Pythonバイブコーディング講座 — Part 3

LLMでバイブコーディング

ChatGPTと対話してコードを書いてもらう

AIに頼むと、コードが返ってくるやりとりのイメージ図

Part 2 で環境ができたので、ここからが本講座の真骨頂です。本パートでは、「やりたい解析」を日本語でLLM(大規模言語モデル)に伝え、Pythonコードを .ipynb ファイルとして書いてもらい、自分のVSCodeで実行するというスタイルを身につけます。コードが書けなくても、LLMに頼めば書いてもらえます。エラーが出ても、LLMに聞けば直してもらえます。この往復のスタイルを「バイブコーディング」と呼びます。

先生、コードが書けなくても、本当にだいじょうぶ?
だいじょうぶ。やりたい解析を日本語で伝えれば、LLMがコードを書いてくれるんだ。エラーが出ても、聞けば直してくれるよ。
01

バイブコーディングとは何か

バイブコーディング(Vibe Coding)とは、コードを自分で書く代わりに、自然言語で意図を伝えてLLMにコードを書いてもらうコーディングスタイルのことです。「こういう解析をしたい」「このCSVを読み込んで列ごとに集計したい」と日本語で伝えれば、LLMがそのままPythonコードに変換してくれます。

Part 1 で見たように、Python は世界中のコードや解説が公開されているため、LLM が最も得意とする言語です。バイブコーディングがうまく機能する土台は、ここにあります。

本講座では、無料で使える ChatGPT(OpenAI)または Claude(Anthropic)を使えば十分です。どちらの無料プランでも、本講座の内容はすべて実行できます。

有料プラン(ChatGPT Plus、Claude Pro)にすると、より高性能なモデルが使えてコードの精度が上がります。ただし、まずは無料プランで十分です。慣れてきてから有料プランの導入を検討してください。

02

最重要:個人情報・非公開データの取り扱い

LLMに、データをそのまま渡してもいいの?
それはだめなんだ。生データや未公開の論文、個人情報は送らない。伝えていいのは、列名や行数のような、データの構造だけだよ。

実際にLLMを使い始める前に、絶対に守ってほしい大前提を確認します。読み進めるうちに「うっかり情報を送ってしまった」とならないよう、はじめにお伝えします。

絶対にLLMに送ってはいけないもの:

  • 実験の生データ(特に被験者情報・個人を特定できる情報を含むもの)
  • 未公開の論文の本文・図表
  • 共同研究で守秘義務のある情報
  • 個人情報(氏名、住所、ID など)

LLMに伝えてよいのは、「データの構造(列名・列の意味・おおよその行数)」だけです。たとえば次のような書き方なら問題ありません。

sample_data.xlsx は、列が「個体ID」「バイオマス」「葉面積」「窒素含有量」の4列、行数は約100行です。それぞれ数値データ(個体IDのみ文字列)です。これを読み込んで、バイオマスと葉面積の相関を計算してください。

コードはあくまで自分のローカル環境で実行することを前提とし、LLMにはデータの形だけを伝えるのがコツです。実行は自分のPC内で完結するため、データ自体が外に出ることはありません。

「一時チャット」機能を使う選択肢

ChatGPTやClaudeには 一時チャット(Temporary Chat) という機能があり、会話の内容が学習データとして使用されず、チャット履歴にも残らない設定で会話できます。秘匿性が気になる依頼や、研究室のデータの構造を相談する場合は、この機能の併用が有効です。

  • ChatGPT:画面右上のアカウントアイコン横にある「一時チャット」トグル
  • Claude:新しいチャット作成時の設定、またはAccount → Privacy 設定で確認

「一時チャット」を使っても、データそのものを送ってよいわけではありません。あくまで 送る情報を最小限にしたうえで、追加の安全策として一時チャットを併用する という考え方です。

