Google Opalで使える37のライブラリ

Transcript

1. Python エコシステムのガイドツアー Opal で使える37 のライブラリを理解する 1
2. 1. はじめに：Python エコシステムの力 Python パッケージとは？ 再利用可能なコードのツールボックス .py ファイル（モジュール）を含むディレクトリ pip install でインストールし、 import で利用可能 なぜエコシステムが重要なのか？ 「車輪の再発明」を避ける データサイエンス、機械学習、自動化など多様な分野で活躍 世界中のコミュニティが開発・維持 → 協力と革新 2
3. 第I 部 データサイエンスと科学技術計算の基礎 3
4. Python 科学技術計算スタックの階層構造 Seaborn (高レベルな統計可視化) matplotlib と pandas 上に構築 Pandas / Matplotlib / SciPy (データ操作 / 可視化 / 高度な計算) numpy 上に構築 NumPy (高速な数値計算) C言語で書かれたパフォーマンス層 この階層構造が、 使いやすさと 高性能を両立させています。 4
5. 1. NumPy: 数値計算のエンジン 概要: Pythonにおける数値計算の基本的なパッケージ 重要性: ndarray という高速・高効率な多次元配列を提供 PandasやScikit-learnなど多くのライブラリの基盤 主な機能: N次元配列の作成 高速な数学演算（線形代数、フーリエ変換など） 5
6. NumPy: コード例 import numpy as np # リストから1次元配列を作成 my_array = np.array([1, 2, 3, 4]) # ベクトル化された演算（すべての要素を2倍する） doubled_array = my_array * 2 print(f"2倍された配列: {doubled_array}") # [2 4 6 8] 6
7. 2. Pandas: データ操作と分析の達人 概要: データ操作と分析のためのライブラリ。 DataFrame が中心。 重要性: 表形式データ（CSV, Excel, SQL等）を直感的に扱える データの前処理（クリーニング、変換）に不可欠 主な機能: データの読み書き データの選択、フィルタリング、変換 欠損データの処理、グループ化、結合 7
8. Pandas: コード例 import pandas as pd data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]} df = pd.DataFrame(data) # 30歳より年上の人々を選択 older_people = df[df['Age'] > 30] print(older_people) 8
9. 3. SciPy: 科学者のためのツールキット 概要: NumPy上に構築された、科学技術計算のためのアルゴリズム集 重要性: 最適化、積分、信号処理などの高度なアルゴリズムを提供 複雑な計算をゼロから実装する必要がなくなる 主な機能: 信号処理、画像処理 最適化、統計的検定 9
10. SciPy: コード例 ( 画像のぼかし) from scipy import misc, ndimage import matplotlib.pyplot as plt # scikit-imageやimageioの使用が推奨されます import imageio.v3 as iio face = iio.imread('imageio:camera.png') # ガウシアンフィルタを適用 blurred_face = ndimage.gaussian_filter(face, sigma=3) plt.imshow(blurred_face, cmap=plt.cm.gray) plt.show() 10
11. 4. Matplotlib: 基本的な可視化ライブラリ 概要: Pythonで最も基本的で有名なデータ可視化ライブラリ 重要性: プロットのあらゆる要素を細かく制御できる Seabornなど他の多くの可視化ライブラリの基盤 主な機能: 線グラフ、棒グラフ、散布図、ヒストグラムなどを作成 タイトル、ラベル、色、凡例などを自由にカスタマイズ 11
12. Matplotlib: コード例 import matplotlib.pyplot as plt x = [1, 2, 3, 4] y = [2, 4, 1, 5] plt.plot(x, y) plt.title("Simple Line Plot") plt.show() 12
13. 5. Seaborn: 統計グラフィックスを美しく 概要: Matplotlibベースの高レベルな統計データ可視化ライブラリ 重要性: 少ないコードで、より魅力的で情報量の多いグラフを作成 PandasのDataFrameとシームレスに連携 主な機能: 複雑な統計プロット（ヒートマップ、バイオリンプロット等）を簡素化 美しいデフォルトテーマとカラーパレット 13
14. Seaborn: コード例 import seaborn as sns import matplotlib.pyplot as plt tips = sns.load_dataset("tips") # 回帰直線付きの散布図を作成 sns.lmplot(x="total_bill", y="tip", data=tips) plt.show() 14
