はじめに
「CSVファイルを読み込んで、データの可視化とレポート生成ができるPythonアプリを作りたいです」
たった一行のプロンプトから始まったKiroとのペアプログラミング。まさか1000行を超える本格的なStreamlitアプリが5分で完成するとは思いませんでした。AWS発の革新的AI IDE「Kiro」のVibeモードの真の実力を、実際に生成されたコードとともに詳細レポートします。
🎯 完成したアプリの全貌
生成されたファイル構成
.
├── app.py # 1000行超のメインアプリケーション
├── README.md # 詳細なドキュメント
├── requirements.txt # 8つの依存ライブラリ
└── run.py # カスタム起動スクリプト
実装された機能の規模
- 総コード行数: 1,000行以上
- 関数数: 10個以上の専用関数
- グラフ種類: 9種類の高度な可視化
- 統計分析: 15種類以上の分析手法
- UI要素: 50個以上のインタラクティブ要素
🚀 Vibeモードでの開発体験
ステップ1: シンプルなリクエスト
最初のプロンプトは本当にシンプルでした：
CSVファイルを読み込んで、データの可視化とレポート生成ができる
Pythonアプリを作りたいです。
機能のイメージ：
- CSVアップロード
- グラフ作成（棒グラフ、線グラフ、散布図）
- 基本統計の表示
- HTMLレポート出力
使いやすいWeb UIがあると嬉しいです。
ステップ2: Kiroの「理解力」に驚愕
Kiroが即座に生成したコードを見て驚きました。要求した以上の機能が既に実装されていたのです：
実装された核心機能:
# 複数エンコーディング対応の読み込み
@st.cache_data
def load_csv_data(file_content, file_name):
try:
df = pd.read_csv(StringIO(file_content), encoding='utf-8')
return df, "utf-8"
except UnicodeDecodeError:
try:
df = pd.read_csv(StringIO(file_content), encoding='shift_jis')
return df, "shift_jis"
except UnicodeDecodeError:
df = pd.read_csv(StringIO(file_content), encoding='cp932')
return df, "cp932"
ステップ3: 予想を超える機能の自動実装
コードを詳しく見ると、プロダクションレベルの考慮がされていました：
1. 高度なフィルタリング機能:
# 数値フィルタリング
if numeric_filter_col != "なし":
min_val = float(df[numeric_filter_col].min())
max_val = float(df[numeric_filter_col].max())
filter_range = st.slider(
f"{numeric_filter_col} の範囲",
min_val, max_val, (min_val, max_val),
key="numeric_range"
)
# カテゴリフィルタリング
if category_filter_col != "なし":
unique_values = df[category_filter_col].unique()
selected_values = st.multiselect(
f"{category_filter_col} の値を選択",
unique_values,
default=unique_values,
key="category_values"
)
2. 9種類の高度なグラフ作成:
- 棒グラフ（縦横選択可能）
- 線グラフ（複数系列対応）
- 散布図（回帰線付き）
- ヒストグラム（3種類の表示タイプ）
- 箱ひげ図（ノッチ対応）
- 円グラフ（上位N項目）
- 面グラフ（積み重ね対応）
- バイオリンプロット
- ペアプロット（サンプリング機能付き）
ステップ4: 統計分析の自動実装
特に驚いたのは、高度な統計分析機能が自動実装されていたことです：
相関分析の実装:
# 3種類の相関係数
corr_method = st.selectbox("相関係数の種類", ["pearson", "spearman", "kendall"])
corr_matrix = df[numeric_cols].corr(method=corr_method)
# インタラクティブなヒートマップ
fig = px.imshow(
corr_matrix,
text_auto=show_values,
aspect="auto",
color_continuous_scale="RdBu_r",
title=f"相関行列 ({corr_method})"
)
統計検定の実装:
# t検定の実装
from scipy import stats
group1 = df[df[group_var] == unique_groups[0]][numeric_var].dropna()
group2 = df[df[group_var] == unique_groups[1]][numeric_var].dropna()
t_stat, p_value = stats.ttest_ind(group1, group2)
# Shapiro-Wilk正規性検定
if len(df[test_col].dropna()) <= 5000:
stat, p_value = stats.shapiro(df[test_col].dropna())
ステップ5: 外れ値検出とデータ品質チェック
IQR法による外れ値検出:
Q1 = df[outlier_col].quantile(0.25)
Q3 = df[outlier_col].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
