高度な分析のロックを解除:Excel の Python でデータ分析を強化

 

Excel の Python は、Excel セル内で Python コードを直接記述して実行できる強力な Microsoft 365 機能です。 Python 分析の能力を Excel にもたらします。セルに Python を直接入力すると、Python の計算が Microsoft Cloud で実行され、結果がワークシートに返されます。 Excel の使い慣れたインターフェイスと再計算を Python の豊富なエコシステムと組み合わせて、スプレッドシートから離れたりローカルに何かをインストールしたりすることなく、データ分析、クリーニング、統計、視覚化を行うことができます。

このチュートリアルでは、Excel で Python を使用する方法と、それがいつ、どのように役立つかを示します。 Jupyter や VS Code などの他のツールに切り替える代わりに、Excel で Python を直接使用できます。

要件と可用性

• Microsoft 365 サブスクリプション: 多くの有料プラン (一般消費者向け、ファミリー/個人向け、商用、教育向け、エンタープライズ向け) で利用できます。一部の機能や高度なコンピューティングにはアドオンが必要な場合があります。
• プラットフォーム: 主に Windows デスクトップ Excel で利用できます。サポートは Web、Mac、モバイルごとに異なります。 Excel for iPad、Excel for iPhone、Excel for Android では利用できません。
• ローカル Python は必要ありません: プリインストールされたライブラリを使用して、すべてがクラウドで実行されます。 Excel で Python を使用するために、Python のローカル バージョンは必要ありません。ローカル バージョンの Python がコンピュータにインストールされている場合、そのインストールに対して行ったカスタマイズは、Python in Excel の計算には反映されません。

重要: Excel で Python を使用するには、インターネット アクセスが必要です。これは、Python in Excel の計算が、標準バージョンの Python 言語を使用して Microsoft クラウドで実行されるためです。

Excel で Python の使用を開始する

セル内で Python を有効にする:

• セルを選択
• 数式に移動します タブ>> Python の挿入 を選択します。
• または「=PY」と入力します。 セル内で Tab を押します。
• 数式バーが緑色に変わり、Python モードであることを示します

xl() 関数:Excel と Python の橋渡し

Excel で Python を使用するための鍵は、xl() 関数です。この関数を使用すると、Python コードでスプレッドシートからデータを直接読み取ることができます。

• 編集モードで、クリックしてドラッグしてセルまたは範囲（例:A1:D100）を選択します
• Excel は xl(“A1:D100”) などの参照を挿入します

# pandas DataFrame として範囲を参照する
df =xl(“A1:D100”, headers=True)

# 単一のセル値を参照する
ターゲット =xl(“F1”)

これは、Python がスプレッドシート データを「認識」する方法です。これを =PY() セル内に記述し、結果を通常の Python オブジェクトとして操作します。

出力オプション:

• 数式バーのドロップダウンを使用してExcel 値として返します。 (ネイティブ Excel セル/テーブルに変換) またはPython オブジェクトとして保持します。 (他の Python セルでのチェーン用)
• Ctrl + Alt + Shift + M を押します。 出力タイプを切り替える
• 場合によっては、デバッグまたは出力に print() を使用します

再計算: Python のセルは、他の数式と同様、入力が変化すると (自動モードで) 自動的に再計算されます。

ヒント: 小さなことから始めましょう。データを選択し、Python を挿入して DataFrame に変換し、.head()、.describe()、または単純な操作を使用して探索します。

Excel で Python が役立つ場合

1.高度なデータ クリーニングと変換

Python では、乱雑な日付を簡単に修正し、テキスト (大文字、スペース) を標準化し、null と重複を処理し、ワイド データを長い形式にアンピボットし、一貫性のない形式や欠損値を管理できます。 Pandas を使用すると、これらのタスクが簡潔になり、再現可能になります。

Python:

import pandas as pd
df = xl("A1:I56", headers=True)
df.columns = df.columns.str.strip().str.title()
# Fix names: Title Case
df["Customer_Name"] = df["Customer_Name"].str.strip().str.title()
# Fix region: Title Case
df["Region"] = df["Region"].str.strip().str.title()
# Standardize product: Title Case
df["Product"] = df["Product"].str.strip().str.title()
# Standardize status and feedback
df["Status"] = df["Status"].str.strip().str.capitalize()
df["Feedback"] = df["Feedback"].str.strip().str.capitalize()
# Parse all messy date formats into one
df["Order_Date"] = pd.to_datetime(df["Order_Date"], dayfirst=True, errors="coerce")
# Fill missing quantity with median
df["Quantity"] = pd.to_numeric(df["Quantity"], errors="coerce")
df["Quantity"] = df["Quantity"].fillna(df["Quantity"].median())
df

