「データから開館時間帯を選ぶ」は、データの読み込み、絞り込み、グループ化を学んだ方に向けた pandas と Matplotlib の実践プロジェクトです。地域の施設が開館時間帯を公平に比較できるよう、再利用可能な Python 分析、完全な CSV 表、実際のグラフ、観測根拠の条件を満たす提案を作成します。
2 つのガイド付きラボでは、観測機会が等しい例を手計算するところから始め、欠測、比較可能な率、明示的な根拠のルールへと進みます。1 つの独立チャレンジでは、同じ方法を別の施設に適用します。各ユニットには、それぞれ独立したデータと作業領域が用意されています。
学習内容
このコースを修了すると、次のことができるようになります。
- 欠損や重複のない日付と時間帯の複合キーで、開館計画と観測を対応付ける。
- 閉館していた時間、記録の欠測、実際の来場者数ゼロを区別する。
- 計画時間数、観測時間数、記録カバー率、観測 1 時間当たりの来場者数を計算する。
- 公開された適格条件の境界を適用し、同率首位をすべて残し、根拠が不十分な場合は提案を保留する。
- 再現可能な CSV 表と、観測数とカバー率を明示した合計と率の比較グラフを作成する。
- 過去の記述的な率だけでは開館時間延長の効果を立証できない理由を説明する。
このコースの対象者
使い慣れたグループ化や描画の道具を、慎重な実務上の判断につなげたい初級データ分析学習者向けです。
前提知識： Python の基礎、基本的なターミナル入力、pandas による CSV 読み込み・絞り込み・グループ化、Matplotlib の棒グラフ。必要な複合キー結合、欠測の区別、判断ルールはコース内で学びます。
学習環境： Python、pandas、Matplotlib が準備されたブラウザー内の WebIDE を使用します。データは合成データで、実行環境のラベルと出力は英語です。ローカルへのインストールは不要です。
よくある質問
機械学習や統計学の知識は必要ですか？
いいえ。記述的な比較を行い、モデルの学習や有意性検定は行いません。
必ず 1 つの勝ち時間帯を提案するのですか？
いいえ。正しい結果は同率の候補をすべて残します。公開された根拠のルールを満たす時間帯がなければ、提案を保留できます。しきい値は演習のルールであり、普遍的な信頼性を保証するものではありません。
どのような成果を残せますか？
元データを保ちつつ、再利用可能なスクリプト、時間別と時間帯別の完全な表、実際の PNG グラフ、短い提案文を作成します。各ユニットは独立して初期化されるため、以前の VM のファイルは不要です。