15. Matplotlib vs Seaborn 比較表 特徴 Matplotlib Seaborn 主な用途 基本的で汎用的な描画 高レベルな統計データの可視化 抽象度 低レベル（細かい制御が可 能） 高レベル（複雑なプロットを簡素 化） 構文 より冗長になることがある より簡潔 データ入 力 NumPy配列やリストに最適 PandasのDataFrameに最適化 デフォル ト 機能的だが、カスタマイズが 必要 美しいテーマとカラーパレット 使用場面 完全な制御が必要な場合 迅速なデータ探索と美しい統計プロ 15
16. 第II 部 AI と機械学習の世界へ 16
17. 機械学習エコシステムの役割分担 Scikit-learn 標準ツール: 古典的な機械学習のワークフロー全体をカバーする、シンプ ルで一貫したAPI。 TensorFlow 大規模プラットフォーム: ディープラーニングに特化し、研究から本番ま でスケールするエコシステム。 Joblib 高速化エンジン: Scikit-learnなどの計算処理を裏で支え、並列処理によっ て高速化を実現。 これらは競合ではなく、 相互に補完し合う関係です。 17
18. 6. Scikit-learn: みんなの機械学習ライブラリ 概要: Pythonにおける機械学習の主要ライブラリ。シンプルさと効率性が特 徴。 重要性: 一貫性のある使いやすいAPIで、多くのアルゴリズムを提供 データ前処理からモデル評価まで、ワークフロー全体をカバー 初心者の出発点として理想的 主な機能: 分類、回帰、クラスタリング、次元削減 18
19. Scikit-learn: コード例 ( 簡単な分類) from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import load_iris X, y = load_iris(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y) knn = KNeighborsClassifier().fit(X_train, y_train) print(f"モデルの正解率: {knn.score(X_test, y_test):.2f}") 19
20. 7. TensorFlow: ディープラーニングの原動力 概要: Google製の、特にディープラーニングのための大規模機械学習ライブラ リ 重要性: 大規模なモデルの構築と展開のための包括的なエコシステム CPU, GPU, TPUで実行可能。研究と本番の両方に適応 主な機能: ニューラルネットワークの構築と訓練（高レベルAPIのKerasが便利） TensorBoard による訓練プロセスの可視化 様々なデバイスへのモデル展開 20
21. TensorFlow: コード例 ( 簡単なNN) import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy') # model.fit(x_train, y_train, epochs=5) # 訓練は時間がかかる 21
22. 8. Joblib: 並列計算をシンプルに 概要: 並列計算を容易にし、計算結果をキャッシュするツール 重要性: 計算コストの高いタスクを複数のCPUコアで実行し、高速化 Scikit-learnのグリッドサーチなどで内部的に利用されている 主な機能: 簡単な構文でのループの並列実行 関数の結果をディスクにキャッシュし、再計算をスキップ 22
23. Joblib: コード例 ( 並列ループ) from joblib import Parallel, delayed import time def slow_square(i): time.sleep(0.1) return i * i # 4つのCPUコアでループを並列実行 results = Parallel(n_jobs=4)(delayed(slow_square)(i) for i in range(10)) print(f"結果: {results}") # [0, 1, 4, ..., 81] 23
24. 第III 部 ドキュメントの作成と操作 24
25. ドキュメント操作: 適材適所の哲学 明確な分離: 操作ライブラリ ( 例: PyPDF2): 既存のファイルを変更 生成ライブラリ ( 例: fpdf, ReportLab): ファイルをゼロから作成 トレードオフ: シンプルさ ( 例: fpdf): 手軽で素早く作成 制御力 ( 例: ReportLab): ピクセル単位の精密なレイアウト **「何をしたいのか？」**によって、使うべきライブラリが決まります。 25
26. 9. PyPDF2: PDF のスイスアーミーナイフ 概要: 既存のPDFファイルを操作するためのライブラリ 重要性: PDFの手動操作をプログラムで自動化 PDFをゼロから作成する機能は ない 主な機能: PDFの分割、結合 テキストやメタデータの抽出 ページの回転、透かしの追加 26
