はじめに
「Pandasのコードを毎回ゼロから書くのが大変」
「データを見ながら分析を進めたいが、コードのデバッグで時間を取られる」
「グラフをきれいに仕上げるのに時間がかかる」
データ分析はExploratory Data Analysis（EDA）の繰り返しが多く、同じようなコードを書き直すことが多いです。Claude Codeを使えば、データの内容を見せるだけで適切な分析・可視化コードを自動生成できます。
目次
- データ分析でのClaude Code活用
- データの読み込みと探索的分析
- データクリーニングの自動化
- 集計・分析の実装
- Matplotlib・Seabornによる可視化
- インタラクティブなダッシュボード作成
- 分析レポートの自動生成
- まとめ
1. データ分析でのClaude Code活用
データを見せるだけで分析が始まる
> sales_data.csvを読み込んで、データの概要を教えてください。
基本統計量・欠損値・データ型・外れ値を確認してください。
その後、どんな分析ができそうか提案してください。Claude Codeがデータを読み込んで内容を理解し、適切な分析アプローチを提案します。
Jupyterとの連携
# JupyterNotebookをClaude Codeで操作
claude "sales_data.csvを読み込んで、月次売上のトレンドを分析する
Jupyterノートブックを作成してください"2. データの読み込みと探索的分析
基本的なEDAの実行
> sales_data.csvを読み込んで、以下の探索的分析を行ってください：
1. データの形状（行数・列数）
2. 各カラムのデータ型と欠損値率
3. 数値カラムの基本統計量
4. カテゴリカルカラムの値の分布
5. 外れ値の検出（IQR法とZ-score法の両方）
6. カラム間の相関分析
7. 時系列データの場合：トレンドと季節性の確認
分析結果をわかりやすいMarkdownレポートにまとめてください。複数ファイルの結合
> 以下のデータを結合して分析用のデータセットを作成してください：
- customers.csv（顧客情報）
- orders.csv（注文履歴）
- products.csv（商品マスタ）
結合キーを自動で特定してください。
結合後のデータの整合性チェックも行ってください。3. データクリーニングの自動化
自動クリーニング
> このデータセットのクリーニングを行ってください。
よくある問題を自動検出して修正してください：
- 欠損値の補完（数値：平均値/中央値、カテゴリ：最頻値またはUnknown）
- 重複レコードの削除
- 文字列の前後空白・改行の除去
- 日付フォーマットの統一
- 外れ値の処理（除外またはキャップ）
- カラム名のスネークケース統一
各変換の前後でレコード数と統計量を記録してください。4. 集計・分析の実装
売上分析
> orders.csvを使って以下の売上分析を行ってください：
集計軸：
- 月次・週次・日次の売上推移
- 商品カテゴリ別の売上ランキング
- 地域別の売上ヒートマップ用データ
- RFM分析（Recency・Frequency・Monetary）
- コホート分析（初回購入月ごとのリテンション率）
結果をCSVファイルで保存してください。A/Bテストの分析
> A/Bテストのデータを分析してください。
データ：ab_test_results.csv
グループ：control（コントロール）とtreatment（テスト）
分析内容：
- 基本統計量の比較
- t検定またはU検定で統計的有意性を確認
- 効果量（Cohen's d）の計算
- 95%信頼区間の計算
- サンプルサイズが十分かのパワー分析
- 結論の要約5. Matplotlib・Seabornによる可視化
分析用グラフの一括生成
> このデータセットの主要な分布と関係性を示すグラフを生成してください。
生成するグラフ：
- 数値カラムのヒストグラム（1枚に複数表示）
- 相関行列のヒートマップ
- カテゴリ別の箱ひげ図
- 売上推移の折れ線グラフ（移動平均付き）
グラフのスタイル：
- 日本語フォントの設定
- カラーパレット：Seabornのcolorblind
- 解像度：300 DPI
- ファイル形式：PNG・SVGの両方プレゼン用の高品質グラフ
> この売上データを経営報告用の高品質なグラフに仕上げてください。
要件：
- シンプルで見やすいデザイン
- 重要なポイントにアノテーション
- 前年比の変化を矢印で表示
- 会社のブランドカラー（#1a3a6b・#e84c3d）を使用
- A4サイズで印刷できる解像度6. インタラクティブなダッシュボード作成
Plotlyでのインタラクティブグラフ
> PlotlyとDashを使って売上ダッシュボードを作成してください。
機能：
- 日付範囲フィルター
- 商品カテゴリの絞り込み
- 売上推移・カテゴリ別構成・地域別分布を同時表示
- ドリルダウン（月→週→日）
- CSVエクスポートボタン
Streamlitバージョンも作成してください（どちらが簡単か比較して）。7. 分析レポートの自動生成
JupyterノートブックからPDFレポート
> この分析ノートブックをクリーンな分析レポートに変換してください。
レポートの構成：
- 分析の目的と概要
- データの説明
- 主要な発見事項（3〜5点）
- 各グラフと解説
- 結論と推奨事項
nbconvertを使ってHTMLとPDFの両方で出力してください。定期レポートの自動生成スクリプト
> 毎週月曜日に前週の売上データを自動分析して
Slack（またはメール）に送信するスクリプトを作成してください。
含める内容：
- 前週売上（前週比・前年比）
- 上位商品ランキング
- 異常値・注目すべき変化
- グラフを画像として添付8. まとめ
Claude CodeでのPython データ分析の効率化ポイント：
- データファイルを渡すだけでEDAが自動実行される
- クリーニング・集計・可視化のコードを自動生成できる
- プレゼン品質の高品質グラフを指定スタイルで生成できる
- 定期レポートの自動生成スクリプトを構築できる
よく使うライブラリとの組み合わせ：
- データ操作：Pandas・Polars（大規模データ）
- 可視化：Matplotlib・Seaborn・Plotly
- 統計分析：SciPy・Statsmodels
- ダッシュボード：Streamlit・Dash
- レポート：nbconvert・Quarto
次回の第30回：個人開発を加速する方法では、アイデアからリリースまで一人でできる開発フローを解説します。
よくある質問（FAQ）
Q. データが大きすぎてPandasで処理できない場合は？
A. Claude Codeに「このデータセットは〇GBあります。Pandasの代わりに効率的に処理する方法を提案してください」と相談することで、Polars・Dask・DuckDB等の代替手段を提案してくれます。
Q. 機械学習モデルの構築もサポートしてくれますか？
A. はい。「このデータで売上予測のモデルを作ってください」のように依頼すると、特徴量エンジニアリング・モデル選択・ハイパーパラメータ調整・評価まで自律的に進めてくれます。
この記事はClaude Code入門シリーズ（第3部）の第29回です。← 第28回：LLMアプリ開発 ｜ 第30回：個人開発を加速する方法 →
ご質問はお問い合わせページからお気軽にどうぞ。