• チェックマークをクリックします。 またはCtrl+Enterを押します。 コードを実行する
• 出力セルのカード アイコンをクリック>> arrayPreview を選択します

クリーンアップされた DataFrame は自動的にシートに戻ります。結果を Excel 値として返し、クリーンなデータをさらなる分析と計算に使用します。

• 数式バーからドロップダウンを展開します。>> Excel 値を選択します

• 次に、クリーンアップされた新しいデータを他の例で使用します

2.複雑なデータ分析と統計

Python を使用すると、複雑なグループ化、複数ステップの変換、統計集計など、Excel の組み込み関数を超える操作が可能になります。また、時系列分析、回帰、クラスタリング、外れ値検出、テキストのセンチメント分析、モンテカルロ シミュレーションもサポートしています。

Python:

import pandas as pd
# Load data from the SalesData sheet
df = xl("SalesData!K1:S156", headers=True)
df["Revenue"] = df["Quantity"] * df["Unit_Price"]
# Revenue summary + outlier flag (> 2 std devs)
summary = df.groupby("Region")["Revenue"].agg(["sum", "mean", "std"])
summary["outlier_threshold"] = summary["mean"] + 2 * summary["std"]
summary.round(2)

結果は、テーブルとしてシートに直接反映されます。 df.describe() を使用することもできます。 データフレーム全体の概要統計を表示します。

Python:

import pandas as pd
# Load data from the SalesData sheet
df = xl("SalesData!K1:S156", headers=True)
df["Revenue"] = df["Quantity"] * df["Unit_Price"]
df.describe()

3.より良いグラフと視覚化

Matplotlib、Seaborn、plotnine を使用すると、密度プロット、群プロット、ワード クラウド、または小さな倍数などの専門的なプロットを簡単に作成できます。これらは Excel グラフよりもはるかに柔軟です。 matplotlib と seaborn を使用して、Excel のネイティブ チャートを超えてみましょう。

Python:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# Load data from the SalesData sheet
df = xl("SalesData!K1:S156", headers=True)
df["Revenue"] = df["Quantity"] * df["Unit_Price"]
fig, ax = plt.subplots(figsize=(8, 4))
sns.boxplot(data=df, x="Region", y="Revenue", palette="Set2", ax=ax)
ax.set_title("Revenue Distribution by Region")
ax.set_xlabel("Region")
ax.set_ylabel("Revenue ($)")
fig

グラフはワークシート内に画像オブジェクトとして直接表示され、他の Excel グラフと同様にサイズ変更や位置変更が可能です。

4.スプレッドシート データの機械学習

Python を使用すると、予測モデリングと予測が可能になります。 Excel データに対して statsmodels または scikit-learn を直接使用して、より正確な予測やシンプルな機械学習モデルを構築できます。

Excel を終了せずに予測モデルを実行します:

Python:

import pandas as pd
from sklearn.linear_model import LinearRegression
# Load data from the SalesData sheet
df = xl("SalesData!K1:S156", headers=True)
# Convert to numeric and fill missing values with median
df["Quantity"] = pd.to_numeric(df["Quantity"], errors="coerce")
df["Unit_Price"] = pd.to_numeric(df["Unit_Price"], errors="coerce")
df["Quantity"] = df["Quantity"].fillna(df["Quantity"].median())
df["Unit_Price"] = df["Unit_Price"].fillna(df["Unit_Price"].median())
# Calculate Revenue
df["Revenue"] = df["Quantity"] * df["Unit_Price"]
# One-hot encode Product
X = pd.get_dummies(df[["Product", "Unit_Price"]], drop_first=True)
y = df["Revenue"]
# Fit the Linear Regression model
model = LinearRegression().fit(X, y)
# Add predictions
df["Predicted_Revenue"] = model.predict(X).round(2)
# Create final result with useful columns
result = df[["Order_Id", "Product", "Revenue", "Predicted_Revenue"]].copy()
result["Difference"] = (result["Revenue"] - result["Predicted_Revenue"]).round(2)
# Optional: Show model performance
print("Model R² Score:", round(model.score(X, y), 4))
result

