目次
Pythonで仕事効率化したいけどコード書くのは大変。ChatGPTでどうにかならない？
そんなあなたに向けてこの記事を書きました。
日々の仕事にPythonを取り入れたいけれど、コードを書くのは手間がかかり、なかなか一歩が踏み出せない。
この記事はそんなあなたにピッタリ。
プログラミング経験のある方もない方も、Pythonを用いた作業効率化に興味があるなら、ここで得られる情報はきっと役に立ちます。
この記事では、AIであるChatGPTとPythonを組み合わせて、コードを書く作業を簡素化、または補助する方法について解説します。
具体的には、ChatGPTの能力を活用して、Pythonのコードを生成・検証するための手順や、それらを用いてどのようにして作業効率を向上させるかについてお話します。
これにより、あなたは以下のメリットを享受できます：
この記事をよむメリット
- 効率的なコーディング:
ChatGPTの助けを借りて、より迅速かつ効率的にPythonのコードを書く方法を知ることができます。 - プログラミングの理解:
Pythonという言語についての理解を深め、それを使って具体的な問題を解決するためのスキルを身につけることができます。 - 時短:
Pythonを使って日常の作業を自動化することで、作業時間を大幅に短縮する方法を知ることができます。
これから探るChatGPTとPythonの組み合わせによる、驚きの効率化を一緒にみていきましょう！
PythonとChatGPTのコラボは、鬼に金棒
Pythonはその明快な構文と高い表現力から、データ分析や機械学習など多岐にわたる領域で幅広く利用されています。
一方、ChatGPTは高度な自然言語生成能力を備えたAIで、人間のように複雑な問いに対応したり、自然言語の指示に基づいてアクションを生成したりします。
PythonとChatGPTを組み合わせると、これらの両方の強みを活かすことができます。
具体的には、ChatGPTに自然言語の指示を与えてPythonのコードを生成させ、そのコードをPythonの環境で実行することが可能です。
これにより、コードを手動で書く時間を大幅に節約し、より高度なタスクに集中することができます。
では、この組み合わせを使って具体的に何ができるのか、いくつかの例を挙げて説明しましょう。
事例１：様々な部署から提出されるExcelレポートを一つにまとめる
この処理では、pandasというPythonのライブラリを使用します。
pandasは、大量のデータを効率的に操作するための強力なツールで、データフレームという2次元の表形式のデータ構造を提供します。
ChatGPTプロンプト
「複数のExcelファイルを一つにまとめるPythonのコードを教えて」
生成されるPythonコード
import pandas as pd
# Excelファイルのリストを入力として受け取り、それらを一つのファイルにまとめる関数
def combine_excel_files(file_list):
df_list = [] # 各Excelファイルのデータを格納するリスト
for file in file_list: # 各ファイルについて
df_list.append(pd.read_excel(file)) # ファイルを読み込んでデータフレームに変換し、リストに追加
combined_df = pd.concat(df_list) # 全てのデータフレームを結合
combined_df.to_excel('combined_report.xlsx', index=False) # 結合したデータフレームを新しいExcelファイルに書き出す
files = ['report1.xlsx', 'report2.xlsx', 'report3.xlsx'] # 提出されたレポートのリスト
combine_excel_files(files)
このコードは、複数のExcelファイルを一つにまとめるものです。
各ファイルをPandasのデータフレーム（2次元のデータに対応するデータ構造）に変換し、それらを一つのデータフレームに結合します。
その後、結合したデータフレームを新しいExcelファイルに書き出します。
事例２：特定の複数のWordファイルを自分で作成したテンプレートのWordファイルに生成し直す
Pythonにはdocxというライブラリがあり、これを使用するとWordファイルの読み書きが可能です。
ChatGPTプロンプト
「特定のWordファイルのテキストを取得して、新しいテンプレートに適用するPythonのコードを教えて」
生成されるPythonコード
from docx import Document
def reformat_word_files(file_list, template):
for file in file_list:
doc = Document(file) # Wordファイルを開く
text = '\n'.join([p.text for p in doc.paragraphs]) # 各段落のテキストを抽出し、一つの文字列に連結
new_doc = Document(template) # テンプレートを開く
new_doc.add_paragraph(text) # テンプレートに抽出したテキストを追加
new_doc.save('new_' + file) # 新しいファイルとして保存
files = ['file1.docx', 'file2.docx', 'file3.docx'] # 再フォーマットするファイルのリスト
template = 'template.docx' # 新しいファイルのテンプレート