03

バイブコーディングの起点:データの構造を抽出してLLMに伝える

Step 02 のとおり、データそのものをLLMに送ることはできません。一方で、データの構造(列名・型・行数など)をLLMに伝えないと、的確なコードを書いてもらえません。この矛盾を解決するのが、バイブコーディングの第一歩となる 「データ概要を自分の手元で抽出し、構造情報だけをLLMに伝える」 という二段階ワークフローです。これをやらずにいきなり依頼すると、LLMは実際とは違う列名や型を仮定してコードを書いてしまいます。必ずここから始めましょう。

手順

  1. LLMに「データの概要(列名・データ型・欠損値の有無・各列の範囲など)を出力するだけの短いコードを書いてください」と依頼する
  2. もらったコードをVSCodeで実行する
  3. 出力された結果(個人情報を含まない構造情報のみ)をコピーする
  4. その結果をLLMに貼り付けて、「このデータ構造を踏まえて〇〇の解析をするコードを書いてください」と続きの依頼をする
まず最初に、データの構造を確認したいです。my_first_analysis/data/sample_data.xlsx を読み込んで(ノートブックは notebooks/ フォルダにあるので、コードからは ../data/sample_data.xlsx と指定)、列名・各列のデータ型・欠損値の数・各数値列のmin/max/平均だけを出力する短いコードを書いてください。出力結果はあとであなたに貼り付けて、続きの解析を相談します。

実行結果(例:「列名は A, B, C で、A は数値、欠損値なし、minは0.5、maxは12.3...」のような情報)をLLMに貼り付けてから本番の解析を頼むと、LLMはデータ構造を踏まえた精度の高いコードを返してくれます。データの中身は一切送っていないので秘匿性も保てます。

04

いちばん大事:自分の意図を正確に体系立てて伝える

どう頼めば、思ったとおりのコードが出てくるの?
自分がなにをしたいのかを、まず自分で正確にわかっておくことだね。どの列をどう計算して、結果をどこに保存するかまで具体的に書くと、ほぼ一発で出てくるよ。

バイブコーディングでいちばん大事なスキルは、Pythonの文法を覚えることでも、便利なライブラリを知っていることでもありません。「自分が何をやりたいのか」を自分自身が正確に理解し、それをLLMに具体的・体系的に伝えることです。

LLMは万能ではありません。こちらの伝えた情報からコードを推測しているにすぎません。「データを集計してください」のようなあいまいな依頼では、LLMもどう集計すればよいか判断できず、的外れなコードが返ってきます。逆に「列Aの値ごとに、列Bの平均と標準偏差を計算し、列A降順にソートしたうえで、結果をCSVファイルとして results/ フォルダに保存してください」のように具体的に伝えれば、ほぼ意図どおりのコードが一発で出てきます。

プロンプト(依頼文)に含めるべき情報のチェックリスト

☐ 目的:何のためにこの解析をするのか
☐ 入力:何が・どこに・どんな構造であるのか(Step 03 で抽出した構造情報を貼る)
☐ 処理:具体的にどんな計算・集計をするのか
☐ 出力:何を・どこに・どんな形式で保存するのか
☐ 制約:使ってほしいライブラリ、避けたい挙動など

このチェックリストを意識するだけで、LLMから返ってくるコードの精度は大きく上がります。逆に、自分でも「やりたいこと」がぼんやりしていれば、何度LLMに頼んでも欲しい結果は出てきません。解析の半分は、コードを書くより前に「自分の意図を言葉にする」段階で決まると思ってください。

05

最初の依頼の仕方(.ipynbファイルを直接出してもらう)

ChatGPT(または Claude)を開いて、新しいチャットを始めます。現在のLLM(ChatGPT・Claudeとも)は、.ipynbファイル自体を直接出力してダウンロードできるようにしてくれます。コードを1セルずつコピーして貼り付ける必要はありません。最初の依頼で、明示的に「.ipynbファイルとして書き出して、ダウンロードできるようにしてください」と頼みましょう。