27. PyPDF2: コード例 (PDF の結合) import PyPDF2 # 'doc1.pdf'と'doc2.pdf'があると仮定 merger = PyPDF2.PdfWriter() # for pdf in ['doc1.pdf', 'doc2.pdf']: # merger.append(pdf) # merger.write('merged.pdf') # merger.close() 27
28. 10. ReportLab: 産業レベルのPDF 生成 概要: 複雑なPDFドキュメントを ゼロから作成するためのツールキット 重要性: 請求書やレポートなど、精密なレイアウトが必要な場合に最適 ピクセル単位での正確な制御が可能 主な機能: テキスト、図形、画像の描画 複雑な表やグラフの作成 28
29. ReportLab: コード例 from reportlab.pdfgen import canvas from reportlab.lib.pagesizes import letter c = canvas.Canvas("simple_report.pdf", pagesize=letter) c.drawString(72, 800, "Hello, World!") c.save() 29
30. 11. fpdf: シンプルなPDF 生成 概要: シンプルさと使いやすさが特徴のPDF生成ライブラリ 重要性: ReportLabより直感的で、学習コストが低い 基本的なレポートや請求書を迅速に作成するのに最適 主な機能: ページの追加、フォント設定、テキスト書き込み 画像やリンクの挿入 30
31. fpdf: コード例 from fpdf import FPDF pdf = FPDF() pdf.add_page() pdf.set_font("Arial", size=16) pdf.cell(200, 10, txt="Hello, World!", ln=True, align="C") pdf.output("simple_fpdf.pdf") 31
32. 12. PyLaTeX: プロ品質のドキュメント作成 概要: 高品質な組版システムLaTeXのファイルをPythonで作成・コンパイル 重要性: 複雑な数式や学術的なレイアウトを含むレポートに最適 LaTeXのパワーと品質をPythonから直接利用できる 主な機能: LaTeXソースからPDFを生成 セクション、表、図、数式を簡単に作成 32
33. PyLaTeX: コード例 from pylatex import Document, Section # LaTeXのインストールが必要です doc = Document() with doc.create(Section('A Section')): doc.append('Some text.') # doc.generate_pdf('pylatex_example', clean_tex=False) 33
34. PDF ライブラリ選択ガイド 特徴 PyPDF2 fpdf ReportLab PyLaTeX タスク 既存PDFの 操作 PDFの 生成 PDFの 生成 PDFの 生成 複雑さ 簡単～中級 簡単 複雑 中級 (LaTeX知識 要) 最適用 途 分割、結合、抽 出 シンプルなレポ ート 精密なレイアウ ト 学術論文、数式 主な特 徴 既存ファイルを 扱う 学びやすい 詳細な制御 出版品質の組版 34
35. 13. python-docx: Word ドキュメント自動化 概要: Microsoft Word (.docx) ファイルを作成・更新するライブラリ 重要性: データベースからのレポート生成などを自動化 既存のテンプレートへのデータ流し込みも可能 主な機能: 段落、見出し、表、画像の追加と書式設定 35
36. python-docx: コード例 from docx import Document document = Document() document.add_heading('My Automated Document', level=1) document.add_paragraph('This is a paragraph.') document.save('demo.docx') 36
37. 14. python-pptx: PowerPoint 自動生成 概要: PowerPoint (.pptx) ファイルを作成・更新するライブラリ 重要性: 分析結果など動的なデータからプレゼンテーションを自動生成 週次報告などの定型業務に最適 主な機能: スライドの追加、テキストの入力 画像、表、図形、グラフの追加 37
38. python-pptx: コード例 from pptx import Presentation prs = Presentation() title_slide_layout = prs.slide_layouts[0] slide = prs.slides.add_slide(title_slide_layout) title = slide.shapes.title title.text = "Hello, World!" prs.save('test.pptx') 38
39. 15. openpyxl: 最新Excel ツールキット ( 読み書き) 概要: 最新のExcel (.xlsx) ファイルを読み書きするライブラリ 重要性: 最新Excelファイルを扱う際の標準ライブラリ Excelがインストールされていなくても動作 主な機能: ワークブック、シートの作成 データの読み書き、数式やスタイルの適用 グラフや画像の挿入 39
