Python学習アウトプット①：複数クレジットカードの支出を可視化してみた

アウトプット内容

複数枚のクレジットカード利用データをまとめて、支出の内訳を円グラフで可視化してみました。

背景

クレジットカードを複数枚使っていると、
「結局、何にいくら使っているのか」が把握しづらくなっている現状です。
そこで今回は、複数のクレジットカード利用明細（CSV）をPythonで統合し、支出の内訳を円グラフで可視化してみました。

前提

今回のアウトプットでは、複数のクレジットカードを用途別に使い分けています。
そのため、カードごとにデータの取得方法や明細のまとめ方が異なります。

---

① クレジットカードの使い分け

カード	使い道	データ取得方法
楽天カード	日常の買い物全般（メイン）	CSV
イオンカード	ジムの支払い（指定カード）	CSV
EPOSカード	家賃の支払い（指定カード）	PDF
JREカード	交通費のみ	CSV

用途がある程度固定されているため、
カードごとに「どこまで細かく扱うか」を変えています。

---

② データ取得方法を統一していない理由

楽天カードは使い道が多いため、明細をカテゴリ別に分類して集計しています。

一方で、
イオンカード（ジム）やJREカード（交通費）は、支払い内容が1種類なので、
今回は合計金額のみを取得しています。

EPOSカードについては明細がPDF形式のため、今回のアウトプットではスキル的に対応が難しく、集計用のDataFrameだけ作成する形にしました。

---

③ APIによる自動取得について

APIを使って明細を自動取得することも検討しましたが、多くのカード会社では2段階認証が必要なため、今回は手作業でCSVを取得する前提にしています。

出力結果（カテゴリ別支出割合）

カテゴリ別の支出割合を円グラフで可視化しました。
支出の内訳を、全体感として把握できる形になっています。

※集計・可視化の詳細な処理は、後半のコードで記載します。

今回の学習ポイント6つ

① 文字列の正規化

全角・半角・記号の表記ゆれを統一し、店舗名の自動分類の精度を上げるためです。

unicodedata.normalize('NFKC', str(text))

② 出現頻度TOP20

自動分類のルールを作るにあたって、まず楽天カードの利用明細から店舗名の出現頻度を確認しました。

df_rakuten['shop'].value_counts().head(20)

出現頻度の多い店舗を元に、カテゴリ作成をしました。

category_rule = {
    '固定費': ['楽天エナジー', '楽天ガス', '楽天でんき', 'au', 'uq', 'biglobe', 'ablenet', 'ソフトバンク'],
    '保険': ['セイメイホケン'],
    '食費': ['セブン', 'ローソン', 'ヨシノヤ', 'uber', 'ドト-ルコ-ヒ-', 'マクドナルド', 'スキヤ'],
    '娯楽費': ['カーニー', 'ピクシブ'],
    '日用品': ['amazon', 'rakuten', 'サンドラツグ', 'マツモトキヨシ', 'GOOGLE', 'クリニツクプラス', 'ヤツキヨク'],
    '交通費': ['タクシー']
}

③ 自動分類

あらかじめ用意したキーワード一覧を使って、カテゴリを判定するためです。
各カテゴリ（cat）に紐づけたキーワード（kw）を1つずつ確認し、店舗名に含まれているかどうかで分類しました。

def classify(shop):
    shop = normalize(shop)
    for cat, kws in category_rule_norm.items():
        for kw in kws:
            if kw in shop:
                return cat
    return 'その他'

④ with open() を使ったファイル処理

JREカードとイオンカードは合計金額のみを抽出できればよかったため、read_csv()ではなく、行単位で処理できるwith open() を使いました。

with open('jre_2512.csv', encoding='cp932') as f:

⑤ 文字列から数値抽出

「今回お支払金額 54,536円」などの文字列から数字を抽出するためです。

re.sub(r'[^\d]', '', line)

⑥ 円グラフの色指定・表示調整

デフォルトではなく色合いのある配色を活用し、rcParams によるフォント・サイズ一括管理するためです。

colors = [...]
plt.pie(..., colors=colors)

