プログラミング入門ミニ教科書

-- ※ これは SQL です(参考表示)。下のセクションで Python から SQLite を呼び出して動かせます

-- 全件取得
SELECT * FROM employees;

-- フィルタ + 並び替え
SELECT name, salary
FROM employees
WHERE dept = '開発'
ORDER BY salary DESC
LIMIT 10;

SELECT
    dept,
    COUNT(*) AS n,
    AVG(salary) AS avg_salary,
    MAX(salary) AS max_salary
FROM employees
GROUP BY dept
HAVING COUNT(*) >= 3
ORDER BY avg_salary DESC;

SELECT
    e.name,
    d.dept_name,
    e.salary
FROM employees e
INNER JOIN departments d ON e.dept_id = d.id
WHERE d.location = 'Tokyo';

-- 部署ごとの年収ランク TOP 3
SELECT name, dept, salary,
       RANK() OVER (PARTITION BY dept ORDER BY salary DESC) AS rk
FROM employees
QUALIFY rk <= 3;

# ベクトル(R では『1 次元配列』が基本単位)
scores <- c(85, 92, 78, 90, 67)
mean(scores)        # [1] 82.4
sd(scores)          # [1] 10.59
summary(scores)

# データフレーム
df <- data.frame(
  name = c('Alice', 'Bob', 'Carol'),
  score = c(85, 92, 78)
)
print(df)

# 統計関数は最初から豊富(import 不要)
var(scores)
median(scores)
quantile(scores, c(0.25, 0.5, 0.75))

library(dplyr)

df <- data.frame(
  dept = c('営業', '開発', '営業', '開発', '営業'),
  salary = c(500, 700, 550, 800, 480),
  years = c(3, 5, 4, 8, 2)
)

# パイプ演算子で読みやすく
df %>%
  filter(salary >= 500) %>%
  group_by(dept) %>%
  summarise(
    n = n(),
    avg_salary = mean(salary),
    avg_years = mean(years)
  ) %>%
  arrange(desc(avg_salary))

# Pandas の groupby 相当だが、より宣言的に書ける

# 1 標本 t 検定
x <- c(102, 105, 98, 100, 103, 99, 104, 101)
t.test(x, mu = 100)        # 帰無仮説 μ=100 を検定

# 2 標本 t 検定(Welch、デフォルト)
a <- c(72, 75, 68, 80, 79)
b <- c(85, 88, 82, 90, 87)
t.test(a, b)

# 一元配置 ANOVA
data <- data.frame(
  group = rep(c('A', 'B', 'C'), each = 5),
  value = c(85, 87, 80, 82, 86,  72, 78, 75, 80, 76,  90, 92, 88, 95, 91)
)
aov_result <- aov(value ~ group, data = data)
summary(aov_result)

# カイ二乗適合度検定
observed <- c(8, 13, 9, 11, 7, 12)  # サイコロ 60 回
chisq.test(observed)

# 母比率の検定
prop.test(x = 72, n = 200, p = 0.30)

# サンプルデータ
set.seed(42)
n <- 100
x1 <- rnorm(n)
x2 <- rnorm(n)
y <- 2 + 1.5 * x1 - 0.7 * x2 + rnorm(n, sd = 0.5)

df <- data.frame(y = y, x1 = x1, x2 = x2)

# 重回帰
model <- lm(y ~ x1 + x2, data = df)
summary(model)
# 推定値・標準誤差・t 値・p 値・R² まで一発表示

# 残差プロットで診断
par(mfrow = c(2, 2))
plot(model)
# 4 つの診断図(残差 vs fitted / Q-Q / scale-location / leverage)を自動生成

library(ggplot2)

# iris データセット(R 標準搭載)
ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +
  geom_point(size = 3, alpha = 0.7) +
  geom_smooth(method = 'lm', se = TRUE) +
  labs(
    title = 'アヤメの花弁の長さ vs がく片の長さ',
    x = 'がく片の長さ (cm)',
    y = '花弁の長さ (cm)'
  ) +
  theme_minimal()

# データ → 美的属性(aesthetics) → 幾何要素(geom) → 統計変換 → 座標系 → ファセット
# という階層的な文法でグラフを構築する Grammar of Graphics の発想

# plotly は pyodide にデフォルト同梱されないため参考表示
import plotly.express as px
import pandas as pd

df = px.data.iris()  # plotly 内蔵のサンプル

fig = px.scatter(
    df, x='sepal_length', y='petal_length',
    color='species', size='petal_width',
    hover_data=['species'],
    title='アヤメの散布図(対話的)'
)
fig.show()