Web サーチを ON にすると精度が上がる:ライブラリの最新バージョンの仕様や、エラーの最新の対処法を参照したい場合は、ChatGPT の入力欄の下にある 「Web サーチ」アイコン(地球のマーク)を ON にして依頼すると、最新情報を踏まえた回答になります。Claude にも同様の Web 検索機能があります。新しいライブラリや、リリース直後のバージョン関連の質問では特に有効です。

Pythonでデータ解析をしたいです。

【目的】
新しい品種のバイオマスと葉面積の関係を確認したい。

【フォルダ構成】
- ノートブックは notebooks/analysis.ipynb に置きます
- 生データは data/ フォルダ、出力は results/ フォルダに分けています
- そのため、コードからはデータを ../data/ で読み込み、結果は ../results/ に保存してください(results/ が無ければ作成)

【入力】
data/sample_data.xlsx(ノートブックからは ../data/sample_data.xlsx)
- 列:「個体ID」(文字列)「バイオマス」「葉面積」「窒素含有量」(数値)
- 行数:約100行
- (Step 03 で抽出した詳細な構造情報を貼る)

【処理】
- 列ごとの基本統計量を計算
- 「葉面積 vs バイオマス」の散布図を作成(回帰直線も重ね描き)
- 相関係数とp値も計算

【出力】
プロジェクト直下の results/ フォルダ(ノートブックからは ../results/)に scatter.png(散布図)と statistics.csv(統計量)を保存。

【制約】
- 各セルに日本語の説明コメントをつけてください
- analysis.ipynb という名前で .ipynb ファイルとしてダウンロードできるようにしてください

LLMがファイルを生成してくれたら、画面にダウンロードリンクが表示されます。次の手順で進めてください。

  1. ダウンロードリンクから analysis.ipynb をダウンロードする(通常は「ダウンロード」フォルダに保存される)
  2. エクスプローラー/Finder で、ダウンロードした analysis.ipynb を Part 2 で作った my_first_analysis/notebooks/ フォルダの中に移動する
  3. VSCode でフォルダを開いた状態で analysis.ipynb をクリックすれば、そのまま実行できる

ダウンロードしたファイルを notebooks/ 以外の場所に置くと、コード内の相対パス(例:"../data/sample_data.xlsx")でデータを読めず、FileNotFoundError が出ます。必ず notebooks/ フォルダの中に置きましょう(データは ../data/ から読み込みます)。

06

実行・部分修正・全面書き直しの依頼

ダウンロードした analysis.ipynb を VSCode で開きます。上から順にセルを実行してください(Shift + Enter)。動作を確認しつつ、変更したいところがあれば、LLM に自然な日本語で頼みましょう。

部分修正の例

さっきの散布図のコードについて、以下を変更してもらえますか?修正した .ipynb を再度ダウンロードできるようにしてください。
・グラフのタイトルを「葉面積とバイオマスの関係(n=100)」にする
・点の色を緑色にする
・x軸とy軸のラベルを日本語にする

全面書き直しの例

アプローチを根本的に変えたい場合は、「コード全体を書き直してください」と頼みます。

さっきのアプローチではなく、seabornライブラリを使って散布図を描き直してもらえますか?回帰直線も重ね描きしてください。コード全体を書き直して、新しい .ipynb ファイルとしてダウンロードできるようにしてください。
07

エラーが出たときの対処

エラーが出ちゃった。
まあまあ。エラーは必ず出るものなんだ。メッセージを丸ごとコピーして、LLMに貼り付ければいいよ。

エラーは必ず出ます。むしろ初回でエラーが出ない方が珍しいです。エラーが出ても焦る必要はありません。エラーメッセージを丸ごとコピーして、ChatGPTにそのまま貼り付けるだけで対処できます。

さっきのコードを実行したら次のエラーが出ました。直してもらえますか?修正した .ipynb をダウンロードできるようにしてください。

---
FileNotFoundError: [Errno 2] No such file or directory: '../data/sample_data.xlsx'
---