全体コードまとめ

今回使用したコードを1つにまとめたものです。

import pandas as pd
import unicodedata
import re
import matplotlib.pyplot as plt


# 半角・全角を統一
def normalize(text):
    text = unicodedata.normalize('NFKC', str(text))
    return text.lower().strip()


# カテゴリ作成
category_rule = {
    '固定費': ['楽天エナジー', '楽天ガス', '楽天でんき', 'au', 'uq', 'biglobe', 'ablenet', 'ソフトバンク'],
    '保険': ['セイメイホケン'],
    '食費': ['セブン', 'ローソン', 'ヨシノヤ', 'uber', 'ドト-ルコ-ヒ-', 'マクドナルド', 'スキヤ'],
    '娯楽費': ['カーニー', 'ピクシブ'],
    '日用品': ['amazon', 'rakuten', 'サンドラツグ', 'マツモトキヨシ', 'GOOGLE', 'クリニツクプラス', 'ヤツキヨク'],
    '交通費': ['タクシー']}


# 辞書を正規化
category_rule_norm = {
    cat: [normalize(kw) for kw in kws]
    for cat, kws in category_rule.items()}


# 自動分類
def classify(shop):
    shop = normalize(shop)
    for cat, kws in category_rule_norm.items():
        for kw in kws:
            if kw in shop:
                return cat
    return 'その他'
    
df_rakuten['category'] = df_rakuten['shop'].apply(classify)


#　楽天カード取得
df = pd.read_csv('rakuten_2512.csv')
df_rakuten = pd.DataFrame({
    'date': df['利用日'],
    'shop': df['利用店名・商品名'],
    'amount': df['利用金額'],
    'card_name': 'Rakuten'})
df_rakuten['category'] = df_rakuten['shop'].apply(classify)


# JREカード(合計のみ)取得
total_jre_amount = None

with open('jre_2512.csv', encoding='cp932') as f:
    for line in f:
        if '今回お支払金額' in line:
            total_jre_amount = int(re.sub(r'[^\d]', '', line))
            break
            
df_jre = pd.DataFrame([{
    'date': '2025-12',         
    'shop': 'JREカード合計',
    'amount': total_jre_amount,
    'card_name': 'JRE',
    'category': '交通費'}])


# イオンカード(合計のみ)取得
total_aeon_amount = None

with open('aeon_2512.csv', encoding='cp932') as f:
    for line in f:
        if '今回ご請求金額' in line:
            total_aeon_amount = int(re.sub(r'[^\d]', '', line))
            break

df_aeon = pd.DataFrame([{
    'date': '2025-12',
    'shop': 'イオンカード合計',
    'amount': total_aeon_amount,
    'card_name':'AEON',
    'category': '娯楽費' }])


#　EPOSカード(家賃のみ)
df_epos = pd.DataFrame([{
    'date': '2025-12',
    'shop': '家賃',
    'amount': *****,
    'card_name': 'EPOS',
    'category': '家賃'}])


#　全てのカードを統合して集計
df_all = pd.concat(
    [df_rakuten, df_aeon, df_jre, df_epos],
    ignore_index=True)

df_all.groupby('category')['amount'].sum()
df_all.groupby('card_name')['amount'].sum()

df_all.pivot_table(
    index='category',
    columns='card_name',
    values='amount',
    aggfunc='sum').fillna(0)


# 円グラフ作成
summary = (df_all.groupby('category', as_index=False)['amount'].sum())
total = summary['amount'].sum()
summary['ratio'] = summary['amount'] / total * 100
summary = summary.sort_values('amount', ascending=True)


#　円グラフのサイズ・色調整
colors = [
    "#4E79A7", "#F28E2B", "#E15759", 
    "#76B7B2", "#59A14F", "#EDC948",
    "#B07AA1", "#FF9DA7"]

plt.rcParams['font.family'] = 'Arial Unicode MS'
plt.rcParams['figure.figsize'] = [8,8]
plt.rcParams['font.size'] = 15

plt.pie(
    summary['amount'],
    labels=summary['category'],
    autopct='%.1f%%',
    startangle=90,
    pctdistance=0.75,
    textprops={'fontsize': 15} ,
    colors=colors)

plt.title('カテゴリ別支出割合',pad = 30)
plt.axis('equal')
plt.savefig("pie_chart.png", bbox_inches="tight")
plt.show()

振り返り

• データ構造に合わせて処理を分けることで、無理のない範囲で可視化まで進めることができました。

• 今回は自分の利用状況に合わせたコードのため、汎用性については今後の課題だと考えています。

• 最初に全体の流れを考えておくことで、何を実装すればいいかが整理しやすくなることをコードの途中から実感しました。

次のステップ

• カテゴリ判定のルールを見直す
  → 「その他」に分類される明細を減らし、支出の内訳をより正確に把握できるようにすること
  
  
• APIを利用した明細データ取得の自動化を検討
  → 2段階認証が不要なサービスを対象にして実践