目次

• はじめに

第1部　基礎編

第1章　最新Python環境構築
シンプルでコーディングしやすい環境を整える

• 1.1　Pythonのインストール
  • インストール方法のお勧めは？
  • インストーラでの導入──簡易的な導入手段
  • 仮想環境と標準モジュールのvenv
  • 仮想環境の切り替え──activate/deactivate
  • Dockerイメージ──複数人開発でより扱いやすい方法
• 1.2　ライブラリのインストール
  • とりあえず何を使えばよい？
  • pip──標準かつ簡単な方法
  • Poetry──より安全に管理するなら
• 1.3　コーディング環境を整える
  • とりあえずどこまでやるべき？──最低限の品質保証
  • PEP 8──コーディング規約
  • black──PEP 8の自動適用
  • ruff──高速なインポート順の整列とPEP 8のチェック
• 1.4　漸進的型付けと静的型チェック
  • どこまで対応すればよいか？──とりあえずType Hintingを書く
  • 漸進的型付け──あとから型を付けられる
  • Type Hinting
  • mypy──型のチェック
• 1.5　開発支援ツールを一括実行──tox
  • toxのインストール方法
  • toxの設定例
  • toxの実行と実行結果
  • toxのテストを個別で実行

第2章　型ヒントとmypyによるコード品質の向上
型チェックの基本から、既存コードの改善プロセスまで

• 2.1　型ヒントの役割と型チェッカーの活用
  • 型ヒントがある場合・ない場合
  • 型ヒントを活用する方法
• 2.2　型ヒントの使い方──基本編
  • 変数
  • 関数
  • ジェネリック型
  • 複雑な型
  • クラス
  • 型エイリアス
• 2.3　型ヒントの使い方──発展編
  • dataclassesモジュールを活用する
  • アノテーションによる実行時のエラー回避
  • スタブファイルを利用する
  • 既存のコードベースに型ヒントを追加する

第3章　pytestを使って品質の高いテストを書く
parametrize・フィクスチャ・pytest-covの活用

• 3.1　テストの品質向上のポイント
  • テストコードとプロダクトコードの違い
  • テストコードを書くときに必要な考え方
• 3.2　pytestによるテストの書き方
  • テストケースの書き方
  • テストケースの基本形
• 3.3　pytestでテストを書くときに押さえるべき基本
  • 1つのテストケースでは1つのことを調べる
  • テスト対象のインポートはテスト関数内で行う
• 3.4　サンプルコードのテストを作成しよう
  • ディレクトリ構成とテスト対象の概要
  • 開発環境のセットアップ
  • 素朴なテストを書く
• 3.5　pytestを使いこなしてテストコードを改善しよう
  • parametrizeを使って繰り返すテストを書こう
  • フィクスチャを使って共通処理をまとめよう
  • フィクスチャの機能を適度に使いこなす
• 3.6　テストの品質をチェックしよう
  • pytest-covを使ってカバレッジをチェックしよう
  • テストコードをレビューするときのコツ

第4章　structlogで効率的に構造化ログを出力
横断的に検索や解析のしやすいログのしくみを整えよう

• 4.1　ログはなぜ必要なのか
• 4.2　構造化ログはなぜ便利なのか
• 4.3　Python標準モジュールのみで構造化ログを実現しよう
  • 基本的なログ出力
  • loggingモジュールで構造化ログを出力する
  • シンプルに構造化ログを実装した際の問題点
• 4.4　structlogでより便利に構造化ログを出力しよう
  • structlogを導入して利用する
  • JSON形式で構造化ログを出力する
  • データバインディングして情報を追跡しやすくする
• 4.5　django-structlogでリクエストとレスポンスログを拡張しよう
• 4.6　ログを活用する
  • CloudWatch Logs Insightsでログを横断的に検索する

