Pandasによるデータクリーニングと操作：Pythonでデータ分析をマスターするための究極ガイド

今日は、データサイエンスの世界で避けては通れない、データのクリーニングと操作について話をしよう。

データクリーニングって、そんなに大切なんですか？

もちろんだ。クリーンで整理されたデータは、分析の正確性を高め、意思決定プロセスを改善する。不正確または欠けているデータを扱っていると、分析結果は誤解を招く可能性があるからね。

なるほど、それでPythonとPandasが役立つんですね。

正解。PythonのPandasライブラリは、データフレームの操作と分析を容易にする強力なツールだ。このブログでは、基本的なデータフレームの作成から、複雑なデータ操作技術まで、一歩一歩丁寧に説明していくよ。

素晴らしいです！どこから始めればいいですか？

まずは、データのクリーニングからだ。不要なデータを除去し、欠損値を適切に処理することから始めよう。このブログを読めば、Pandasを駆使してデータを磨き上げ、分析準備を整える方法がわかるだろう。

import pandas as pd

# 空のデータフレームを作成
df = pd.DataFrame()

# サンプルデータでデータフレームを作成
data = {
    'Name': ['John Doe', 'Jane Doe'],
    'Age': [28, 34],
    'City': ['New York', 'Los Angeles']
}
df = pd.DataFrame(data)

print(df)

基本操作：Pandas データフレームの作成と検査

Pandas ライブラリは、Python でデータ分析を行う際に不可欠なツールです。データフレームの作成から検査まで、基本的な操作をマスターすることで、データ分析の効率と精度を飛躍的に向上させることができます。このセクションでは、Pandas データフレームの基礎を紹介し、その強力な機能を解き明かします。

データフレームの作成

まずは、Pandas データフレームを作成する基本的な方法から始めましょう。データフレームは、表形式のデータを扱うための二次元のデータ構造であり、各列に異なるデータ型を持つことができます。

import pandas as pd

# データフレームの作成
data = {
    'Name': ['John', 'Anna', 'Peter', 'Linda'],
    'Age': [28, 34, 29, 32],
    'City': ['New York', 'Paris', 'Berlin', 'London']
}
df = pd.DataFrame(data)

print(df)

データフレームの検査

データフレームを作成したら、その内容を検査してみましょう。Pandas にはデータフレームを簡単に概観できるメソッドがいくつか用意されています。

# データフレームの最初の5行を表示
print(df.head())

# データフレームの情報概要
print(df.info())

# データフレームの統計的概要
print(df.describe())

これらの基本操作をマスターすることで、Pandas でのデータ分析の土台が築かれます。次に、データクリーニングや操作など、さらに高度なテクニックに進んでいきましょう。

データのクリーニング：欠損値の扱いとデータ型の変換

データ分析を行う際、データセットに欠損値や不適切なデータ型が存在することはよくあります。これらの問題を適切に処理することは、分析の正確性と信頼性を保証するために不可欠です。本セクションでは、Pandas を使用して欠損値を扱い、データ型を変換する方法を紹介します。

欠損値の扱い

欠損値を処理する方法はいくつかありますが、最も一般的な方法は、欠損値を別の値で置き換えるか、欠損値を含む行や列を削除することです。

import pandas as pd
import numpy as np

# 欠損値を含むデータフレームの例
df = pd.DataFrame({
    'A': [1, 2, np.nan, 4],
    'B': [np.nan, 2, 3, 4],
    'C': [1, 2, 3, np.nan]
})

# 欠損値を含む行を削除
df_dropna = df.dropna()

# 欠損値を特定の値で埋める
df_filled = df.fillna(value=0)

print("削除後のデータフレーム:")
print(df_dropna)
print("\n埋めた後のデータフレーム:")
print(df_filled)

データ型の変換

データ分析を進める上で、列のデータ型を変換する必要がしばしばあります。Pandas では、astype メソッドを使ってこれを簡単に行うことができます。

# データ型の変換例
df['A'] = df['A'].astype('float64')
df['B'] = df['B'].astype('int32')

print("データ型を変換後のデータフレーム:")
print(df.dtypes)

欠損値の扱いとデータ型の変換を適切に行うことで、データセットは分析のためのより良い状態になります。これにより、データ分析の結果もより正確で信頼性の高いものとなります。

