皆様、こんにちは。h.serizawaです。

Jupyter Notebookによるデータ分析環境を構築しました。この記事では、環境構築からデータ分析の実践まで、実際の手順とともに紹介します。

なぜデータ分析環境が必要なのか？

データ分析を始めようとすると、こんな悩みに直面したことはありませんか？

「Excelでの集計に時間がかかりすぎる...」 「自分のPCではメモリが足りなくて重いデータが開けない...」 「会社でしか作業できない環境に縛られている...」

Excelだけでは限界がある

Excelは便利ですが、データ分析において以下のような課題があります。

❌ 大量データの処理が遅い（数万行を超えると重くなる）

❌ 複雑な統計処理が難しい（手作業でグラフを作るのに時間がかかる）

❌ 分析の再現性が低い（手順を記録できない）

❌ 機械学習などの高度な分析ができない

解決方法：クラウド上のデータ分析環境

これまでは、以下のような選択肢がありました。

選択肢1: 自分のPCにPythonをインストール

• PCのスペックに依存する
• 環境構築で挫折しやすい
• 会社のPCでは管理者権限がなくてインストールできない

選択肢2: 有料のクラウドサービス

• Google Colab Pro: 月額1,000円〜
• AWS SageMaker: 使った分だけ課金
• Azure Notebooks: 月額数千円〜

この方法のデメリット

💰 コストがかかる - 毎月の支払いが発生

🔧 設定が複雑 - サービスごとに学習コストが高い

📊 データ保存の制限 - 無料枠には厳しい制限がある

お客様からの要望と制約

データ分析環境を提案すると、以下のような要望や制約に直面します。

🏢 コスト制約 「予算が限られているので、できるだけ無料で使いたい」

💼 シンプルな運用 「複雑な設定は避けたい。すぐに使い始めたい」

📊 アクセス性 「どこからでもアクセスできる環境がほしい」

しかし、無料で使えるクラウド環境には制限が多い...

OCI + Jupyter Notebook

そこで、今回のJupyter Notebook環境の構築方法を紹介します。

仕組み

• OCI Compute Instance: サーバーを提供
• Python仮想環境: プロジェクト専用の作業スペース
• Jupyter Notebook: ブラウザで動く分析環境
• Object Storage: データを保存

この方式のメリット

実現できること

💾 データ分析: Pandas、NumPyで高速処理

📊 可視化: Matplotlib、Seabornで綺麗なグラフ作成

🤖 機械学習: Scikit-learnで予測モデル構築

☁️ クラウド連携: Object Storageからデータ読み込み

🌐 リモートアクセス: 自宅、カフェ、どこからでもアクセス

誰にとってメリットがあるか

ビジネスユーザーにとって:

📈 Excelの10倍速でデータ処理（業務効率化）

🎯 どこからでもアクセス可能（リモートワーク対応）

🔒 データをクラウドに安全に保存（バックアップ不要）

エンジニアにとって:

🚀 案件で即座に提案できる（「無料で始められます」と言える）

🔧 スケーラブル（必要に応じてスペック拡張可能）

💼 標準化されたワークフロー（毎回同じ手順）

Jupyter Notebookとは？

ブラウザで動くプログラミング環境

Jupyter Notebook（ジュピター・ノートブック）は、ブラウザで動くプログラミング環境です。

従来のプログラミングとの違い

データ分析に最適な理由

✓ 対話的: 1行ずつ実行して結果を確認できる

✓ 視覚的: グラフや表が綺麗に表示される

✓ 文書化: コードと説明を一緒に書ける

✓ 共有が簡単: .ipynbファイル1つで完結

世界中のデータサイエンティストが使っている標準ツールです！

Python仮想環境とは？

プロジェクト専用の作業スペース

仮想環境を部屋に例えると理解しやすいです。

仮想環境なし:

部屋全体に物を置く → どこに何があるか分からない → 新しい物を入れたら前の物が動かなくなった

仮想環境あり:

部屋の中に「専用の箱」を作る → Jupyter用の箱、他のプロジェクト用の箱 → それぞれ独立

なぜ仮想環境を使うのか？

✓ 安全: 間違って削除しても他に影響しない

✓ 管理が簡単: バージョン違いのライブラリを共存できる

✓ 削除が簡単: 箱ごと削除するだけ

今回作る仮想環境

• 名前: jupyter-env
• 場所: /home/opc/jupyter-env
• 中身: Jupyter Notebook + データ分析ライブラリ

