概要

『Python データサイエンスハンドブック 第 2 版』(原題『Python Data Science Handbook』第 2 版、Jake VanderPlas 著、2023 年原書 / 2024 年邦訳、オライリー・ジャパン)は、Python によるデータサイエンスの 5 大ツール群(IPython/Jupyter / NumPy / pandas / Matplotlib / scikit-learn)を 1 冊で網羅するリファレンス書。初版から大幅改訂され、Python 3.9+ や最新の scikit-learn / pandas API に対応。データ分析現場で「目次から引く」用途で長く現役。

想定読者

• Python は書けるが、データ分析の主要ライブラリを体系で押さえたい中級者
• NumPy / pandas / Matplotlib を「目次から引きたい」現場のデータアナリスト
• scikit-learn の機械学習ワークフローを 1 冊で確認したい初〜中級データサイエンティスト
• 大学院・研究機関で Python によるデータ処理を新規に学ぶ研究者

こんな人には向いていない

• Python の言語入門段階の読者(本書は基本文法を前提とする)
• 深層学習(PyTorch / TensorFlow)を中心に学びたい読者(本書は scikit-learn 中心)
• 1 つのライブラリ(例: pandas のみ)を深掘りしたい読者(本書は広く浅い網羅型)

読了後にできるようになること

• Jupyter / IPython の生産性向上機能を使いこなせる — magic / autocomplete / プロファイリング
• NumPy の配列演算とブロードキャスティングを腹落ちできる — 高速化の原理
• pandas で典型的なデータ整形タスクができる — merge / groupby / pivot / 時系列
• Matplotlib + Seaborn で論文・レポートに使える図を作れる — 可視化の所作
• scikit-learn で典型的な ML パイプラインを書ける — 分類 / 回帰 / クラスタリング

本書のキー概念

• 第 1 章 IPython・Jupyter による開発環境 — 対話的データ分析のワークフロー
• 第 2 章 NumPy — 多次元配列・ブロードキャスティング・ベクトル化計算
• 第 3 章 pandas — DataFrame / Series / インデックス / GroupBy / 時系列
• 第 4 章 Matplotlib — 2D 可視化の体系、figure / axes / styles
• 第 5 章 機械学習(scikit-learn) — 分類 / 回帰 / クラスタリング / 次元削減 / 検証

なぜリファレンスとして定番化したのか

Python データ分析の主要 5 ツールを 1 冊にまとめた本は他にも多いが、本書は 「目次から引いて該当箇所だけ読む」用途に最適化 されている。初版は無料公開もされていて事実上の標準書として広く参照されてきた。第 2 版で API の現代化が反映され、再び現役のリファレンスに。実務でも「とりあえずこの本を棚に置く」選択肢として推奨される。

関連書籍

• 『Pythonによるデータ分析入門 第 3 版』(Wes McKinney) — pandas 作者本人の本、本書と相互補完
• 『Python 機械学習プログラミング 第 3 版』 — 機械学習の深掘り
• 『scikit-learn、Keras、TensorFlow による実践機械学習 第 3 版』 — 機械学習 + 深層学習の決定版

関連 Topic

• /topics/python — Python
• /topics/data-science — データサイエンス
• /topics/machine-learning — 機械学習
• /topics/numpy — NumPy
• /topics/jupyter — Jupyter