40. openpyxl: コード例 import openpyxl wb = openpyxl.Workbook() sheet = wb.active sheet['A1'] = 'Product' sheet['B1'] = 'Sales' sheet.append(['Keyboard', 120]) wb.save('sales_report.xlsx') 40
41. 16. xlrd: 旧式Excel リーダー ( 読み込み専用) 概要: 旧式のExcel (.xls) ファイルからデータを読み込むライブラリ 重要性: openpyxl が扱えない古い .xls 形式のデータを抽出する際に必要 注意: 最新版は .xls ファイル のみをサポート 主な機能: .xls ワークブックを開き、シートにアクセス セルからデータを読み込む 41
42. xlrd: コード例 import xlrd # 'legacy_data.xls' があると仮定 # try: # workbook = xlrd.open_workbook('legacy_data.xls') # sheet = workbook.sheet_by_index(0) # cell_value = sheet.cell_value(rowx=0, colx=0) # print(cell_value) # except FileNotFoundError: # print("'legacy_data.xls'が見つかりません。") 42
43. Excel ライブラリ選択ガイド 特徴 openpyxl xlrd ファイ ル形式 最新のExcel ( .xlsx ) 旧式のExcel ( .xls のみ) 機能 読み込み と 書き込み 読み込み専用 使用場 面 最新のExcelファイルに関わる あらゆるタスク 古い .xls ファイルからデータを抽出 する必要がある場合 43
44. 第IV 部 ビジュアルの世界 - 画像、動画、地理空間データ 44
45. ビジュアルデータ処理の役割分担 Pillow: 基本的な画像操作 (PythonらしいシンプルなAPI) opencv-python: 高度なコンピュータビジョン (高性能なC++ベース) imageio: 汎用的なI/O (多様なファイル形式を抽象化) geopandas: 地理空間分析 (PandasのAPIを地図データに拡張) これらはパイプラインを形成します。例えば imageio で読み込み、 Pillow で編集 し、 matplotlib で表示する、といった連携が可能です。 45
46. 17. Pillow: 親しみやすい画像プロセッサ 概要: 様々な画像ファイルを開き、操作し、保存するための標準ライブラリ 重要性: Pythonにおける基本的な画像処理の定番 シンプルで直感的なAPIで、初心者に最適 主な機能: 画像の読み書き、リサイズ、切り抜き、回転 基本的なフィルタ（ぼかし、シャープ化など）の適用 テキストや図形の描画 46
47. Pillow: コード例 ( リサイズ) from PIL import Image # try: # with Image.open("my_image.jpg") as img: # img.thumbnail((200, 200)) # img.save("thumbnail.jpg") # except FileNotFoundError: # print("my_image.jpgが見つかりません。") 47
48. 18. opencv-python: コンピュータビジョンの巨人 概要: コンピュータビジョンと画像処理のための包括的なライブラリ 重要性: 複雑なCVアプリケーションの業界標準 Pillowが 画像の操作用なら、OpenCVは 画像の理解用 主な機能: 物体追跡、顔検出・認識 画像セグメンテーション、特徴抽出、OCR 48
49. opencv-python: コード例 ( グレースケール変換) import cv2 # img = cv.imread('my_image.jpg') # if img is not None: # gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # cv.imwrite('grayscale_image.jpg', gray_img) # else: # print("画像を読み込めませんでした。") 49
50. Pillow vs opencv-python 比較表 特徴 Pillow opencv-python 主な用途 基本的な画像の 操作 高度な コンピュータビジョン 範囲 リサイズ、回転、フィルタ 物体検出、顔認識、追跡 パフォーマンス 軽量でオフライン向き 高性能、リアルタイム向き 使いやすさ 非常に簡単、Pythonic 学習曲線が急、C++風 例えるなら フォトエディタ (MSペイント) ロボットの「目」 50
51. 19. imageio: 汎用的な画像・動画I/O 概要: 多様な画像・動画データを読み書きするための統一インターフェース 重要性: imread() / imwrite() だけで様々な形式を扱え、コードが綺麗になる データをNumPy配列として返すため、科学技術計算スタックと相性抜群 主な機能: 画像、動画、GIFのフレームを読み込み NumPy配列から動画やGIFを作成 51
