【2026年最新】Python完全入門ガイド｜基礎から機械学習・Web開発・自動化まで徹底解説

Pythonとは？今なぜPythonを学ぶべきなのか

Pythonは、シンプルな文法と高い汎用性を持つプログラミング言語です。2026年現在も最も人気のあるプログラミング言語の一つとして、AIエンジニア・データサイエンティスト・バックエンドエンジニア・自動化エンジニアなど幅広い職種で使われています。

本記事では、Python初心者から中上級者まで対応した完全ガイドとして、基礎文法から実践的な応用まで体系的に解説します。

Pythonの特徴とメリット

• 読みやすいコード：インデントを使った明快な文法で、初心者でも学びやすい
• 豊富なライブラリ：NumPy・Pandas・TensorFlow・Djangoなど目的別に多数のライブラリが揃っている
• 汎用性の高さ：Web開発・機械学習・データ分析・自動化・スクレイピングなど幅広い用途に対応
• 大きなコミュニティ：世界中に開発者コミュニティがあり、困ったときに情報が見つかりやすい

Python環境構築（2026年最新版）

Pythonのインストール方法

公式サイト（python.org）から最新版をダウンロードするのが最も簡単な方法です。2026年現在の推奨バージョンはPython 3.12以降です。

# バージョン確認
python --version
# Python 3.12.x

# pipのアップデート
pip install --upgrade pip

仮想環境の作成（venv）

プロジェクトごとに独立した環境を作成することで、パッケージの依存関係を管理できます。

# 仮想環境の作成
python -m venv myproject

# 仮想環境の有効化（Mac/Linux）
source myproject/bin/activate

# 仮想環境の有効化（Windows）
myproject\Scripts\activate

# 仮想環境の無効化
deactivate

Python基礎文法マスター

変数とデータ型

# 整数（int）
age = 25
count = 1000

# 浮動小数点数（float）
price = 1980.5
pi = 3.14159

# 文字列（str）
name = "田中太郎"
message = 'Hello, Python!'

# ブール値（bool）
is_active = True
is_deleted = False

# リスト（list）
fruits = ["apple", "banana", "orange"]
numbers = [1, 2, 3, 4, 5]

# 辞書（dict）
user = {
    "name": "田中太郎",
    "age": 25,
    "email": "tanaka@example.com"
}

# タプル（tuple）- 変更不可
coordinates = (35.6894, 139.6917)

# セット（set）- 重複なし
unique_numbers = {1, 2, 3, 3, 4}  # {1, 2, 3, 4}

条件分岐（if文）

score = 85

if score >= 90:
    print("優秀！")
elif score >= 70:
    print("合格")
elif score >= 60:
    print("ギリギリ合格")
else:
    print("不合格")

# 出力：合格

繰り返し処理（for文・while文）

# for文
fruits = ["apple", "banana", "orange"]
for fruit in fruits:
    print(f"フルーツ: {fruit}")

# range()を使ったループ
for i in range(1, 6):
    print(f"{i}回目のループ")

# while文
count = 0
while count < 5:
    print(f"カウント: {count}")
    count += 1

# リスト内包表記（Pythonらしい書き方）
squares = [x**2 for x in range(1, 11)]
print(squares)  # [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]

関数の定義と使用

# 基本的な関数
def greet(name, greeting="こんにちは"):
    return f"{greeting}、{name}さん！"

print(greet("田中"))  # こんにちは、田中さん！
print(greet("鈴木", "おはよう"))  # おはよう、鈴木さん！

# *args：可変長引数
def sum_all(*numbers):
    return sum(numbers)

print(sum_all(1, 2, 3, 4, 5))  # 15

# **kwargs：キーワード引数
def create_profile(**kwargs):
    for key, value in kwargs.items():
        print(f"{key}: {value}")

create_profile(name="田中", age=25, job="エンジニア")

# ラムダ関数
square = lambda x: x ** 2
print(square(5))  # 25

オブジェクト指向プログラミング（OOP）

class Engineer:
    # クラス変数
    company = "Tech Athletes株式会社"
    
    # コンストラクタ
    def __init__(self, name, skills, years_of_experience):
        self.name = name
        self.skills = skills
        self.years_of_experience = years_of_experience
    
    # インスタンスメソッド
    def introduce(self):
        skills_str = ", ".join(self.skills)
        return f"私は{self.name}です。{self.years_of_experience}年のエンジニア経験があり、{skills_str}が得意です。"
    
    # プロパティ
    @property
    def seniority(self):
        if self.years_of_experience >= 10:
            return "シニア"
        elif self.years_of_experience >= 5:
            return "ミドル"
        else:
            return "ジュニア"
    
    # 特殊メソッド
    def __repr__(self):
        return f"Engineer(name='{self.name}', years={self.years_of_experience})"

# 継承
class FullStackEngineer(Engineer):
    def __init__(self, name, frontend_skills, backend_skills, years):
        super().__init__(name, frontend_skills + backend_skills, years)
        self.frontend_skills = frontend_skills
        self.backend_skills = backend_skills
    
    def can_handle_full_stack(self):
        return len(self.frontend_skills) > 0 and len(self.backend_skills) > 0

# 使用例
engineer = FullStackEngineer(
    "山田太郎",
    ["React", "TypeScript", "CSS"],
    ["Python", "Django", "PostgreSQL"],
    7
)
print(engineer.introduce())
print(engineer.seniority)  # ミドル
print(engineer.can_handle_full_stack())  # True