第5章　リリースを管理して開発効率を高める
towncrierとGitHub Actionsによるリリースの自動化

• 5.1　リリースを管理しよう
  • リリースを管理しないと発生する困りごと
  • リリースを管理すると解決できること
• 5.2　リリースを管理する方法
  • Changelogを手動で作成する
  • towncrierでChangelogを自動更新する
• 5.3　GitHub Actionsでリリースを自動化する
  • GitHub Actionsとは
  • リリース作業を自動化するworkflowを作成する
  • workflowを実行する
  • workflowで作成したChangelog、Gitタグ、GitHubのリリースを確認する

第2部　Webシステム開発編

第6章　Djangoアプリケーションの品質を高める
単体テストと運用時の監視

• 6.1　Djangoとアプリケーション品質
  • Django──フルスタックWebアプリケーションフレームワーク
  • アプリケーションの品質
• 6.2　サンプルアプリケーションの作成
  • 仕様
  • 実装
• 6.3　標準モジュールを使った単体テスト
  • 実装
  • 実行
  • 単体テストを作成するための標準モジュール
• 6.4　単体テストを効率化するライブラリ
  • pytest──高機能な単体テストフレームワーク
  • unittest.mock──外部システム通信や複雑な処理をモック化
  • freezegun──単体テスト実行時の時刻を簡単に指定
  • factory-boy──モデルのデータ作成を効率化
• 6.5　運用に役立つロギングと監視
  • Python標準のロギングモジュールを活用
  • Sentryで監視をより効果的に

第7章　DjangoでAPI開発
初めてのDjango REST framework

• 7.1　Django REST framework（DRF）とは
  • DjangoとDRFの違い
  • DRFのインストール方法
• 7.2　サンプルアプリケーションの準備
  • DRFの準備
  • DBの準備
• 7.3　シリアライザ
  • シリアライザの作成方法
  • デシリアライズ
  • バリデーションの詳細
  • バリデーション済みデータのDBへの登録／更新
  • シリアライズ
• 7.4　APIビュー
  • シンプルなAPIビュー
  • ジェネリックAPIビュー
  • ビューセット

第8章 Django×StrawberryによるGraphQL入門
GraphQLの基礎から実際のプロダクトへの導入まで

• 8.1　GraphQL──自由で過不足の少ないAPI
  • GraphQLのメリット
  • GraphQLのスキーマを知る
• 8.2　Strawberryとは
• 8.3　Django×StrawberryでGraphQLサーバを立ち上げてみよう
  • 必要なパッケージをインストールしよう
  • GraphQLサーバを立ち上げよう
• 8.4　ミューテーションの実装──カテゴリ登録APIの実装
  • 入力型とミューテーションを実装する
  • ミューテーションをスキーマに追加する
• 8.5　子ノードと子孫ノードを取得しよう──リゾルバチェインズ
  • リゾルバ関数
  • リゾルバチェインズ
  • リゾルバチェインズによる子ノードと子孫ノードの取得の実装例
  • リゾルバ関数とビジネスロジックは分けよう
  • リゾルバチェインズの柔軟性の代償としてのN+1問題
• 8.6　N+1問題とどう向き合うか──データローダパターン
  • N+1問題とは
  • GraphQLではなぜN+1問題が発生しがちなのか
  • データローダパターンを使う
  • データローダの実装方法
  • データローダの制約
• 8.7　エラー対応──開発者用のエラーとユーザー用のエラーを使い分ける
  • 一般APIエラー対応
  • 開発者用エラーの返し方
  • ユーザー用エラーの返し方
• 8.8　GraphQLにおけるユニットテストの考え方
  • GraphQLエンジンはテスト重要度もテスト容易性も低い
  • リゾルバ関数はテスト重要度が低い
  • ビジネスロジックをテストしよう
  • GraphQLをテストしたい場合