52. imageio: コード例 (GIF 作成) import imageio.v3 as iio import numpy as np frames = [] for i in range(10): frame = np.zeros((100, 100, 3), dtype=np.uint8) frame[:, i*10:(i*10)+10, 0] = 255 # 動く赤い帯 frames.append(frame) iio.imwrite('moving_band.gif', frames, duration=100, loop=0) 52
53. 20. contourpy: 等高線プロットの縁の下の力持ち 概要: 2Dグリッドの等高線を高速に計算するライブラリ 重要性: Matplotlib が内部で使用する等高線アルゴリズム 直接使うことは稀だが、Matplotlibの等高線プロットを支えている 主な機能 (Matplotlib 経由): 3次元データを2次元で可視化する等高線プロットを生成 53
54. contourpy: コード例 (Matplotlib 経由) import matplotlib.pyplot as plt import numpy as np x = np.arange(-3.0, 3.0, 0.1) y = np.arange(-2.0, 2.0, 0.1) X, Y = np.meshgrid(x, y) Z = np.exp(-X**2 - Y**2) # Matplotlibはこの呼び出しで内部的にcontourpyを使用 plt.contour(X, Y, Z) plt.show() 54
55. 21. geopandas: 地図のためのPandas 概要: Pandasを拡張し、地理空間データ（点、線、ポリゴン）を扱えるように する 重要性: Pandasの強力で直感的なAPIを地図データ分析に活用できる 地理空間分析のハードルを大幅に下げる 主な機能: シェープファイル等の読み書き 面積計算、空間結合などの幾何学的操作 .plot() で簡単に地図を作成 55
56. geopandas: コード例 import geopandas as gpd import matplotlib.pyplot as plt # Geopandasのサンプルデータセットを使用 world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres')) world.plot(column='continent', legend=True) plt.title('World Map') plt.show() 56
57. 第V 部 開発者の道具箱：ユーティリティ、解析、特殊関数 57
58. Python エコシステムの深さ このセクションのライブラリは、エコシステムの成熟度を示しています。 言語改善: attrs , toolz データ検証: jsonschema , protobuf 複雑な解析: lxml , pyparsing 専門分野: sympy , chess , jinja2 ほぼ全てのプログラミング問題に対し、専門的なツールが存在します。 58
59. 22. attrs: 定型文のないクラス 概要: __init__ , __repr__ などの定型的なメソッドを自動生成 重要性: クラス定義の繰り返し作業を削減し、コードをクリーンにする 59
60. attrs: コード例 import attr @attr.s(auto_attribs=True) class Point: x: float y: float # __init__と__repr__は自動生成！ p = Point(1.0, 2.0) print(p) # 出力: Point(x=1.0, y=2.0) 60
61. 23. toolz: 関数型ユーティリティ 概要: イテレータ、関数、辞書のための関数型プログラミングツール集 重要性: データ処理パイプラインを強力かつ効率的に記述できる 61
62. toolz: コード例 from toolz import groupby, compose # 最初の文字で単語をグループ化 words = ['apple', 'banana', 'apricot'] print(dict(groupby(lambda w: w[0], words))) # {'a': ['apple', 'apricot'], 'b': ['banana']} # 関数を合成 add_one_then_double = compose(lambda x: x * 2, lambda x: x + 1) print(add_one_then_double(5)) # 出力: 12 ( (5+1)*2 ) 62
63. 24. lxml: 高性能なXML/HTML 処理 概要: XMLとHTMLを処理するための、最も機能が豊富なライブラリ 重要性: C言語の速度とPythonの使いやすさを両立 WebスクレイピングやXML解析の定番 63
