Pythonデータ分析入門2026｜PandasとMatplotlibで始める実践ガイド【コード例付き】

「Excelでのデータ集計に限界を感じている」「Pythonでデータ分析ができるようになりたいけど、何から始めればいいかわからない」——そんな方に向けて、Pythonデータ分析の基礎を実践的に解説します。

筆者は非エンジニアからPythonを独学し、現在は業務で月間300件以上のデータ分析レポートをPythonで自動生成しています。この記事では、PandasとMatplotlibを使った実践的なデータ分析の始め方を、コード例とともにステップバイステップで解説します。

なぜPythonでデータ分析を学ぶべきなのか

データ分析ツールはExcel、R、Python、BIツールなど多岐にわたりますが、2026年現在、Pythonが最も汎用性が高く将来性のある選択肢です。

Pythonを選ぶ4つの理由

1. 圧倒的なライブラリの充実度：Pandas、NumPy、Matplotlib、Scikit-learnなど、データ分析から機械学習まで無料で使える
2. 学習コストの低さ：文法がシンプルで、プログラミング未経験者でも1〜2週間で基本操作を習得可能
3. AI・機械学習との連携：データ分析の次のステップとしてAI・機械学習にシームレスに移行できる
4. 高い市場価値：Python×データ分析スキルを持つ人材の求人は年々増加。年収の中央値も上昇傾向

Excel vs Python：データ分析ツール比較

項目	Excel	Python（Pandas）	R
処理可能データ量	約100万行が限界	数千万行対応可能	数千万行対応可能
自動化	VBA（限定的）	◎（スクリプト化容易）	○
可視化	○（グラフ機能）	◎（Matplotlib/Seaborn）	◎（ggplot2）
機械学習連携	×	◎（Scikit-learn等）	◎
学習コスト	◎（直感的）	○（文法シンプル）	△（統計知識前提）
再現性	△（手動操作多い）	◎（コードで記録）	◎

環境構築：Anacondaで最速セットアップ

Pythonデータ分析の環境構築はAnacondaを使うのが最も簡単です。Pandas、NumPy、Matplotlib、Jupyter Notebookなど必要なツールが一括でインストールされます。

セットアップ手順

1. Anacondaのダウンロード：公式サイトからOS に合ったインストーラーをダウンロード（無料）
2. インストール実行：ウィザードに従って進めるだけ。デフォルト設定でOK
3. Jupyter Notebook起動：Anaconda Navigatorから「Launch」をクリック、またはターミナルでjupyter notebookを実行
4. 動作確認：新しいNotebookを作成し、import pandas as pdがエラーなく実行できればOK

軽量な環境が好みなら、VS Code + venvの組み合わせもおすすめです。pip install pandas matplotlib jupyterで必要なパッケージだけインストールできます。

Pandasの基本操作：データの読み込みから加工まで

Pandasはデータ操作に特化したPythonライブラリで、ExcelのピボットテーブルやVLOOKUPに相当する操作をコード一行で実行できます。

データの読み込み

Pandasは多様なフォーマットに対応しています。CSV、Excel、JSON、SQL、HTMLテーブルなど、pd.read_csv()、pd.read_excel()のような関数1つでデータを読み込めます。

データの確認と前処理

データ分析の第一歩はデータの概要を把握することです。以下のメソッドを使い分けましょう。

• df.head()：先頭5行を表示。データの構造をざっと確認
• df.info()：各列のデータ型と欠損値の有無を確認
• df.describe()：数値列の統計量（平均、標準偏差、最大最小など）を一覧表示
• df.isnull().sum()：列ごとの欠損値数をカウント

データのフィルタリングと集計

Pandasの真価は条件フィルタリングとグループ集計の簡潔さにあります。Excelで複雑なフィルターやピボットテーブルを組む作業が、たった数行のコードで再現可能です。

• 条件フィルタ：df[df['売上'] > 100000]で売上10万円以上の行を抽出
• グループ集計：df.groupby('部門')['売上'].sum()で部門別売上合計を算出
• ピボットテーブル：pd.pivot_table(df, values='売上', index='月', columns='商品')でクロス集計

Matplotlibでデータを可視化する

MatplotlibはPythonの最も基本的なグラフ描画ライブラリです。棒グラフ、折れ線グラフ、散布図、ヒートマップなど、ビジネスレポートに必要なグラフを網羅しています。

ビジネスで使えるグラフの種類と使い分け

グラフの種類	用途	Matplotlibメソッド
棒グラフ	カテゴリ別の比較	plt.bar()
折れ線グラフ	時系列の推移	plt.plot()
散布図	2変数の相関	plt.scatter()
円グラフ	構成比の表示	plt.pie()
ヒストグラム	分布の確認	plt.hist()
箱ひげ図	分布とばらつき	plt.boxplot()

より洗練されたグラフが必要な場合はSeabornがおすすめです。Matplotlibのラッパーライブラリで、少ないコードでプレゼンテーション品質のグラフを作成できます。

実践プロジェクト：売上データの分析フロー

学んだ知識を実践に活かすため、売上データ分析の典型的なフローを紹介します。

分析の5ステップ

1. データ収集：CSVやExcelからPandasにデータを読み込む
2. データクリーニング：欠損値の処理、重複の削除、データ型の変換
3. 探索的データ分析（EDA）：統計量の確認、分布の可視化、外れ値の検出
4. 集計・可視化：月別売上推移、商品別構成比、前年比較などをグラフ化
5. インサイト抽出：分析結果から改善施策を提案するレポートを作成

スキルアップのための学習ロードマップ

Pandas・Matplotlibの基礎を身につけたら、以下の順序でスキルを拡張していきましょう。

1. Seaborn：統計的可視化の定番。相関行列やカテゴリ別の分布比較が簡単
2. Plotly：インタラクティブなグラフを作成。Webダッシュボード向け
3. Scikit-learn：機械学習の入門。回帰分析やクラスタリングで予測モデルを構築
4. Streamlit：Pythonだけでデータ分析Webアプリを構築。プロトタイプ作成に最適
5. SQL：データベースからの直接データ取得。PandasのSQLコネクタと連携

まとめ：Pythonデータ分析は今すぐ始められる

Pythonでのデータ分析は、Anacondaのインストールから始めれば30分以内に環境構築が完了し、すぐに実践できます。Excelの限界を感じているなら、まずはCSVファイルをPandasで読み込んでみることから始めましょう。

最初は小さな成功体験を積み重ねることが継続の鍵です。業務で使っているExcelデータをPandasで処理してみる、毎月手動で作成しているレポートを自動化してみる——そんな身近なところから始めてみてください。

あわせて読みたい

• AI時代のプログラミング学習法ガイド
• 機械学習入門：Pythonで始める予測モデル
• データサイエンティストのキャリアパス