環境構築の流れ

ステップ1：Compute Instanceの作成

OCIコンソールでサーバーを作成します。

1. 左上のハンバーガーメニュー（≡）をクリック
2. 「コンピュート」 → 「インスタンス」 を選択
3. 「インスタンスの作成」 ボタンをクリック

1-1. 基本情報の入力

1-2. イメージとシェイプの選択

イメージ:

• Oracle Linux 10 を選択

シェイプ:

• VM.Standard.E2.1.Micro を選択（Always Free対象）
  • CPU: 1 OCPU
  • メモリ: 1 GB

1-3. ネットワーキングの設定

設定値:

• 仮想クラウド・ネットワーク: 新規作成
• サブネット: 新規パブリック・サブネット
• ✅ パブリックIPv4アドレスの割当て: チェック必須

⚠️ 重要: パブリックIPがないとブラウザからアクセスできません！

1-4. SSHキーの追加

おすすめ方法: 自動生成

1. 「SSHキー・ペアの生成」 を選択
2. 「秘密キーの保存」 をクリック
3. 「公開キーの保存」 をクリック

⚠️ 重要: 秘密キーは大切に保管してください。

1-5. ブートボリュームの設定

デフォルトのまま（50GB）でOK

1-6. インスタンスの作成

「作成」 ボタンをクリックします。

ステータスが 「実行中」 になるまで待ちます（約1〜2分）。

1-9. パブリックIPアドレスのメモ

インスタンス詳細画面で、パブリックIPアドレスをメモします。

例: 132.145.XXX.XXX

💡 このIPアドレスは後で使います。

ステップ2：SSH接続の準備

2-1. SSHキーファイルの権限設定

# ダウンロードフォルダに移動cd ~/Downloads # 権限を変更chmod 600 xxx.key

ステップ3：セキュリティ設定

Jupyter Notebookにアクセスできるよう、2つのファイアウォールを設定します。

💡 なぜ2つ必要？

1. OCIセキュリティリスト（クラウド側）
2. firewalld（サーバー側）

両方開放しないと外部からアクセスできません。

3-1. OCIセキュリティリストの設定

VCNの詳細画面へ移動

1. ハンバーガーメニュー → 「ネットワーキング」 → 「仮想クラウド・ネットワーク」
2. 作成した 仮想クラウド・ネットワーク をクリック

セキュリティリストの編集

1. 左側のリソースメニューで 「セキュリティ・リスト」 をクリック
2. 「Default Security List」 をクリック
3. 「イングレス・ルールの追加」 をクリック

ポート8888のルールを追加

設定値:

• ソース・タイプ: CIDR
• ソースCIDR: 0.0.0.0/0
• IPプロトコル: TCP
• 宛先ポート範囲: 8888
• 説明: Jupyter Notebook access

[画像17: Jupyter Notebook access用のセキュリティリスト_イングレスルール追加_data-analysis-server.jpg]

💡 ポート8888とは？: Jupyter Notebookのデフォルトポートです。

ステップ4：サーバーへのSSH接続

4-1. SSH接続

cd ~/Downloads
ssh -i ssh-key-2025-01-25.key opc@132.145.XXX.XXX

このプロンプトが表示されれば成功です！

ステップ5：Python環境のセットアップ

5-1. システムのアップデート

# システムパッケージを最新に更新sudo dnf update -y

💡 説明: サーバーのソフトウェアを最新にします。数分かかります。

5-2. Python 3とpipのインストール

# Python 3とpipをインストールsudo dnf install -y python3 python3-pip python3-devel

5-3. Pythonバージョンの確認

# Pythonのバージョン確認python3 --version

Python 3.12.9 と表示されればOKです。

ステップ6：仮想環境の作成

6-1. 仮想環境の作成

# 仮想環境を作成python3 -m venv ~/jupyter-env

💡 説明:

• python3 -m venv = 仮想環境を作るコマンド
• ~/jupyter-env = 作成場所と名前

6-2. 仮想環境の有効化

# 仮想環境を有効化source ~/jupyter-env/bin/activate
```プロンプトが以下のように変わればOKです：
```
(jupyter-env) [opc@data-analysis-server ~]$

💡 重要: (jupyter-env) が表示されている間は仮想環境内で作業しています。

ステップ7：データ分析ライブラリのインストール

7-1. pipのアップグレード

# pipを最新版にアップグレードpip install --upgrade pip

7-2. Jupyter Notebookのインストール

# Jupyter Notebookをインストールpip install jupyter

インストールには数分かかります。☕

7-3. データ分析ライブラリのインストール

# データ分析ライブラリをまとめてインストールpip install pandas numpy matplotlib seaborn scikit-learn openpyxl

💡 各ライブラリの説明:

インストールには5〜10分かかります。

ステップ8：Jupyter Notebookの設定

8-1. 設定ファイルの生成

# 設定ファイルを生成jupyter notebook --generate-config

8-2. パスワードの設定

# パスワードを設定jupyter notebook password

パスワードを2回入力します。忘れないようにメモしてください。

8-3. 設定ファイルの編集

# viで設定ファイルを編集vi ~/.jupyter/jupyter_notebook_config.py

以下の3行を追加します：

c.NotebookApp.ip = '0.0.0.0'
c.NotebookApp.open_browser = False
c.NotebookApp.port = 8888

💡 各設定の意味:

• ip = '0.0.0.0': 外部からアクセス可能にする
• open_browser = False: サーバー上でブラウザを開かない
• port = 8888: ポート8888で起動

8-4. サーバー側ファイアウォールの設定

# ファイアウォールの状態確認sudo systemctl status firewalld

「active (running)」と表示された場合は、ファイアウォールが動いています。

💡 なぜ2つのファイアウォール設定が必要？: OCI側のベストプラクティスとして「VCNルール（クラウド側）+ firewalld（ホスト側）の多層防御」を推奨しています。両方でポート8888を開放する必要があります。

ステップ9：Jupyter Notebookの起動

9-1. 作業ディレクトリの作成

# Notebookを保存するディレクトリを作成mkdir ~/notebooks
cd ~/notebooks

9-2. Jupyter Notebookの起動

# Jupyter Notebookを起動
jupyter notebook

以下のメッセージが表示されます。

[I 2025-10-22 08:12:28.130 ServerApp] Jupyter Server 2.17.0 is running at:
[I 2025-10-22 08:12:28.130 ServerApp] http://localhost:8888/tree

ステップ10：ブラウザからアクセス

10-1.アドレスバーに以下を入力

http://132.145.XXX.XXX:8888

💡 注意: IPアドレスは自分のものに置き換えてください。

10-2. ログイン

パスワードを入力して 「Log in」 をクリックします。

ステップ11：最初のNotebookを作成

11-1. 新しいNotebookの作成

1. 「New」 → 「Python 3」 をクリック

11-2. 最初のコードを実行

print("Hello, XXX!")

Shift + Enter で実行します。

11-3. Notebookの保存

Ctrl + Sで保存します。

Notebookのタイトルをクリックして名前を変更できます。

• 例: first_notebook

11-4. 基本操作

💡 ヒント: H キーでショートカット一覧が表示されます！

ステップ12：基礎編 OCIコストデータで分析

実際にOCIコストデータを分析してみましょう！

12-1. ライブラリのインポート

新しいセルに以下を入力して実行（Shift + Enter）：

# データ分析ライブラリをインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# グラフを綺麗に表示する設定%matplotlib inline
print("すべてのライブラリが正常にインポートされました！")
print("Pandas バージョン: {version}")
print("NumPy バージョン: {version}")

ステップ13：実践編 Object Storageからデータ読み込み

13-1. Object Storageの準備

バケットの作成:

1. OCIコンソール → 「ストレージ」 → 「バケット」
2. 「バケットの作成」 をクリック
3. 「作成」 をクリック

13-2. サンプルCSVファイルの準備

サンプルCSV（sample_oci_costs.csv）を作成します

13-3. CSVファイルのアップロード

手順:

1. バケット詳細画面で 「オブジェクトのアップロード」 をクリック
2. アップロード完了を確認

13-4. 事前認証済リクエスト（PAR）の作成

手順:

1. アップロードしたファイルの右側メニューをクリック
2. 「事前認証済リクエストの作成」 を選択
3. 設定値を入力：
   • 名前
   • アクセス・タイプ: 「オブジェクトの読取りと書込みを許可」 を選択
   • 有効期限: 適切な日時を設定（例: 1ヶ月後）