outliers = df[(df[outlier_col] < lower_bound) | (df[outlier_col] > upper_bound)]
データ品質チェック:
quality_metrics = {
"完全性": f"{(1 - df.isnull().sum().sum() / (len(df) * len(df.columns))) * 100:.1f}%",
"重複行": f"{df.duplicated().sum()} 行 ({df.duplicated().sum()/len(df)*100:.1f}%)",
"データ型の一貫性": "チェック完了",
"値の範囲": "正常"
}
ステップ6: HTMLレポート自動生成
最も印象的だったのは、200行を超えるHTMLレポート生成関数が自動実装されていたことです：
def generate_html_report(df, filename):
"""HTMLレポートを生成する関数"""
numeric_cols = df.select_dtypes(include=['number']).columns
categorical_cols = df.select_dtypes(include=['object']).columns
# CSS付きの美しいHTMLテンプレート
html = f"""
<!DOCTYPE html>
<html lang="ja">
<head>
<style>
body {{
font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
margin: 40px;
line-height: 1.6;
color: #333;
background-color: #f8f9fa;
}}
.container {{
max-width: 1200px;
margin: 0 auto;
background: white;
padding: 30px;
border-radius: 10px;
box-shadow: 0 2px 10px rgba(0,0,0,0.1);
}}
/* 50行以上のCSSスタイル */
</style>
</head>
<body>
<!-- 詳細なレポート構造 -->
</body>
</html>
"""
ステップ7: サンプルデータ生成機能
驚いたことに、4種類のサンプルデータ生成機能まで自動実装：
if sample_type == "売上データ":
dates = pd.date_range('2023-01-01', periods=365, freq='D')
sample_df = pd.DataFrame({
'日付': dates,
'売上': np.random.normal(100000, 20000, 365).astype(int),
'商品カテゴリ': np.random.choice(['電子機器', '衣類', '食品', '書籍'], 365),
'地域': np.random.choice(['東京', '大阪', '名古屋', '福岡'], 365),
'顧客数': np.random.poisson(50, 365),
'平均単価': np.random.normal(2000, 500, 365).astype(int)
})
🎉 完成したアプリの実力
起動も自動化
カスタム起動スクリプトrun.pyまで生成：
def main():
try:
print("🚀 CSV データ分析アプリを起動しています...")
print("📊 ブラウザで http://localhost:8501 にアクセスしてください")
print("⏹️ 停止するには Ctrl+C を押してください")
subprocess.run([sys.executable, "-m", "streamlit", "run", "app.py"], check=True)
except KeyboardInterrupt:
print("\n👋 アプリケーションを停止しました")
実際の動作確認
% python run.py
🚀 CSV データ分析アプリを起動しています...
📊 ブラウザで http://localhost:8501 にアクセスしてください
You can now view your Streamlit app in your browser.
Local URL: http://localhost:8503
完璧に動作する本格的なWebアプリが立ち上がりました！
📊 生成されたコードの品質分析
コード品質の詳細評価
✅ 優秀な点:
- エラーハンドリング: 3種類のエンコーディングを自動試行
-
パフォーマンス:
@st.cache_dataデコレータでキャッシュ最適化 - ユーザビリティ: 50個以上のUI要素が適切に配置
- 拡張性: モジュラー設計で新機能追加が容易
- プロダクション対応: エラー処理、ログ出力、設定管理完備
📈 実装レベルの分析:
| 機能カテゴリ | 実装行数 | 複雑度 | 完成度 |
|---|---|---|---|
| データ読み込み | 50行 | 中 | 95% |
| UI設計 | 200行 | 高 | 90% |
| グラフ作成 | 300行 | 高 | 95% |
| 統計分析 | 250行 | 高 | 90% |
| レポート生成 | 200行 | 高 | 95% |
技術的詳細度
依存関係管理:
streamlit>=1.40.0 # 最新バージョン指定
pandas>=2.2.3 # データ処理の中核
matplotlib>=3.9.0 # 基本的な可視化
seaborn>=0.13.2 # 統計的可視化
plotly>=5.24.0 # インタラクティブグラフ
numpy>=2.1.0 # 数値計算
openpyxl>=3.1.5 # Excel対応
scipy>=1.14.0 # 統計分析
設定の詳細度:
st.set_page_config(
page_title="CSV データ分析アプリ",
