ML 向け Python 最短復習と Notebook 操作

機械学習で頻出する Python 文法を最短で復習し、Kaggle Notebook の基本操作を押さえます。

このトラックで学ぶこと#

このトラック（L1）では、機械学習に必要な Python・NumPy・pandas・データ可視化・EDA の基礎を、 Kaggle の実データ（Titanic）を題材に手を動かしながら学びます。 以降の全トラックの前提となる「データを触る土台」を固めるのが目的です。

Notebook の基本操作#

Kaggle Notebook（や Google Colab）は セル単位でコードを実行します。

• Code セル：Python を書いて Shift + Enter で実行。結果はセル直下に表示
• Markdown セル：説明や見出しを書く（分析の意図を残すと再現しやすい）
• セルは上から順に実行され、変数や import は後続セルへ引き継がれます

# よく使うマジックコマンド
%timeit sum(range(1000))   # 実行時間を計測
!pip install japanize-matplotlib  # 先頭の ! でシェルコマンドを実行

ML で頻出する Python 文法#

データ処理では、簡潔に書けるイディオムが役立ちます。

# リスト内包表記：ループを 1 行で
squares = [x**2 for x in range(5)]          # [0, 1, 4, 9, 16]

# 辞書：カラム名と型の対応など
dtypes = {"age": "float", "name": "object"}

# f-string：ログやスコア表示に便利
score = 0.8123
print(f"CV score: {score:.4f}")             # CV score: 0.8123

# 関数：前処理をまとめて再利用する
def add_features(df):
    df["family_size"] = df["sibsp"] + df["parch"] + 1
    return df

分析の定番 import#

ほぼすべての Notebook がこの 4 つから始まります。エイリアス（別名）は事実上の標準です。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

次のステップ#

次は、数値計算の土台である NumPy の配列・ベクトル化・broadcasting を学びます。