数字の羅列を上司に見せても、ただの騒音にしか聞こえない

前章では、スクレイピングを使って競合他社のゲーミングノートPC価格1,000件を取得し、長大なExcel（CSV）ファイルに保存しました。 あなたはこの表を印刷し、分厚い紙の束を上司のデスクに置きました：「部長！見てください！競合の手の内を全て把握しました！」

上司は2、3ページめくっただけで眉をひそめます：「この数字の羅列、誰が理解できるんだ？端的に教えてくれ、競合の主力価格帯は？どのブランドが平均的に高価格帯なのか？来月発売の新製品の適正価格は？」

ここであなたは凍りつきます。これはデータサイエンティスト初心者が最も犯しやすい過ちです：「データを持っている＝答えを持っている」という誤解。

人間の脳は、数千もの数値データを直接処理するのが苦手ですが、「画像、色、長短」には極めて敏感です。 もし1000件の乱雑な数値を、見事な**「折れ線グラフ」「棒グラフ」「円グラフ」**に変換できれば、上司は一瞥するだけで即座にビジネス判断を下せます。

この冷たい数字をビジネスストーリーに変える技術が、**Data Visualization（データビジュアライゼーション）**です。

---

Pythonの描画双璧：MatplotlibとSeaborn

Pythonのデータサイエンス領域では、2つの有名かつ強力な可視化ライブラリが存在します：

1. Matplotlib：最も歴史があり低レイヤーな描画ツール。想像し得るあらゆるチャートを作成可能ですが、構文が非常に冗長で、デフォルトの見た目は1990年代のレガシーレポートのようで美的ではありません。
2. Seaborn：Matplotlibの上に構築された先進的可視化ツール。「最小限の構文でモダンな美的チャート」が特徴です。ビジネス向けの美しいカラーパレットとレイアウトが標準装備されています。

Vibe Codingの実戦では、通常「両ライブラリを併用」します。Seabornでメインの美しい描画を行い、Matplotlibでタイトルやフォントなどの微調整を行います。

---

Vibe Prompt実戦：1秒でプロ級ビジネスチャート生成

先ほどスクレイピングしたlaptops_price.csvのデータを棒グラフ化し、各ブランドの平均価格を比較します。

しかし、ここに重大な落とし穴があります！ Pythonで直接日本語文字（例：「ASUS」「MSI」）をチャートに表示しようとすると、文字化け（豆腐化）が発生します！これはPythonがデフォルトでMicrosoftの日本語フォントを認識しないためです。

この問題を解決するため、Vibe Promptに専用の「日本語表示防御呪文」を追加する必要があります。

【Python可視化チャートPrompt】 laptops_price.csvというファイルがあります。 含まれるカラム：ブランド（例：ASUS, MSI, Acer）と価格（数値形式）。

以下のタスクを実行するPythonスクリプトを作成してください：

1. pandasでファイルを読み込む
2. 「各ブランド」の「平均価格」を計算
3. seabornとmatplotlibを使用し、美しい「棒グラフ（Bar Chart）」を作成。X軸はブランド、Y軸は平均価格。価格の降順でソート
4. **【重要】matplotlib設定に日本語フォント��示設定（例：SimHeiやMicrosoft JhengHei）を追加し、負号の文字化けも解決
5. グラフをprice_compare.pngとして保存

AIが生成する神級描画スクリプト：

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

# ==========================================
# 究極防御：日本語フォント文字化け解決！
# Windowsなら'Microsoft JhengHei'（Microsoft正黑體）
# Macなら'Arial Unicode MS'または'PingFang HK'
plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei'] 
plt.rcParams['axes.unicode_minus'] = False # 負号表示修正
# ==========================================

def draw_price_chart():
    # 1. データ読み込み
    df = pd.read_csv('laptops_price.csv')
    
    # 2. pandasグループ化で平均価格計算＆降順ソート
    avg_price_df = df.groupby('ブランド')['価格'].mean().reset_index()
    avg_price_df = avg_price_df.sort_values(by='価格', ascending=False)

    # 3. キャンバスサイズ設定＆美的スタイル適用
    plt.figure(figsize=(10, 6))
    sns.set_theme(style="whitegrid", font="Microsoft JhengHei") # Seabornモダンスタイル

    # 4. 棒グラフ描画（美しいviridisカラーパレット使用）
    sns.barplot(
        x='ブランド', 
        y='価格', 
        data=avg_price_df, 
        palette='viridis'
    )

    # 5. プロフェッショナルなタイトル＆ラベル
    plt.title('2024年 主要ブランドゲーミングノートPC平均価格分析', fontsize=18, fontweight='bold')
    plt.xlabel('ブランド', fontsize=12)
    plt.ylabel('平均価格 (TWD)', fontsize=12)

    # 6. 高解像度画像として保存
    plt.tight_layout() # テキスト切り取り防止
    plt.savefig('price_compare.png', dpi=300) # HD画像保存
    print("✅ チャートをprice_compare.pngとして保存しました！")

# 関数実行
draw_price_chart()

実行ボタンを押すと、美しいグラデーションカラーとクリアな日本語表示の高解像度price_compare.pngが生成されます。 このチャートをプレゼン資料に貼り付けて上司に提出すると、上司は即座に理解します：「MSIが最高価格帯で、中級市場を狙うならAcerとASUSの中間価格が適正だな」

これがデータサイエンスの魔力です。コードによって冷たい数字が、上司の百万ドル級ビジネス判断に変換されます。

次章では、「スクレイピング」「データ分析」「自動メール送信」を統合し、毎朝8時に全社員に「市場動向分析レポート」を自動配信するスーパーロボットを構築します！