データフレームの操作：列の追加、削除、および変更

データの分析や加工を行う過程で、データフレームに対する列の追加、削除、または変更が必要になることがよくあります。Pandas ライブラリを使用すると、これらの操作を簡単かつ効率的に行うことができます。本セクションでは、列の追加、削除、および変更の基本的な方法を紹介します。

列の追加

新しい列をデータフレームに追加する方法はいくつかあります。最も直接的な方法は、新しい列名を指定して値を代入することです。

import pandas as pd

# データフレームの例
df = pd.DataFrame({
    'A': [1, 2, 3, 4],
    'B': [5, 6, 7, 8]
})

# 新しい列Cを追加
df['C'] = [9, 10, 11, 12]

print("列Cを追加後のデータフレーム:")
print(df)

列の削除

不要になった列を削除するには、drop メソッドを使用します。列を削除する場合は、axis=1 パラメータを指定することを忘れないでください。

# 列Bを削除
df.drop('B', axis=1, inplace=True)

print("列Bを削除後のデータフレーム:")
print(df)

列の変更

列の値を変更するには、該当する列に新しいデータ配列を代入します。列全体ではなく、特定の条件を満たす行のみを変更することも可能です。

# 列Aの値を2倍に変更
df['A'] = df['A'] * 2

print("列Aの値を変更後のデータフレーム:")
print(df)

このように、Pandas を使用して簡単に列の追加、削除、および変更を行うことができます。これらの操作をマスターすることで、データの前処理や分析をより柔軟に行うことが可能になります。

データのフィルタリングと選択：条件に基づくデータの絞り込み

データ分析を行う際に、特定の条件を満たすデータのみに焦点を当てたい場合があります。Pandas を使用すると、複雑な条件に基づいてデータを効率的にフィルタリングし、必要な情報のみを抽出することができます。このセクションでは、条件に基づくデータの選択とフィルタリングの方法を詳しく説明します。

条件による行の選択

特定の条件を満たす行を選択するには、ブールインデキシングを使用します。これは、指定した条件に基づいて各行が True または False と評価されることによって行われます。

import pandas as pd

# データフレームの例
df = pd.DataFrame({
    'Name': ['John', 'Anna', 'Peter', 'Linda'],
    'Age': [28, 34, 29, 32],
    'City': ['New York', 'Paris', 'Berlin', 'London']
})

# 年齢が30以上の行を選択
filtered_df = df[df['Age'] >= 30]

print("年齢が30以上の行:")
print(filtered_df)

複数の条件によるフィルタリング

複数の条件を組み合わせてデータをフィルタリングする場合、論理演算子を使用します。Pandas では、&（論理AND）、|（論理OR）を使用して条件を結合できます。

# 年齢が30以上かつ、都市がパリの行を選択
filtered_df = df[(df['Age'] >= 30) & (df['City'] == 'Paris')]

print("年齢が30以上かつ都市がパリの行:")
print(filtered_df)

このように、Pandas の強力なフィルタリング機能を利用することで、複雑なデータセットから必要な情報を迅速に抽出することが可能です。データの選択とフィルタリングをマスターすることは、効率的なデータ分析のための重要なステップです。

集約とグルーピング：データの要約と分析

データ分析において、データセットを集約し、特定の基準に従ってグループ化することは、洞察を得るための強力な手段です。Pandas の groupby メソッドを使用することで、簡単にグループ化と集約操作を行うことができます。このセクションでは、Pandas を使用してデータをグループ化し、集約する方法について詳しく説明します。

データのグルーピング

特定の列に基づいてデータをグループ化し、それぞれのグループに対して集約関数を適用することで、データに含まれるパターンや傾向を明らかにすることができます。

import pandas as pd

# サンプルデータフレームの作成
df = pd.DataFrame({
    'Category': ['A', 'B', 'A', 'B', 'C', 'A', 'B', 'C'],
    'Values': [10, 20, 15, 25, 5, 20, 15, 10]
})

# カテゴリーごとに値を集約（平均を計算）
grouped_df = df.groupby('Category').mean()

print("カテゴリーごとの平均値:")
print(grouped_df)

複数の集約関数の適用

agg メソッドを使用すると、複数の集約関数を一度に適用し、データのさまざまな側面を探ることができます。

# 複数の集約関数を適用
agg_df = df.groupby('Category').agg(['mean', 'sum', 'max'])

print("複数の集約関数を適用した結果:")
print(agg_df)