64. lxml: コード例 from lxml import html html_content = "<html><body><h1>Welcome</h1></body></html>" tree = html.fromstring(html_content) # XPathを使用して<h1>タグのテキストを抽出 header_text = tree.xpath('//h1/text()') print(f"Header: {header_text}") # ['Welcome'] 64
65. 25. jsonschema: JSON データの門番 概要: JSONデータが特定の構造（スキーマ）に準拠しているか検証 重要性: APIなどでやり取りされるデータの整合性を保証する 65
66. jsonschema: コード例 from jsonschema import validate, ValidationError schema = { "type": "object", "properties": {"name": {"type": "string"}}, "required": ["name"] } try: validate(instance={"name": "Alice"}, schema=schema) print("検証OK") validate(instance={"age": 30}, schema=schema) except ValidationError as e: print(f"検証NG: {e.message}") # 'name' is a required property 66
67. 26. protobuf: 効率的なデータ交換フォーマット 概要: Google製の、構造化データをシリアライズ（変換）する仕組み 重要性: JSON/XMLより小さく、速く、シンプル マイクロサービス間の通信などで高いパフォーマンスを発揮 コンセプト: i. .proto ファイルでデータ構造を定義 ii. コンパイルしてPythonクラスを生成 iii. 生成されたクラスでデータをバイナリ形式に変換・復元 67
68. protobuf: コード例 ( コンセプト) # person_pb2は `protoc` コマンドで生成 # import person_pb2 # person = person_pb2.Person() # person.name = "John Doe" # serialized_data = person.SerializeToString() 68
69. 27. pyparsing: 文法作成ツールキット 概要: Pythonコードで直接、テキスト解析の文法（ルール）を作成・実行 重要性: 独自のログファイルやコマンド言語などを柔軟に解析できる 69
70. pyparsing: コード例 from pyparsing import Word, alphas # 文法: (英単語) + "," + (英単語) + "!" grammar = Word(alphas) + "," + Word(alphas) + "!" result = grammar.parse_string("Hello, World!") print(list(result)) # ['Hello', ',', 'World', '!'] 70
71. 28. jinja2: 最新のテンプレートエンジン 概要: Python用の高速で表現力豊かなテンプレートエンジン 重要性: 表示ロジック(HTML)とアプリロジック(Python)を分離 Webフレームワーク(Flask)や設定ツール(Ansible)で広く利用 71
72. jinja2: コード例 from jinja2 import Template # `{{ name }}` がプレースホルダ template = Template("Hello, {{ name }}!") output = template.render(name="World") print(output) # Hello, World! 72
73. 29. packaging: Python パッケージのコアユーティリティ 概要: パッケージのバージョン番号や依存関係を扱う低レベルライブラリ 重要性: pip などが内部で利用し、Pythonエコシステムを支えるエンジン 73
74. packaging: コード例 from packaging.version import parse v1 = parse("1.2.3") v2 = parse("1.10.0") print(f"{v2} > {v1} は？ {v2 > v1}") # True 74
75. 30. six: Python 2 と3 の互換性ブリッジ 概要: Python 2と3の間の構文の違いを吸収する互換性ライブラリ 重要性: かつては両方のバージョンで動くコードを書くのに不可欠だった 現在は多くの古いライブラリで後方互換性のために残っている 75
76. 31. sympy: Python での記号数学 ( 代数) ️ 概要: 記号計算（コンピュータ代数）のためのライブラリ 重要性: sqrt(8) を 2.828... ではなく 2*sqrt(2) として正確に扱う 方程式の求解、微分・積分を記号的に行える 76