ビジネス アナリストは、別の環境に切り替えることなく、機械学習モデルを既存のデータに適用できます。

5.ローリング計算と時系列

Excel の数式だけを使用して移動平均、累積合計、ラグ特徴を計算するのは困難です。 Python はこれらのタスクを簡素化します。

Python:

import pandas as pd
# Load your full sales data
df = xl("SalesData!K1:S156", headers=True)
# Calculate Daily Revenue
df["Revenue"] = df["Quantity"] * df["Unit_Price"]
# Rolling Calculations (Time Series)
# Sort by date first (important for time series)
df = df.sort_values("Order_Date").reset_index(drop=True)
# 7-day Rolling Metrics on Revenue (weekly trend)
df["Revenue_7d_Mean"] = df["Revenue"].rolling(window=7, min_periods=1).mean().round(2)
df["Revenue_7d_Sum"] = df["Revenue"].rolling(window=7, min_periods=1).sum().round(2)
df["Revenue_7d_Max"] = df["Revenue"].rolling(window=7, min_periods=1).max().round(2)
df["Revenue_7d_Std"] = df["Revenue"].rolling(window=7, min_periods=1).std().round(2)
# 30-day Rolling Mean (monthly trend)
df["Revenue_30d_Mean"] = df["Revenue"].rolling(window=30, min_periods=1).mean().round(2)
# Cumulative Revenue (running total)
df["Cumulative_Revenue"] = df["Revenue"].cumsum().round(2)
# Select columns to display
result = df[["Order_Id", "Order_Date", "Product", "Revenue", 
 "Revenue_7d_Mean", "Revenue_7d_Sum", "Revenue_30d_Mean", 
 "Cumulative_Revenue"]]
result

このアプローチは、販売傾向の分析、日次または週次の変動の平滑化、異常の検出、勢いの予測に役立ちます。

• 収益_7d_平均: 7 日間移動平均 (週次の売上傾向を平滑化)
• 収益_7d_合計: 過去 7 日間の総収益
• 収益_30d_平均: 30 日移動平均 (長期トレンド)
• 累積収益: その日までのすべての収益の累計

ヒントとベスト プラクティス

• チェーンセル: 以前の Python オブジェクト (変数として表示される) を参照して、単一のセルを乱雑にせずに複数ステップのワークフローを構築する
• パフォーマンス: 大量の計算を行う場合は、クラウド クォータに注意してください。必要に応じて、大規模なタスクをステップに分割するか、プレミアム コンピューティングを使用する
• セキュリティ: コードは分離されたクラウド コンテナーで実行されます。機密性の高い操作は避けてください。 Microsoft はプライバシーを管理します
• デバッグ: print() を使用するか、DataFrame を段階的に出力します。セルにエラーが表示される
• Excel と組み合わせる: 複雑な作業には Python を使用し、書式設定、ピボット、ダッシュボードには Excel を使用する
• 学習曲線: Python を初めて使用する場合は、まずパンダに注目してください。多くの無料のチュートリアルとサンプル ファイルが利用可能です
• 共有: 互換性のある Microsoft 365 を使用する受信者は、結果を表示または更新できます。それ以外の場合、結果は静的な値に変換されます

知っておくべき制限事項

• クラウドのみでの実行。インターネット接続が必要です
• 標準プランでのコンピューティング割り当て
• Python 環境は Anaconda によって管理されます。独自のパッケージをインストールしたり、ローカルのカスタマイズを使用したりすることはできません
• モバイルとウェブのサポートはデスクトップに比べて制限されています
• 非常に大規模なデータセットまたは長時間実行されるコードはタイムアウトに達する可能性があります

結論

Excel の Python は、作業がまだ基本的にスプレッドシート ベースであるものの、分析自体はより高度になっている場合に最も役立ちます。データ クリーニング、DataFrame スタイルの分析、高度な統計、視覚化に優れています。 Excel はすでに十分に処理できますが、日常的なスプレッドシートのタスクにはあまり役に立ちません。 Excel の Python は、スプレッドシート ユーザーとデータ サイエンティストの間のギャップを埋め、使い慣れたワークフローを中断することなく高度な分析にアクセスできるようにします。分析が数式だけでは複雑すぎる場合には、Excel を Python に置き換えるのではなく、Python を選択的に使用します。

ソリューション付きの高度な Excel 演習を無料で入手しましょう!