集約とグルーピングを行うことで、データセットからより深い洞察を得ることが可能になります。Pandas を使ったこれらの操作は、データ分析のプロセスを大きく効率化し、より有意義な結果を導き出すための強力なツールです。

データの結合とマージ：複数のデータフレームの統合

データ分析プロジェクトにおいて、異なるソースから得られたデータセットを一つにまとめることはよくあるシナリオです。Pandas ライブラリは、このような場合に強力な機能を提供します。特に merge と concat 関数は、データフレームを結合またはマージするために頻繁に使用されます。このセクションでは、それぞれの関数の使用方法と、実際のデータ分析タスクでの適用例を詳しく見ていきましょう。

データフレームの結合：merge

merge 関数は、SQL の JOIN 操作に似た方法で、二つのデータフレームをキーに基づいて結合します。これにより、関連する情報が異なるデータフレームに分散している場合に、それらを効率的に一つにまとめることができます。

import pandas as pd

# データフレーム1
df1 = pd.DataFrame({
    'Key': ['K0', 'K1', 'K2', 'K3'],
    'A': ['A0', 'A1', 'A2', 'A3'],
    'B': ['B0', 'B1', 'B2', 'B3']
})

# データフレーム2
df2 = pd.DataFrame({
    'Key': ['K0', 'K1', 'K2', 'K3'],
    'C': ['C0', 'C1', 'C2', 'C3'],
    'D': ['D0', 'D1', 'D2', 'D3']
})

# merge 関数を使用して結合
result = pd.merge(df1, df2, on='Key')

print("結合結果:")
print(result)

データフレームの連結：concat

複数のデータフレームを単純に縦や横に連結したい場合には、concat 関数が便利です。これは、同じ種類のデータを持つ複数のデータセットを一つにまとめるのに特に有効です。

# 縦方向に連結
vertical_concat = pd.concat([df1, df2], axis=0)

# 横方向に連結
horizontal_concat = pd.concat([df1, df2], axis=1)

print("縦方向に連結した結果:")
print(vertical_concat)
print("\n横方向に連結した結果:")
print(horizontal_concat)

このように、merge と concat 関数を使って、異なるデータフレームを効率的に統合することができます。データ分析においてこれらの操作をマスターすることは、様々なデータソースからの情報を組み合わせ、より豊かな洞察を得るために非常に重要です。

データのソートとランキング：重要な情報の抽出

データセット内の情報を分析する際には、特定の基準に基づいてデータを並び替えたり、ランキングを付けたりすることで、重要な洞察を得ることができます。Pandas の sort_values メソッドと rank メソッドを使用することで、このような操作を簡単に行うことができます。本セクションでは、これらのメソッドを使ったデータのソートとランキングの基本的なテクニックを紹介します。

データのソート

データフレーム内のデータを特定の列の値に基づいてソートすることは、データ分析の基本的なステップです。これにより、最大値や最小値、あるいはトップNのレコードを簡単に識別することが可能になります。

import pandas as pd

# サンプルデータフレーム
df = pd.DataFrame({
    'Name': ['John', 'Anna', 'Peter', 'Linda'],
    'Age': [28, 34, 29, 32],
    'City': ['New York', 'Paris', 'Berlin', 'London']
})

# Age列に基づいてデータフレームをソート
sorted_df = df.sort_values(by='Age', ascending=False)

print("年齢降順にソートされたデータフレーム:")
print(sorted_df)

データのランキング

データ内の各項目にランクを付けることも、分析を行う上で非常に役立ちます。Pandas の rank メソッドを使用すると、指定した列に基づいて各行にランクを付けることができます。

# Age列の値に基づいてランクを付ける
df['AgeRank'] = df['Age'].rank(ascending=False)

print("年齢に基づいてランク付けされたデータフレーム:")
print(df)

このように、データのソートとランキングを行うことで、データセット内の重要な情報やパターンを効果的に抽出し、分析結果の品質を高めることができます。Pandas を使用したこれらの操作は、データ分析プロセスにおいて重要な役割を果たします。