77. sympy: コード例 from sympy import symbols, Eq, solve x = symbols('x') # 'x'を記号として定義 equation = Eq(x**2 - 4, 0) # x^2 - 4 = 0 solutions = solve(equation, x) print(f"解は: {solutions}") # [-2, 2] 77
78. 32. mpmath: 任意精度計算ライブラリ 概要: 好きな桁数で高精度な浮動小数点演算を実行 重要性: 標準の浮動小数点数では丸め誤差が問題になる科学・金融計算で活躍 78
79. mpmath: コード例 import mpmath mpmath.mp.dps = 50 # 精度を50桁に設定 print(mpmath.pi) # 3.1415926535897932384626433832795028841971693993751 79
80. 33. chess: チェスロジックのツールキット 概要: チェスのルール（指し手生成、合法手検証など）を実装したライブラリ 重要性: 複雑なチェスのルールを自作せずに、チェスAIや分析ツールを構築できる 80
81. chess: コード例 import chess board = chess.Board() board.push_san("e4") # "e4"を指す board.push_san("e5") print(board) # r n b q k b n r # p p p p . p p p # . . . . . . . . # . . . . p . . . # . . . . P . . . # . . . . . . . . # P P P P . P P P # R N B Q K B N R 81
82. 34. striprtf: RTF からテキストを抽出 概要: リッチテキストフォーマット(RTF)ファイルから書式設定を取り除き、プ レーンテキストを抽出 重要性: データ処理のためにRTFファイルからテキストのみが必要な場合に便利 82
83. striprtf: コード例 from striprtf.striprtf import rtf_to_text rtf_content = "{\\rtf1\\ansi Hello \\b World\\b0.}" text = rtf_to_text(rtf_content) print(text) # "Hello World." 83
84. 35. tabulate: きれいなテキストテーブル作成 概要: リストのリストなどから、整形されたテキストベースの表を簡単に作成 重要性: コマンドラインアプリやレポートの出力をきれいに見せるのに非常に便利 84
85. tabulate: コード例 from tabulate import tabulate data = [["Alice", 28], ["Bob", 30]] headers = ["Name", "Age"] print(tabulate(data, headers=headers, tablefmt="grid")) # +-------+-----+ # | Name | Age | # +=======+=====+ # | Alice | 28 | # +-------+-----+ # | Bob | 30 | # +-------+-----+ 85
86. 36 & 37. xlwt: 旧式Excel ライター 概要: 旧式のExcelファイル ( .xls ) を 書き込むためのライブラリ 重要性: xlrd (読み込み)と対になる存在 最新の .xlsx には openpyxl が推奨されるが、古い .xls 形式で出力する 要件がある場合に必要 86
87. xlwt: コード例 import xlwt workbook = xlwt.Workbook() sheet = workbook.add_sheet('My Sheet') sheet.write(0, 0, 'Hello, World!') # workbook.save('example.xls') 87
88. 結論：学習パスを描く エコシステムのまとめ データサイエンスから開発者ツールまで、多様なライブラリを紹介しました。 各ライブラリは特定の役割を果たし、多くは連携してより大きな力を発揮しま す（ 階層化と 相互運用性）。 初心者へのアドバイス 1. まず**第I部の基本ライブラリ (NumPy, Pandas, Matplotlib)**から始めましょ う。これらは多くのライブラリの前提知識となります。 2. その後、自身の興味がある分野（機械学習、オフィス自動化など）に進みまし ょう。 88
89. 学習ロードマップ案 あなたの目標 が... スターターパック ( 最初に学ぶ べき) 次のステップ ( 次に探求すべ き) データ分析と可 視化 numpy , pandas , matplotlib , seaborn openpyxl , geopandas , scipy 機械学習とAI numpy , pandas , scikit- learn tensorflow , joblib , opencv-python オフィス業務自 動化 pandas , openpyxl , python- docx PyPDF2 , ReportLab , jinja2 Web スクレイピ ング lxml pyparsing , striprtf 89