4. 「事前認証済リクエストの作成」 をクリック
5. URLをコピー

⚠️ 重要: このURLは一度しか表示されません！必ずコピーしてメモしておいてください。

13-5. Jupyter NotebookからObject Storageにアクセス

import pandas as pd
# 事前認証済リクエストのURLurl

結果: Object Storageから直接データが読み込まれます！

13-6. データの基本情報を確認

# データの構造を確認
print("=== データ情報 ===")
df.info()

print("\n=== 基本統計量 ===")
df.describe()

print("\n=== 列名一覧 ===")
print(df.columns.tolist())

13-7. サービス別コストを集計

# サービス別の合計コストservice_total = df.groupby('サービス名')['コスト'].sum().sort_values(ascending=False)

print("=== サービス別合計コスト ===")
print(service_total)

13-8. リージョン別コストを集計

# リージョン別の合計コスト
region_total = df.groupby('リージョン')['コスト'].sum()

print("=== リージョン別合計コスト ===")
print(region_total)

13-9. サービス別コストを棒グラフで可視化

import matplotlib.pyplot as plt
# グラフ表示の設定
%matplotlib inline
# サービス別コストの棒グラフ
plt.figure(figsize=(10, 6))
service_total.plot(kind='bar', color=['#FF6B6B', '#4ECDC4', '#45B7D1'])

plt.title('Service Cost Summary (Total)', fontsize=14, fontweight='bold')
plt.xlabel('Service', fontsize=12)
plt.ylabel('Cost (JPY)', fontsize=12)
plt.xticks(rotation=45)
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

13-10. 日別コスト推移を折れ線グラフで可視化

# 日別の合計コスト
daily_cost = df.groupby('日付')['コスト'].sum()
plt.figure(figsize=(12, 6))
plt.plot(daily_cost.index, daily_cost.values, marker='o', linewidth=2, markersize=8)

plt.title('Daily Total Cost Trend', fontsize=14, fontweight='bold')
plt.xlabel('Date', fontsize=12)
plt.ylabel('Total Cost (JPY)', fontsize=12)
plt.xticks(rotation=45)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

13-11. 日別の積み上げグラフで可視化

# サービス別・日別のピボットテーブル
pivot_data = df.pivot_table(values='コスト',index='日付',columns='サービス名',aggfunc='sum',fill_value=0)

# 積み上げ面グラフ
plt.figure(figsize=(12, 6))
pivot_data.plot(kind='area', stacked=True, alpha=0.7, figsize=(12, 6))
plt.title('Daily Cost by Service (Stacked)', fontsize=14, fontweight='bold')
plt.xlabel('Date', fontsize=12)plt.ylabel('Cost (JPY)', fontsize=12)
plt.legend(title='Service', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.xticks(rotation=45)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

13-12. リージョン別クロス集計

# サービス別・リージョン別のクロス集計
cross_tab = df.pivot_table(values='コスト',index='サービス名',columns='リージョン',aggfunc='sum',fill_value=0,margins=True,  # 合計行を追加 margins_name='Total')
print("=== Service x Region Cost Matrix ===")
cross_tab

13-13. データのエクスポート

# サービス別集計結果をCSVとして保存
service_total.to_csv('service_summary.csv')

print("service_summary.csv を保存しました")

# ファイルの確認
import os
print(f"保存先: {os.path.abspath('service_summary.csv')}")

# ターミナルで確認cd notebooks/
ls -l

結果: service_summary.csv ファイルが作成されます！

まとめ

構築した環境でできること

コスト比較

⚠️ OCIのAlways Free枠（VM.Standard.E2.1.Microシェイプ、Object Storage 20GBなど）を使用した場合は無料です。Always Free枠を超える場合は従量課金となります。

セキュリティのベストプラクティス

🔒 推奨設定:

✓ SSHキーの安全な管理

✓ 特定IPのみ許可（本番環境）

✓ 強力なパスワード使用

✓ 定期的なシステムアップデート

# 定期的にシステムを更新sudo dnf update -y
# Pythonライブラリも更新pip list --outdated
pip install --upgrade パッケージ名

最後に

この記事では、Jupyter Notebook環境の構築を、実際に手を動かしながら紹介させていただきました。

結論: どこからでもアクセスできるデータ分析環境を構築できました。

これにより、初学者でも挫折せずにデータサイエンスの学習を始められます。

この記事を通じ、皆様のデータ分析学習の一助となれば幸いです。

最後まで読んで頂き、ありがとうございました。

参考リンク

📖 公式ドキュメント

• OCI Documentation: https://docs.oracle.com/ja-jp/iaas/
• Jupyter Documentation: https://jupyter.org/documentation
• Pandas Documentation: https://pandas.pydata.org/docs/