データのソートとランキング：重要な情報の抽出

データ分析の過程では、大量のデータから有用な情報を効率的に抽出することが求められます。データのソートとランキングは、この目的を達成するための基本的な手法です。Pandas ライブラリを使用することで、これらの操作を簡単かつ柔軟に行うことができます。本記事では、データをソートし、ランキングを付けることによって、重要な情報を効果的に抽出する方法を紹介します。

データのソート

ソートは、データを特定の順序で並べ替えるプロセスです。Pandas の sort_values メソッドを使うことで、任意の列を基準に昇順または降順でデータを並べ替えることが可能です。これにより、最大値や最小値を迅速に特定したり、データの分布を把握したりすることが容易になります。

import pandas as pd

# サンプルデータフレームの生成
df = pd.DataFrame({
    'Name': ['John', 'Anna', 'Peter', 'Linda'],
    'Age': [28, 34, 29, 32],
    'City': ['New York', 'Paris', 'Berlin', 'London']
})

# Age 列に基づいてデータフレームを降順にソート
sorted_df = df.sort_values(by='Age', ascending=False)

print("年齢で降順にソート:")
print(sorted_df)

データのランキング

ランキングは、データセット内の各要素に順位を付けるプロセスです。Pandas の rank メソッドを使用することで、指定された基準に従ってデータにランクを付けることができます。ランキングは、特定の基準に基づいてデータセット内のアイテムを比較する際に特に有用です。

# Age 列の値に基づいて各行にランクを付ける
df['Rank'] = df['Age'].rank(method='average', ascending=False)

print("年齢に基づいたランキング:")
print(df)

データのソートとランキングを駆使することで、膨大なデータセットから有意義な情報を抽出し、分析の深度を増すことができます。Pandas を利用したこれらの操作は、データ分析プロセスにおける強力なツールとなります。

時系列データの扱い：日付と時刻の操作

時系列データは、特定の時間軸に沿って並べられたデータの集合です。金融、気象、物流など、さまざまな分野で時系列データの分析が必要とされています。Pandas ライブラリは、時系列データの操作に関しても非常に強力な機能を提供します。この記事では、日付と時刻の操作を中心に、Pandas を使用した時系列データの扱い方について解説します。

日付と時刻の生成

Pandas では、pd.to_datetime 関数を使用して文字列から日付と時刻のオブジェクトを生成できます。また、pd.date_range 関数を使用することで、特定の頻度で日付の範囲を生成することが可能です。

import pandas as pd

# 文字列から日付時刻オブジェクトへの変換
date_time = pd.to_datetime('2023-01-01 12:00')
print("生成された日付時刻オブジェクト:", date_time)

# 日付の範囲を生成
date_range = pd.date_range(start='2023-01-01', end='2023-01-07')
print("\n生成された日付の範囲:")
print(date_range)

時系列データの操作

時系列データを効果的に扱うためには、データのインデックスとして日付や時刻を使用することが重要です。これにより、特定の期間を簡単に抽出したり、時系列データを再サンプリングしたりすることができます。

# 時系列データのサンプルを生成
time_series = pd.Series([1, 2, 3, 4, 5, 6, 7], index=pd.date_range('2023-01-01', periods=7))
print("時系列データサンプル:")
print(time_series)

# 特定の期間のデータを選択
selected_data = time_series['2023-01-03':'2023-01-05']
print("\n特定の期間のデータ:")
print(selected_data)

# 時系列データの再サンプリング
resampled_data = time_series.resample('2D').sum()
print("\n再サンプリングされたデータ:")
print(resampled_data)

Pandas を使用した日付と時刻の操作は、時系列データの分析を行う上で非常に強力なツールです。上記の方法をマスターすることで、時系列データの分析や予測をより効果的に行うことができるようになります。

パフォーマンスの改善：大規模なデータセットの効率的な処理

データの規模が大きくなるにつれて、その処理速度やメモリ使用量に関する問題が顕著になります。特にデータ分析やデータサイエンスの領域では、効率的なデータ処理が重要です。Pandas は Python の主要なデータ分析ライブラリの一つですが、大量のデータを扱う際にはパフォーマンスの最適化が必要になることがあります。この記事では、大規模なデータセットを効率的に処理するためのテクニックをいくつか紹介します。