# 特長:
# - ホバーで値表示・ズーム・パン
# - HTML/PNG/PDF 出力
# - JavaScript 不要(Python だけで対話的グラフが書ける)

# PyTorch は pyodide にデフォルト同梱されないため参考表示
import torch

# テンソル(NumPy 配列に GPU + 自動微分の機能を追加)
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = (x ** 2).sum()

print(f'x: {x}')
print(f'y = sum(x^2) = {y.item()}')

# 自動微分: dy/dx = 2x
y.backward()
print(f'dy/dx: {x.grad}')  # tensor([2., 4., 6.])

# GPU 利用(CUDA が使える環境では)
if torch.cuda.is_available():
    x_gpu = x.cuda()
    print(f'on GPU: {x_gpu.device}')

import torch
import torch.nn as nn
import torch.optim as optim

# 偽データ: y = 2x + 1 + ノイズ
torch.manual_seed(0)
x = torch.linspace(-3, 3, 100).unsqueeze(1)
y = 2 * x + 1 + torch.randn_like(x) * 0.5

# モデル定義(1 層の線形変換)
model = nn.Linear(in_features=1, out_features=1)

# 損失関数とオプティマイザ
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.05)

# 学習ループ
for epoch in range(200):
    y_pred = model(x)              # 順伝播
    loss = criterion(y_pred, y)    # 損失計算
    optimizer.zero_grad()          # 勾配クリア
    loss.backward()                # 逆伝播
    optimizer.step()               # パラメータ更新

    if (epoch + 1) % 50 == 0:
        w, b = model.weight.item(), model.bias.item()
        print(f'Epoch {epoch+1:3d}: loss={loss.item():.4f}, w={w:.3f}, b={b:.3f}')

# 最終的に w ≈ 2, b ≈ 1 に収束する

import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X, y = load_iris(return_X_y=True)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)
X_tr = StandardScaler().fit_transform(X_tr)
X_te = StandardScaler().fit_transform(X_te)

# Tensor に変換
X_tr_t = torch.tensor(X_tr, dtype=torch.float32)
y_tr_t = torch.tensor(y_tr, dtype=torch.long)
X_te_t = torch.tensor(X_te, dtype=torch.float32)

# 多層パーセプトロン(MLP)
class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(4, 16),
            nn.ReLU(),
            nn.Linear(16, 8),
            nn.ReLU(),
            nn.Linear(8, 3),  # 3 クラスのロジット
        )

    def forward(self, x):
        return self.net(x)

model = MLP()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

for epoch in range(200):
    optimizer.zero_grad()
    logits = model(X_tr_t)
    loss = criterion(logits, y_tr_t)
    loss.backward()
    optimizer.step()
    if (epoch + 1) % 50 == 0:
        acc = (logits.argmax(1) == y_tr_t).float().mean()
        print(f'Epoch {epoch+1}: loss={loss:.4f}, train_acc={acc:.3f}')

# テスト評価
model.eval()
with torch.no_grad():
    pred = model(X_te_t).argmax(1).numpy()
print(f'\nTest accuracy: {(pred == y_te).mean():.3f}')

# Hugging Face は事前学習済みモデルのハブ
from transformers import pipeline

# 感情分析(英語、最初の実行時にモデルをダウンロード)
classifier = pipeline('sentiment-analysis')

results = classifier([
    'I love this product!',
    'This is the worst experience.',
    'It works fine, nothing special.'
])

for r in results:
    print(f"label: {r['label']}, score: {r['score']:.3f}")

# 数行で BERT クラスの SOTA モデルが使える
# 日本語: rinna/japanese-roberta-base などを指定すれば OK
# テキスト生成・翻訳・要約・QA すべて pipeline() の引数で切替可能

# 初期化と設定
git init                       # 新規リポジトリ
git clone <url>                # 既存リポジトリ取得
git config --global user.name 'Your Name'

# 日々のサイクル
git status                     # 現在の状態確認
git add <file>                 # ステージング
git commit -m 'メッセージ'      # コミット
git log --oneline              # 履歴表示

# 共同作業
git push origin main           # リモートに送信
git pull origin main           # リモートから取得
git branch feature/foo         # ブランチ作成
git checkout feature/foo       # ブランチ切替
git merge feature/foo          # ブランチ統合

# venv(標準)
python -m venv .venv
source .venv/bin/activate         # mac/Linux
.venv\Scripts\activate            # Windows
pip install -r requirements.txt

# Conda(科学計算系で人気)
conda create -n myenv python=3.11
conda activate myenv
conda install numpy pandas matplotlib

# Poetry(モダンな依存管理)
poetry init
poetry add pandas scikit-learn
poetry shell

# uv(2024 年登場の最速、Rust 製)
uv venv
uv pip install pandas scikit-learn