第9章　FastAPIによるWeb API開発
型ヒントを活用したAPI仕様中心の開発手法

• 9.1　FastAPIの特徴
• 9.2　FastAPIの開発環境をセットアップしよう
  • 最小限のプロジェクトを作成しよう
  • 最小限のプロジェクトの動作を確認しよう
• 9.3　API仕様とモックを作成しよう
  • FastAPIによる開発の一般的な構成を理解しよう
  • API仕様を決めてエンドポイントと入出力を設計しよう
  • スキーマを定義しよう
  • ルータを定義しよう
  • 生成されたドキュメントとAPIの動作を確認しよう
• 9.4　DBに接続する処理を追加し、API実装を完成させよう
  • DB接続に必要なライブラリをセットアップしよう
  • DBに接続するDependencyを作成しよう
  • CRUD処理を実装しよう
  • path operation関数を完成させよう
  • APIの動作を確認しよう
• 9.5　バリデーションとエラー処理を追加しよう
  • スキーマにバリデーションを追加しよう
  • ルータにバリデーションを追加しよう
  • HTTPException例外を使って400番台のエラーを返そう
• 9.6　FastAPIの強み

第10章　Django ORMの速度改善
クエリ発行の基礎、計測、チューニング

• 10.1　作成するサンプルアプリケーション
  • Djangoアプリケーションの作成
  • ダミーデータの投入
• 10.2　DjangoアプリケーションのSQL発行ログの確認
  • 簡易的にクエリを調べる
  • ライブラリを使い、画面上で俯瞰して確認する──Silk
• 10.3　Django ORMのクエリ発行タイミング
  • クエリ発行タイミングの原則──遅延実行
  • クエリ発行が遅延される場合(d1) ──filterメソッドのチェイン
  • クエリ発行が遅延される場合(d2)──リレーション先のオブジェクトの取得
• 10.4　親子モデルの情報の取得を改善する
  • 実行時間の計測──デコレータで特定ビューの実行時間を計測する
  • 子から親の情報参照──select_relatedメソッド
  • 親から子の情報参照──prefetch_relatedメソッド
• 10.5　大量レコードの作成・更新を改善する
  • 大量レコードの作成──bulk_createメソッド
  • 大量レコードの更新──bulk_updateメソッド

第11章　Django ORMトラブルシューティング
ORMにまつわる問題を解決するための型を身に付けよう

• 11.1　ORM利用の3つの基本
• 11.2　SQLを確認する
  • 問題のあるORMクエリ例
  • Django ORMのログ出力設定
  • ログは現状を映す鏡
• 11.3　意図しないタイミングでのSQL発行を避ける
  • PythonスクリプトでDjango ORMを実行
  • コードを集めて処理の要点を押さえる
• 11.4　理想のSQLからORMを組む
  • SQLを整形表示する治具を作る
  • 理想のSQLを考える
  • 現実的な時間で開発を進める

第3部　機械学習・データ分析編

第12章　データサイエンスプログラムの品質改善
5つのステップで製品レベルの品質へ

• 12.1　PoCフェーズのあとに必要なこと
  • 架空のシナリオについて
  • 品質向上のための5つのステップ
• 12.2　ステップ1：単体コマンドとして実行できるようにする
  • 一般的なディレクトリ構成にする
  • 実行可能コマンドを作成する
  • 仮想環境を作成し、ライブラリを導入する
  • フォーマッター、静的チェックを実行
  • プログラムを実行する
• 12.3　ステップ2：回帰テストを行えるようにする
  • 回帰テスト導入のために最低限の修正をする
  • pytest-snapshotを使用して回帰テストを実現する
  • 回帰テストを実行する
• 12.4　ステップ3：パフォーマンス対策をできるようにする
  • プロファイラを導入する
  • Line Profilerで実行時間を計測する
  • Memory Profilerでメモリ使用量を計測する
  • 実行速度改善のテクニック
  • プログラムを書き換えたらプロファイラを再実行しよう
• 12.5　ステップ4：コードの可読性を向上する
  • 処理を関数に分割して可読性を向上する
• 12.6　ステップ5：コードの保守性を向上する
• 12.7　まとめ──限られた時間で最大の効果を

