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
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。
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。
最重要:個人情報・非公開データの取り扱い
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。
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。
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
- 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
- もらったコードをVSCodeで実行する
- 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
- 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
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。
いちばん大事:自分の意図を正確に体系立てて伝える
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。
☐ 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。
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。
【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。
- 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) - 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 - 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)。
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
・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。
エラーが出たときの対処
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。
---
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。
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
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。
- 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)。 - 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。
- 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。 - 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。 - 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。
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。
- データ概要を抽出してLLMに伝える(Step 03)
- 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)
- 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
- エラーが出る → エラーをLLMに貼って修正してもらう(Step 07)
- 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)
- 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。