2025-10-02

Kaggleノートブックで「選択実行」してみた話

Kaggle データ分析

Kaggleでノートブックを動かしてるときに、
「ライブラリはインポートしたいけど、その後の重たい処理まで走っちゃうのはちょっと…」
って思うことありませんか？

自分も最初は毎回全部実行しちゃって、無駄に時間かかってました。
（GPUの待ち時間が地味にストレス…）

で、最近になって知ったのが「セルを選択して実行」できるってこと。

やり方は超シンプル：

Shift を押しながら、実行したいセル番号をクリックして複数選択
上にある Run Current Cell（実行ボタン） をポチッ

これで、欲しいところだけ実行できるんです。
「ライブラリだけ読み込みたい」とか「前処理だけやって確認したい」ってときにめちゃ便利！

なんで今まで知らなかったんだろう…っていう小ワザでした。

※以下　ノートブックの画面

2025-10-01

AIツール活用: GitHubCopilotとChatGPTを使ったKaggle解析(途中)

過去のコンペである店舗売上 - 時系列予測（Store Sales - Time Series Forecasting）を

試してみます。

有識者もコンペを実際にやってみてひも解いていくのがいいと言っている為、

まず自身が流通業に関わるSEということもあり、興味をもっている需要予測系のコンペにて回帰分析を試してみます。

まず、シンプルLightGBMカーネルでsubmission.csv作成している内容を解読することから進めようと思います。

■ステップ

1.コメントを日本語に翻訳

　参考となるカーネルのノートブックをDLし、

　内容を説明させると「Google翻訳」より「ChatGPT」でコメントを

　抜粋して訳と解説をしてくれる。

2.各ブロックの内容確認

　参考となるカーネルのノートブックをDLし、

　VSCodeにPythonのアドオンを入れて、

　ローカルで「GitHubCopilot」と「ChatGPT」を

　組み合わせて解読してみる。

　処理を実行しなくても、ステップの処理前後イメージを

　解説してくれるのはとても便利です。

3.修正したり、他のカーネルを組み込む

　他のカーネルからよさそうな内容をまねて組み込んでみる。

2025-09-27

Kaggle少し修正

Kaggle

以下、AIの指摘に従い、特徴量対象項目を増やしたら前回よりはスコアが上がった。

仮説としては有効な特徴量を持つ項目を絞れば、よりスコアが上がるということですね。

#説明変数(特徴量)と目的変数を設定
# 2025/09/26　デフォルト以下の為、特徴量対象項目を変更
# features = ['Pclass','Sex','Age']
features = ['Pclass','Sex','Age','SibSp','Parch','Fare']



import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

#データ読込
train = pd.read_csv('../input/titanic/train.csv')
test = pd.read_csv('../input/titanic/test.csv')

#データ属性表示
#print(train.info())
# 複数列を選択する場合はリストで指定
x_train = train[["Pclass","Fare"]]
print(x_train.shape)

#前処理
#性別を数値化(male:0,female:1)
train['Sex'] = train['Sex'].map({'male':0, 'female':1})
test['Sex'] = test['Sex'].map({'male':0, 'female':1})


#欠損値を埋める(AgeとFareを中央値で埋める)
print('処理前の欠損数')
print(train.isnull().sum())  # Age列の欠損値が中央値で補完されているか確認
print(test['Age'].isnull().sum())  # Age列の欠損値が中央値で補完されているか確認



train['Age'] = train['Age'].fillna(train['Age'].median())
test['Age']  = test['Age'].fillna(test['Age'].median())
test['Fare'] = test['Fare'].fillna(test['Fare'].median())


print('処理後の欠損数')
print(train.isnull().sum())  # Age列の欠損値が中央値で補完されているか確認
print(test['Age'].isnull().sum())  # Age列の欠損値が中央値で補完されているか確認

#説明変数(特徴量)と目的変数を設定
# 2025/09/26　デフォルト以下の為、特徴量対象項目を変更
# features = ['Pclass','Sex','Age']
features = ['Pclass','Sex','Age','SibSp','Parch','Fare']

X = train[features]
y = train['Survived']

#モデル学習
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X, y)

#予測
X_test = test[features]
predictions = model.predict(X_test)

#提出用ファイル作成
output = pd.DataFrame({
    'PassengerId': test.PassengerId,
    'Survived': predictions
})

output.to_csv('submission.csv', index=False)



print("submission.csv出力完了しました!")

2025-09-26

Kaggle提出の流れ(備忘メモ)

Kaggle データ分析

ひとまず、「年齢」と「運賃」を中央値で欠落埋めて、

　※ChatGPTさんに聞いた内容より


import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

#データ読込
train = pd.read_csv('../input/titanic/train.csv')
test = pd.read_csv('../input/titanic/test.csv')

#データ属性表示
#print(train.info())
# 複数列を選択する場合はリストで指定
x_train = train[["Pclass","Fare"]]
print(x_train.shape)

#前処理
#性別を数値化(male:0,female:1)
train['Sex'] = train['Sex'].map({'male':0, 'female':1})
test['Sex'] = test['Sex'].map({'male':0, 'female':1})


#欠損値を埋める(AgeとFareを中央値で埋める)
print('処理前の欠損数')
print(train.isnull().sum())  # Age列の欠損値が中央値で補完されているか確認
print(test['Age'].isnull().sum())  # Age列の欠損値が中央値で補完されているか確認



train['Age'] = train['Age'].fillna(train['Age'].median())
test['Age']  = test['Age'].fillna(test['Age'].median())
test['Fare'] = test['Fare'].fillna(test['Fare'].median())


print('処理後の欠損数')
print(train.isnull().sum())  # Age列の欠損値が中央値で補完されているか確認
print(test['Age'].isnull().sum())  # Age列の欠損値が中央値で補完されているか確認

#説明変数(特徴量)と目的変数を設定
features = ['Pclass','Sex','Age']
X = train[features]
y = train['Survived']

#モデル学習
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X, y)

#予測
X_test = test[features]
predictions = model.predict(X_test)

#提出用ファイル作成
output = pd.DataFrame({
    'PassengerId': test.PassengerId,
    'Survived': predictions
})

output.to_csv('submission.csv', index=False)



print("submission.csv出力完了しました!")

All Runする

バージョン保存する