVファイルの読み込み
data = pd.read_csv('sample_data.csv')

# データの先頭を表示
print(data.head())
~~~

<terminal filename="出力結果">
   ID  Age  Salary
0   1   25   50000
1   2   30   60000
2   3   22   48000
3   4   35   72000
4   5   28   54000
</terminal>

## ステップ2: データの概要を確認

データの基本的な情報を確認します。データの型や欠損値の有無をチェックします。

~~~python~eda_example
# データの情報を表示
print(data.info())

# 統計情報の表示
print(data.describe())
~~~

<terminal filename="出力結果">
&lt;class 'pandas.core.frame.DataFrame'&gt;
RangeIndex: 5 entries, 0 to 4
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   ID      5 non-null      int64
 1   Age     5 non-null      int64
 2   Salary  5 non-null      int64
dtypes: int64(3)
memory usage: 248.0 bytes
       ID        Age        Salary
count  5.0   5.000000      5.000000
mean   3.0  28.000000  56800.000000
std    1.6   5.099020  10198.039027
min    1.0  22.000000  48000.000000
25%    2.0  25.000000  50000.000000
50%    3.0  28.000000  54000.000000
75%    4.0  30.000000  60000.000000
max    5.0  35.000000  72000.000000
</terminal>

## ステップ3: データの可視化

データの分布や関係性を視覚的に確認します。ここでは、MatplotlibとSeabornを使用してグラフを作成します。

~~~python~eda_example
import matplotlib.pyplot as plt
import seaborn as sns

# 年齢の分布をヒストグラムで表示
sns.histplot(data['Age'], bins=5, kde=True)
plt.title('Age Distribution')
plt.show()

# 年齢と給与の関係を散布図で表示
sns.scatterplot(x='Age', y='Salary', data=data)
plt.title('Age vs Salary')
plt.show()
~~~
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/6d081d0a-f38c-4393-885f-addfaffe9573.png" />
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/04836df6-e406-4df6-b011-4b76aede1969.png" />

## ステップ4: 異常値の検出

データに異常値が含まれているか確認します。異常値はデータの分析結果に影響を与える可能性があるため、特定して対処する必要があります。

~~~python~eda_example
# 箱ひげ図を用いて異常値を確認
sns.boxplot(x=data['Salary'])
plt.title('Salary Boxplot')
plt.show()
~~~
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/e03a8f6a-9248-4998-9725-5b80afe09641.png" />

## ステップ5: 結論

EDAはデータ分析の基礎を築く重要なプロセスです。データの概要を把握し、可視化を通じて洞察を得ることで、次の分析ステップに進むための準備が整います。今回のチュートリアルでは、Pythonを用いた基本的なEDAの流れを学びました。実際のプロジェクトでは、より詳細な分析やデータのクリーニングが必要になることがあります。

このチュートリアルを通じて、探索的データ分析の基本的な流れを理解し、実際のデータセットに適用する準備ができたことでしょう。次のステップでは、より複雑なデータセットを扱い、さらに深い分析を行うことができます。



サンプルデータを用いた探索的データ分析の流れ

# 総合演習：複数の可視化手法を使ってデータを分析してみよう

このチュートリアルでは、Pythonのデータ可視化ライブラリを使って、実際のデータを分析し、複数の可視化手法を組み合わせてデータの洞察を得る方法を学びます。以下の演習を通じて、データの読み込みから可視化までの一連の流れを体験しましょう。

## 演習内容

### 要件
1. `pandas`を使用してCSVファイルからデータを読み込みます。
2. `matplotlib`を使用して、以下の可視化を行います。
   - 年ごとの売上を示す線グラフ
   - 製品カテゴリごとの売上を示す棒グラフ
   - 売上と利益の関係を示す散布図
3. `seaborn`を使用して、カテゴリごとの売上の分布を示すヒストグラムを作成します。
4. 各グラフにタイトルとラベルを追加し、見やすくします。

### データファイル
以下のCSVファイルを使用します。

~~~csv~sample_data
Year,Category,Sales,Profit
2020,Electronics,20000,3000
2020,Furniture,15000,2000
2020,Office Supplies,12000,1500
2021,Electronics,22000,3200
2021,Furniture,16000,2100
2021,Office Supplies,13000,1600
2022,Electronics,25000,3500
2022,Furniture,17000,2200
2022,Office Supplies,14000,1700
~~~

### 出力結果サンプル
1. 年ごとの売上を示す線グラフ
2. 製品カテゴリごとの売上を示す棒グラフ
3. 売上と利益の関係を示す散布図
4. カテゴリごとの売上の分布を示すヒストグラム

## 模範解答

以下に模範解答を示します。

~~~python~solution
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# データの読み込み
data = pd.read_csv('sample_data.csv')

# 年ごとの売上を示す線グラフ
plt.figure(figsize=(10, 6))
sns.lineplot(data=data, x='Year', y='Sales', marker='o')
plt.title('Yearly Sales')
plt.xlabel('Year')
plt.ylabel('Sales')
plt.grid(True)
plt.show()

# 製品カテゴリごとの売上を示す棒グラフ
plt.figure(figsize=(10, 6))
sns.barplot(data=data, x='Category', y='Sales')
plt.title('Sales by Category')
plt.xlabel('Category')
plt.ylabel('Sales')
plt.show()

# 売上と利益の関係を示す散布図
plt.figure(figsize=(10, 6))
sns.scatterplot(data=data, x='Sales', y='Profit', hue='Category')
plt.title('Sales vs Profit')
plt.xlabel('Sales')
plt.ylabel('Profit')
plt.show()

# カテゴリごとの売上の分布を示すヒストグラム
plt.figure(figsize=(10, 6))
sns.histplot(data=data, x='Sales', hue='Category', multiple='stack')
plt.title('Sales Distribution by Category')
plt.xlabel('Sales')
plt.ylabel('Frequency')
plt.show()
~~~
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/3213a4f0-6699-4ea2-936b-800cd7e07bb9.png" />
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/b730d7e6-cb57-4c68-8d70-aa0b16cbc076.png" />
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/63a9a0ea-fe6c-4720-a79d-43f9aa99fe8a.png" />
<img width="600px" alt="" src="https://prod-code-lesson-api.s3.ap-northeast-1.amazonaws.com/cms/63566da4-fdbd-4932-8643-3d5e89b6ed5c.png" />

この演習を通じて、データの可視化がどのようにデータ分析に役立つかを理解し、Pythonの可視化ライブラリを使いこなせるようになりましょう。


7. サンプルデータを用いた探索的データ分析の流れ