データ型の最適化

データ型を適切に選択することは、メモリ使用量を削減しパフォーマンスを改善するための最も簡単な方法の一つです。特に、整数や浮動小数点数の列については、実際のデータの範囲に合わせて最も効率的なデータ型を選択することが重要です。

import pandas as pd

# データフレームの生成
df = pd.DataFrame({
    'A': range(1, 10001),
    'B': range(10001, 20001)
})

# データ型の変更
df['A'] = df['A'].astype('int16')
df['B'] = df['B'].astype('float32')

print("データ型の最適化後のメモリ使用量:")
print(df.memory_usage(deep=True))

チャンクによる処理

非常に大きなデータセットを処理する際には、データを小さなチャンクに分割して処理することが有効です。Pandas では、read_csv や read_sql などの関数で chunksize パラメータを設定することで、データをチャンク単位で読み込むことができます。

# CSVファイルからデータをチャンク単位で読み込み
chunk_iter = pd.read_csv('large_dataset.csv', chunksize=1000)

# チャンクごとに処理
for chunk in chunk_iter:
    # ここで各チャンクに対する処理を行う
    pass

並列処理

データ処理の速度を向上させるもう一つの方法は、計算を並列化することです。Python の concurrent.futures モジュールや dask ライブラリを使用することで、データ処理タスクを複数のスレッドやプロセスに分散させることが可能になります。

大規模なデータセットの処理に際しては、これらのテクニックを組み合わせることで、メモリ使用量を削減し、

実践的応用：リアルワールドのデータセットでのクリーニングと操作

実際のデータ分析プロジェクトでは、生のデータセットには多くの問題が含まれていることがよくあります。データのクリーニングと操作は、これらの問題を解決し、データを分析のための適切な形式に整えるために不可欠です。この記事では、実際のデータセットを使ったデータクリーニングと操作のプロセスを紹介します。

データクリーニングの基本

データクリーニングには、欠損値の処理、重複データの削除、異常値の検出と修正などが含まれます。これらの基本的なステップを通じて、データセットを分析のためのより信頼性の高い形に整えることができます。

import pandas as pd
import numpy as np

# サンプルデータセットの読み込み
df = pd.DataFrame({
    'A': [1, 2, np.nan, 4, 5, 6, 7, np.nan],
    'B': [5, np.nan, np.nan, 8, 9, 10, 11, 12],
    'C': ['x', 'y', np.nan, 'z', 'x', 'y', 'z', np.nan]
})

# 欠損値の処理
df.fillna(method='ffill', inplace=True)

# 重複データの削除
df.drop_duplicates(inplace=True)

print("クリーニング後のデータセット:")
print(df)

リアルワールドのデータセットでの操作

実際のデータセットでは、データのクリーニングに加えて、特定の分析目的に合わせてデータを操作する必要があります。これには、データのフィルタリング、新しい特徴量の作成、データの変換などが含まれます。

# 特定の条件に基づくデータのフィルタリング
filtered_df = df[df['A'] > 3]

# 新しい特徴量の作成
df['D'] = df['A'] * df['B']

# データの変換
df['C'] = df['C'].map({'x': 'new_x', 'y': 'new_y', 'z': 'new_z'})

print("操作後のデータセット:")
print(df)

実際のデータセットを使用したデータのクリーニングと操作は、データ分析の質を大きく向上させることができます。これらのプロセスを適切に実行することで、より深い洞察とより正確な分析結果を得ることが可能になります。

よくある落とし穴とその対処法：データ処理のベストプラクティス

データ処理はデータ分析の基盤を構築しますが、この過程で多くの落とし穴に遭遇することがあります。これらの問題を事前に認識し、適切な対処法を知っておくことは、効率的かつ正確なデータ分析を行う上で非常に重要です。この記事では、データ処理における一般的な問題と、それらを回避するためのベストプラクティスを紹介します。