reformat_word_files(files, template)
このコードは、複数のWordファイルのテキストを抽出し、それらを新しいテンプレートに適用して新しいWordファイルを生成します。
まず、元のファイルを開き、各段落のテキストを抽出します。
次に、新しいテンプレートを開き、抽出したテキストを追加します。
最後に、新しいファイルとして保存します。
事例３：社内の業務管理システムから商品の価格情報や在庫情報を定期的に確認して、Excelファイルにまとめる
このタスクは、Pythonのrequestsライブラリとpandasライブラリを活用して行います。
requestsライブラリを使用してAPIからデータを取得し、pandasライブラリを使用して取得したデータを整形しExcelファイルに出力します。
ChatGPTプロンプト
「APIから取得したデータを整形し、Excelファイルに出力するPythonのコードを教えて」
生成されるPythonコード
import requests
import pandas as pd
# APIからデータを取得し、Excelファイルに出力する関数
def fetch_data_and_export_to_excel(api_url, output_file):
response = requests.get(api_url) # APIからデータを取得
data = response.json() # データをJSON形式に変換
df = pd.DataFrame(data) # データをデータフレームに変換
df.to_excel(output_file, index=False) # データフレームをExcelファイルに出力
api_url = 'http://your-company-api.com/products' # 価格情報と在庫情報を取得するAPIのURL
output_file = 'product_data.xlsx' # 出力するExcelファイルの名前
fetch_data_and_export_to_excel(api_url, output_file)
このコードは、APIからデータを取得し、そのデータをExcelファイルに出力するものです。
まず、指定したAPIからデータを取得します。次に、取得したデータをデータフレームに変換し、そのデータフレームをExcelファイルに出力します。
事例４：5年分の自社の売上データを利用して、次年度の売上を時系列モデルの1つであるSARIMAモデルで予測する
Pythonのstatsmodelsライブラリを用いてSARIMAモデルを利用します。
SARIMAモデルは時系列データの一種で、季節性を持つデータの予測に適しています。
ChatGPTプロンプト
「SARIMAモデルを使って売上データから次年度の売上を予測するPythonのコードを教えて」
生成されるPythonコード
import pandas as pd
from statsmodels.tsa.statespace.sarimax import SARIMAX
# 売上データを読み込み、SARIMAモデルを使って次年度の売上を予測する関数
def forecast_sales(data_file):
df = pd.read_csv(data_file) # 売上データを読み込む
model = SARIMAX(df['sales'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12)) # SARIMAモデルを定義
model_fit = model.fit(disp=False) # モデルをデータにフィット
# 次年度の売上を予測
future_forecast = model_fit.predict(len(df), len(df)+11)
return future_forecast
data_file = 'sales_data.csv' # 売上データのファイル名
forecast_sales(data_file)
このコードは、売上データを読み込み、そのデータにSARIMAモデルをフィットさせ、次年度の売上を予測するものです。
まず、売上データを読み込みます。
次に、SARIMAモデルを定義し、そのモデルを売上データにフィットさせます。
最後に、フィットさせたモデルを使って次年度の売上を予測します。
まとめ
本記事では、ChatGPTとPythonを使って仕事効率化に向けたプログラミングについて詳しく解説しました。
Pythonと組み合わせることで、ChatGPTはさまざまな仕事上の課題を解決する強力なツールになります。
今後のステップとして、Pythonコーディングを試みてみることをおすすめします。
具体的な問題を解決したい場合や、自動化したいタスクがある場合、ChatGPTに求められる情報を整理して具体的なプロンプトを作成してみてください。
それから、ChatGPTが生成したPythonコードを実際に試してみて、その結果を評価してみてください。
さらにPythonプログラミングに興味が出た場合、オンライン教材による学習は非常に有効です。
以下のオンラインコースは初心者から中級者までを対象にしたコンテンツが充実しており、おすすめです。
これらのオンラインコースは、Pythonの基礎から応用までを一貫して学べるだけでなく、実際のプロジェクトに取り組むことで、理論だけでなく実践的なスキルも身につけることができます。
この記事があなたのPythonコーディング上達の一助になることを願っています。