page_icon="📊",
layout="wide"
)
# 詳細な分析設定
confidence_level = st.sidebar.slider("信頼水準", 0.90, 0.99, 0.95, 0.01)
correlation_threshold = st.sidebar.slider("相関の閾値", 0.1, 0.9, 0.5, 0.1)
💭 Vibeモードの驚くべき実力
🧠 AIの「先読み能力」
要求していない高度な機能が自動実装された例：
- 外れ値検出: IQR法とZ-score法の両方
- データ品質チェック: 完全性、重複、一貫性の評価
- 統計検定: t検定、正規性検定、ANOVA
- エクスポート機能: CSV、Excel、JSON、HTML対応
- サンプルデータ: 4種類の業界別データセット
🎯 ベストプラクティスの自動適用
# キャッシュ機能の適切な使用
@st.cache_data
def load_csv_data(file_content, file_name):
# エラーハンドリングの多層構造
try:
df = pd.read_csv(StringIO(file_content), encoding='utf-8')
except UnicodeDecodeError:
try:
df = pd.read_csv(StringIO(file_content), encoding='shift_jis')
except UnicodeDecodeError:
df = pd.read_csv(StringIO(file_content), encoding='cp932')
# UI状態管理
if 'sample_data' not in st.session_state:
st.session_state['sample_data'] = None
🔄 継続的改善の仕組み
Kiroは段階的に機能を追加していきました：
- 基本版: CSV読み込み + 基本グラフ
- 改良版: フィルタリング + 統計機能
- 発展版: 外れ値検出 + 品質チェック
- 完成版: HTMLレポート + サンプルデータ
コード品質の比較
| 項目 | 従来開発 | Vibeモード |
|---|---|---|
| エラーハンドリング | 手動実装必要 | 自動完備 |
| ベストプラクティス | 学習・適用必要 | 自動適用 |
| UI/UX設計 | デザインスキル必要 | プロ級UI自動生成 |
| 統計分析 | 専門知識必要 | 高度な分析自動実装 |
| ドキュメント | 別途作成必要 | 詳細README自動生成 |
🎯 Vibeモードが革命的な理由
1. 知識の民主化
- 統計学の専門知識がなくても高度な分析機能を実装
- Streamlitの詳細を知らなくてもプロ級のWebアプリを構築
- デザインスキルがなくても美しいUIを実現
2. 品質の標準化
- エラーハンドリングが確実に実装される
- セキュリティ考慮が自動で組み込まれる
- パフォーマンス最適化が標準適用される
3. 創造性の増幅
- アイデアから実装までの時間が劇的短縮
- 「できること」の範囲が大幅拡大
- 技術的制約よりもビジネス価値に集中可能
🚀 実際の使用場面での価値
ビジネス分析での活用
# 売上分析の例
if sample_type == "売上データ":
# 365日分の売上データを自動生成
# 地域別、カテゴリ別の多角的分析が可能
# 統計検定で有意差を検証
# HTMLレポートで経営陣への報告
学術研究での活用
# アンケート分析の例
elif sample_type == "アンケートデータ":
# 500件の回答データ
# 満足度の相関分析
# 統計的有意性の検証
# 研究論文用の図表生成
🔮 Vibeモードの未来可能性
今回の実装から見える発展性
- 機械学習機能: 予測モデル自動構築
- リアルタイム分析: WebSocketでライブデータ対応
- API化: FastAPIとの自動統合
- クラウド対応: AWS/GCP自動デプロイ
開発パラダイムの変化
従来: プログラマー → コード → アプリ
Vibeモード: アイデア → AI → プロダクション級アプリ
📊 まとめ: Vibeモードの真の価値
数値で見る成果
- コード行数: 1,000行以上
- 機能数: 50個以上
- 開発時間: 5分
- 品質レベル: プロダクション級
質的な変化
- 学習コスト: ゼロ
- 技術的負債: なし
- 保守性: 高
- 拡張性: 高
開発者への影響
Vibeモードは「コードを書く」から「価値を創造する」へのパラダイムシフトを実現します。
技術的詳細を知らなくても、やりたいことを自然な言葉で表現すれば、AIが最高品質の実装を提供してくれる。これは単なる効率化ではなく、創造性の解放です。
最終的な感想
KiroのVibeモードを体験して確信しました。これは開発の未来です。
アイデアを持つすべての人が、技術的制約を気にせずに価値を創造できる世界。それがVibeモードが示す未来像です。
🔗 関連リンク
KiroでPythonプロジェクトを作成するVibeモード用プロンプト集
🤖 簡単なWebスクレイピングツール
指定したWebサイトから商品情報を取得して、価格比較ができるツールを作成してください。
やりたいこと：
- 複数のECサイトから商品価格を取得
- 価格変動の履歴を保存
- アラート機能（価格が下がったら通知）
- シンプルなダッシュボード
BeautifulSoupやSeleniumを使って実装したいです。
📱 ToDoアプリ（FastAPI + React風）
タスク管理ができるWebアプリを作りたいです。
欲しい機能：
- タスクの追加・編集・削除
- 優先度設定
- 期限管理
- 完了状況の確認
PythonのFastAPIでAPIを作って、フロントエンドはHTMLとJavaScriptで簡単に実装してください。
💡 プロンプト作成のコツ
- 自然な言葉で「〜したい」「〜があると嬉しい」
- 完璧でなくても大まかなイメージを伝える
- AIとの対話で詳細を詰めていく