落とし穴1: 欠損値の無視

データセット内の欠損値を無視して分析を進めると、結果の歪みや誤解釈を引き起こす可能性があります。

# 対処法: 欠損値の積極的な処理
# 欠損値を平均値で埋める例
df.fillna(df.mean(), inplace=True)

落とし穴2: データのスケールの無視

異なるスケールのデータをそのまま分析に使用すると、特定の変数が結果に過剰に影響を与えることがあります。

# 対処法: データの正規化または標準化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
df_scaled = scaler.fit_transform(df)

落とし穴3: 重複データの見落とし

データセット内の重複データは、分析の精度を低下させる原因となります。

# 対処法: 重複データの削除
df.drop_duplicates(inplace=True)

落とし穴4: 異常値の無視

異常値は、分析結果に大きな影響を与える可能性があるため、適切に扱う必要があります。

# 対処法: 異常値の検出と処理
from scipy import stats
df_filtered = df[(np.abs(stats.zscore(df)) < 3).all(axis=1)]

これらの落とし穴に注意し、適切な対処法を適用することで、データ分析の品質を大幅に向上させることができます。データ処理のプロセスでは、常にデータの整合性と品質を最優先に考慮することが重要です。

ツールとリソース：データクリーニングと操作を支援する外部ライブラリ

データクリーニングと操作は、データ分析のプロセスで避けては通れない重要なステップです。幸いなことに、これらの作業を容易にし、効率を向上させるための多くの外部ライブラリが存在します。この記事では、データサイエンティストやアナリストがデータクリーニングと操作を行う際に利用できる便利なツールとリソースを紹介します。

Pandas Profiling

Pandas Profilingは、データセットの探索的データ分析を自動化するライブラリです。このツールを使用すると、データセットの最初の理解を深めるために必要な多くの統計的概要を迅速に得ることができます。

# Pandas Profilingの使用例
import pandas as pd
from pandas_profiling import ProfileReport

df = pd.read_csv('your_dataset.csv')
profile = ProfileReport(df, title='Pandas Profiling Report')
profile.to_file("your_report.html")

DataCleaner

DataCleanerは、一般的なデータクリーニングプロセスを自動化するPythonライブラリです。欠損値の処理やカテゴリーデータのエンコーディングなど、データクリーニングにおける一般的なタスクを簡単に実行できます。

# DataCleanerの使用例
import pandas as pd
from datacleaner import autoclean

df = pd.read_csv('your_dataset.csv')
cleaned_df = autoclean(df)

Great Expectations

Great Expectationsは、データの品質を検証し、文書化するためのツールです。データセットが特定の期待（ルールや制約）を満たしているかどうかを検証することで、データクリーニングプロセスの一環として利用できます。

# Great Expectationsの基本的な使用例
import great_expectations as ge

df = ge.read_csv('your_dataset.csv')
df.expect_column_values_to_be_in_set('your_column', ['expected_value_1', 'expected_value_2'])
df.validate()

これらのツールとリソースを活用することで、データ分析プロジェクトの準備段階をより迅速かつ効果的に進めることができます。データの品質を確保し、分析の精度を高めるために、これらのライブラリの使用を検討してみてください。

まとめ：クリーンなデータへの道

データ分析の世界では、クリーンなデータが成功の鍵を握ります。データクリーニングとは、データセットを分析のために準備するプロセスであり、データの品質を高めることが目的です。この記事では、データクリーニングの重要性と、効果的なデータクリーニングのためのベストプラクティスについて説明します。

データクリーニングの重要性

分析の正確性は、データの品質に直接依存しています。クリーニングされていないデータは、誤解を招いたり、不正確な結論を導いたりする可能性があります。そのため、データ分析を開始する前に、データセットを徹底的にクリーニングすることが不可欠です。

効果的なデータクリーニングのステップ

データクリーニングは、以下のステップで構成されます。

1. 欠損値の処理：欠損値を特定し、適切な方法（削除、代替等）で処理します。
2. 異常値の検出と処理：統計的方法を使用して異常値を特定し、必要に応じて修正または削除します。
3. 重複データの削除：データセットから重複するエントリを削除し、データの一貫性を保ちます。
4. データ型の正規化：適切なデータ型に変換し、データの扱いやすさを向上させます。

データクリーニングのツールとリソース

データクリーニングプロセスを支援するための多くのツールとライブラリがあります。Pandas、Pandas Profiling、DataCleanerなどのライブラリは、Pythonでのデータクリーニングを容易にします。

# Pandasを使用した欠損値の処理の例
import pandas as pd

df = pd.DataFrame(...)
df.fillna(0, inplace=True)

効果的なデータクリーニングは、時間と労力を要するプロセスですが、データ分析の品質と正確性を大幅に向上させることができます。適切なツールと戦略を使用して、データセットを徹底的にクリーニングし、信頼できる分析結果を得るための基盤を築きましょう。