第13章　データ分析レポートの作成
JupyterLab＋pandas＋Plotlyでインタラクティブに

• 13.1　環境構築
  • サンプルデータ
• 13.2　表にスタイルを適用する──pandasのStyling機能
  • pandasのインポートとサンプルデータの読み込み
  • DataFrameのStyling機能とは
  • セルの値を棒グラフで表現する
  • 条件付き書式でセルの背景色を変更する
  • 1つのDataFrameに複数のスタイルを適用する
  • 条件付き書式で行の背景色を変更する
  • すべてのスタイル変更をまとめる
• 13.3　動的なグラフを描画する──Plotly Express
• 13.4　レポートを出力する──ノートブックのHTML化

第14章　pandasを使った処理を遅くしないテクニック
4つの視点でパフォーマンス改善

• 14.1　なぜpandasによるデータ処理が遅くなってしまうのか
• 14.2　遅い機能を使わないようにしよう
  • iterrowsの使用は避けよう
  • DataFrameのapplyメソッドはあまり速くないことを知ろう
• 14.3　「Pythonの遅さ」に対処しよう
  • Pythonがどれくらい遅いのかを知ろう
  • なるべく列をまとめて計算しよう
  • loc、where、maskを活用してPythonでの分岐を減らそう
• 14.4　アルゴリズムやデータ構造の効率化を考えよう
  • groupbyを使って多重ループを回避しよう
  • カテゴリ型を使おう
• 14.5　マルチコアCPUを使い切ろう
  • 時間がかかる処理はマルチコアを使い切れているか確認しよう
  • マルチコアを使い切る方法を知ろう
  • pandarallelでapplyを並列化しよう
• 14.6　まとめ──チューニングは必要になってから

第15章　JanomeとSudachiPyによる日本語処理
フリガナプログラム作成で学ぶ自然言語処理の流れ

• 15.1　日本語の処理とは
  • 形態素解析とは
  • 品詞、原形、読み
  • 漢字の読みの難しさ
  • 形態素解析の用途
  • 文章にフリガナを振る
• 15.2　Janomeで形態素解析
  • Janomeとは
  • Janomeをインストールして使ってみる
  • Janomeでフリガナを振る
  • 辞書をカスタマイズする
• 15.3　SudachiPyで形態素解析
  • SudachiPyとは
  • SudachiPyをインストールして使ってみる
  • SudachiPyでフリガナを振る
  • さらにフリガナ処理を改善する
  • ユーザー辞書をカスタマイズする
  • ユーザー辞書のコストを調整する
  • フリガナの漢字レベル対応

第16章　データサイエンスのためのテスト入門
pandasやNumPyのテスト機能を使って快適に実験

• 16.1　データサイエンスにおけるテスト
  • ソフトウェア開発におけるテストとの違い
  • テスト導入のステップ
• 16.2　仮想環境の作成
• 16.3　assert文による簡単なチェック
  • 目視確認からassert文へ
  • assert文でチェックする内容とタイミング
• 16.4　pandasのテスト機能──pandas.testingモジュール
  • DataFrameの比較──assert_frame_equal()
  • Seriesの比較──assert_series_equal()
• 16.5　NumPyのテスト機能──numpy.testingモジュール
  • NumPy配列の比較──assert_array_equal()
  • 浮動小数点数を持つNumPy配列の比較──assert_allclose()
• 16.6　Pythonモジュールに切り出し、pytestでテストの実行を自動化
  • テストに向いているコード
  • pytestによるテスト

第17章　Pythonで始める数理最適化
看護師のスケジュール作成で基本をマスター

• 17.1　数理最適化とは──数理モデルによる最適化
  • 数理モデルの構成要素
  • 数理モデルの解き方──ソルバー
• 17.2　ライブラリを使った数理モデルの作成
  • 化学製品の問題の数理モデル
  • Python-MIPのメソッドやプロパティ
• 17.3　数理最適化で看護師のスケジュールを作成
  • スケジュール作成の課題
  • 問題──看護師のスケジュール作成
  • 変数、目的関数、制約条件
  • 希望シフトのデータの準備と変数表の作成
  • Pythonによる数理モデルの作成
• 17.4　StreamlitによるWebアプリケーション化
  • Streamlitとは
  • Streamlitを組み込む

• 索引