Pythonで機械学習入門

Pythonは機械学習・深層学習の分野で最も広く使われている言語です。主要なライブラリをご紹介します。

scikit-learnで機械学習

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

# データのロード
iris = load_iris()
X, y = iris.data, iris.target

# データの分割（訓練データ80%、テストデータ20%）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# モデルの訓練
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 予測と評価
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"精度: {accuracy:.4f}")
print(classification_report(y_test, y_pred, target_names=iris.target_names))

PandasとNumPyでデータ分析

import pandas as pd
import numpy as np

# DataFrameの作成
df = pd.DataFrame({
    'name': ['田中', '鈴木', '山田', '佐藤', '高橋'],
    'age': [25, 32, 28, 45, 38],
    'salary': [350000, 520000, 420000, 680000, 590000],
    'department': ['開発', '開発', 'デザイン', 'マネジメント', '開発']
})

# 基本統計
print(df.describe())

# フィルタリング
dev_team = df[df['department'] == '開発']
print(dev_team)

# グループ集計
dept_stats = df.groupby('department')['salary'].agg(['mean', 'max', 'count'])
print(dept_stats)

# 欠損値処理
df['bonus'] = np.nan
df['bonus'].fillna(df['salary'] * 0.1, inplace=True)

PythonでWeb開発（FastAPI）

FastAPIはPythonで最も人気のあるモダンなWebフレームワークの一つです。型ヒントとOpenAPI仕様の自動生成が特徴です。

from fastapi import FastAPI, HTTPException, Depends
from pydantic import BaseModel, EmailStr
from typing import List, Optional
import uvicorn

app = FastAPI(
    title="Tech Athletes API",
    description="エンジニア向けサンプルAPI",
    version="1.0.0"
)

# Pydanticモデル
class User(BaseModel):
    id: int
    name: str
    email: EmailStr
    is_active: bool = True
    skills: List[str] = []

class CreateUser(BaseModel):
    name: str
    email: EmailStr
    skills: Optional[List[str]] = []

# メモリ内データベース（デモ用）
users_db: List[User] = []

@app.get("/")
async def root():
    return {"message": "Tech Athletes API へようこそ！"}

@app.get("/users", response_model=List[User])
async def get_users():
    return users_db

@app.post("/users", response_model=User, status_code=201)
async def create_user(user_data: CreateUser):
    new_user = User(
        id=len(users_db) + 1,
        name=user_data.name,
        email=user_data.email,
        skills=user_data.skills or []
    )
    users_db.append(new_user)
    return new_user

@app.get("/users/{user_id}", response_model=User)
async def get_user(user_id: int):
    user = next((u for u in users_db if u.id == user_id), None)
    if not user:
        raise HTTPException(status_code=404, detail="ユーザーが見つかりません")
    return user

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

Pythonによる業務自動化

ファイル操作の自動化

import os
import shutil
from pathlib import Path
from datetime import datetime

def organize_files_by_date(source_dir: str, dest_dir: str):
    """ファイルを日付別に自動整理する"""
    source = Path(source_dir)
    dest = Path(dest_dir)
    
    for file_path in source.iterdir():
        if file_path.is_file():
            # ファイルの更新日時を取得
            mod_time = datetime.fromtimestamp(file_path.stat().st_mtime)
            year_month = mod_time.strftime("%Y-%m")
            
            # 日付別フォルダを作成
            target_dir = dest / year_month
            target_dir.mkdir(parents=True, exist_ok=True)
            
            # ファイルを移動
            target_path = target_dir / file_path.name
            shutil.move(str(file_path), str(target_path))
            print(f"移動: {file_path.name} → {year_month}/")

# 実行例
organize_files_by_date("~/Downloads", "~/Documents/Organized")

Webスクレイピング（Beautiful Soup）

import requests
from bs4 import BeautifulSoup
import csv
import time

def scrape_news_titles(url: str) -> list:
    """ニュースのタイトルを取得する"""
    headers = {
        'User-Agent': 'Mozilla/5.0 (compatible; TechAthletes-Bot/1.0)'
    }
    
    try:
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()
        
        soup = BeautifulSoup(response.content, 'html.parser')
        
        # h2タグのニュースタイトルを取得
        titles = []
        for article in soup.find_all('article'):
            title_elem = article.find(['h1', 'h2', 'h3'])
            if title_elem:
                titles.append({
                    'title': title_elem.get_text(strip=True),
                    'url': article.find('a')['href'] if article.find('a') else ''
                })
        
        return titles
    
    except requests.RequestException as e:
        print(f"エラー: {e}")
        return []

Pythonの学習ロードマップ（2026年版）

Pythonエンジニアの年収・キャリア

2026年のPythonエンジニアの平均年収は、経験や専門分野によって大きく異なります。

• ジュニアエンジニア（1〜3年）：400〜500万円
• ミドルエンジニア（3〜7年）：600〜800万円
• シニアエンジニア（7年以上）：800〜1,200万円
• AIエンジニア・MLエンジニア：700〜1,500万円
• データサイエンティスト：600〜1,200万円

まとめ：Pythonを今すぐ始めよう

Pythonは初心者にとって学びやすく、プロフェッショナルレベルまで活用できる言語です。AI・機械学習・Web開発・自動化など、現代のIT業界のあらゆる場所で活躍します。

まずは公式ドキュメントや無料学習サイトを使って基礎を固め、自分のやりたいことに合わせてステップアップしていきましょう。Tech Athletesでは、Pythonに関連した実践的な記事を続けて掲載していく予定ですので、ぜひブックマークしてください。