LLM はエラー内容から原因を推測して、修正したファイルを返してくれます。修正版をダウンロードして再度実行する、というサイクルをくり返してください。

よくあるエラーと対処の例

ModuleNotFoundError:必要なライブラリ(Part 1参照)が仮想環境に入っていない → ターミナルのプロンプトに (.venv) が付いた状態で pip install ライブラリ名
FileNotFoundError:ファイルパスが間違っている → ファイル名・場所を確認
KeyError:列名が間違っている → Excelの列名と完全に一致しているか確認
SyntaxError:コードの書き方ミス → LLMに修正依頼

08

必要に応じて:Pythonのバージョンを変える

Part 1 で、Pythonコードは「Python本体とライブラリのバージョンの組み合わせ」がそろって初めて動く、と説明しました。ここは、その組み合わせを変えたくなったときの手順です。

解析を進めていくと、「このライブラリは Python 3.10 までしか対応していない」「あのライブラリは Python 3.12 以降が必要」のように、Pythonバージョンを変える必要が出てくることがあります。LLMがエラー解決の中で「Python 3.X を使ってください」と提案してくることもあります。

Pythonバージョンを変える場合の手順は次のとおりです。

  1. 古い仮想環境を削除する:プロジェクトフォルダ内の .venv フォルダをエクスプローラー/Finderで削除します(フォルダごと削除でOK)。
  2. 必要な別バージョンのPythonをインストールする:python.org/downloads から該当バージョン(例:Python 3.10)をダウンロードしてインストールします。既存のPythonと共存できます。
  3. 新しい仮想環境を作る(バージョン指定):プロジェクトフォルダのターミナルで、Windows なら py -3.10 -m venv .venv、Mac/Linux なら python3.10 -m venv .venv を実行します。
  4. 仮想環境に入って必要なライブラリを再インストールする:.venv\Scripts\Activate.ps1 でアクティベート → pip install ... でライブラリを入れ直します。
  5. VSCodeで Select Kernel から新しい .venv を選択する。

仮想環境は「使い捨て」できる作業部屋です。ためらわずに削除して作り直して大丈夫です。中身に大事な設定は何もありません。requirements.txt(Part 4で説明)さえ残しておけば、再現は簡単です。

09

バイブコーディングの典型的な流れ

実際の解析でくり返されるパターンをまとめると次のようになります。

  1. データ概要を抽出してLLMに伝える(Step 03)
  2. やりたいことを自分の中で明確にし、体系立ててLLMに伝える(Step 04・05)
  3. LLMが出した .ipynb をダウンロードし、プロジェクトフォルダに移して実行する
  4. エラーが出る → エラーをLLMに貼って修正してもらう(Step 07)
  5. 動いたが結果が想定と違う → どう違うかをLLMに伝えて改良を頼む(Step 06)
  6. 満足したら次の処理へ進む(また1に戻る)

この往復を続けていくうちに、「こう聞けばこういうコードが返ってくる」という感覚が身についてきます。Pythonの文法を覚える必要はありません。代わりに、「やりたいことをはっきり言語化する力」が鍛えられていきます。


✓

このパートでできるようになったこと

  • 個人情報・非公開データを送らないという大原則と、一時チャット機能の活用
  • 自分の意図を体系立ててLLMに伝えるためのチェックリスト
  • .ipynbファイルを直接出してもらい、ダウンロードしてVSCodeで実行する流れ
  • エラー対処(エラーメッセージを丸ごとLLMに渡す)
  • 部分修正・全面書き直しの依頼の仕方
  • データ概要だけを抽出してLLMに渡す二段階ワークフロー
  • Pythonバージョンを変更する場合の手順

次のPart 4では、ここまでで作った解析コード一式を、第三者が同じ環境で再現できるようにする requirements.txt の作り方を学びます。

データの構造を伝えて、頼んで、動かして、直す。このくり返しなんだね。
そういうこと。それが、バイブコーディングだよ。