コピペでできるサクッとデータ分析。「Googleスプレッドシート × Pythonで“週データ”を自動集計して“月トレンド”の可視化」─ Colab × Plotlyで一瞬グラフ化する方法。 #102

全体レビューがついに1万ビューを超えた。
60日連続投稿を達成した、そのデータをもとにまとめたのが今回の記事や。

この記事を読むと──
スプレッドシートでアクセスデータを管理するだけで、どんな変動が起きていたのかが見えてくる。
ぁ、ちなみにデータの抽出は自動じゃなくて手動やねんけどな（笑）。
コード含んだ記事なんで、長くなってます・・・・。

そして今回のターゲットは、こんな人👇

そんな人のために、Google Colab × Pythonを使って
「月データ→ グラフ化」までを自動でやってくれる仕組みを作った。

1.元にデータを整える

まず、可視化するにしても、分析するにしても──
そもそもデータがなければ始まらない。

今回は、こんな感じのデータをいまだに人力でスプレッドシートに記録している👇

「週」「ビュー」「コメント」「スキ」だけの、超シンプル構成。
正直、毎週コピペして入力してるので、地味に骨が折れる作業やねん……。

いつかはWebスクレイピングとかで自動化したいとは思ってるけど、
まずは今ある“手動データ”を分析できるように整えることから始めた。

今回のシート名は 「サマリー_月」 に設定。
これをもとに、次のステップで Google Colab × Python から読み込んでいく。

2.Colabでデータを読み込む

ここからはいよいよ Google Colab × Python の出番や。

今回は、スプレッドシートの「サマリー_月」シートに入力した週データを、Colabから直接読み込む。
まずは、Googleアカウントの認証からスタート。

2-1.Googleアカウント認証

# @title 2-1.Googleアカウント認証
from google.colab import auth
from google.auth import default
import gspread

# 認証（最初の1回だけポップアップが出る）
auth.authenticate_user()
creds, _ = default()
gc = gspread.authorize(creds)

これで、ColabとGoogle スプレッドシートをつなぐ準備が完了。
初回実行時には「Googleアカウントの許可」を求められるけど、
一度通れば次からはスムーズにアクセスできるようになる。

2-2.スプレッドシートに接続

# 📂 スプレッドシートのURLを指定（自分のURLに置き換え）
SPREADSHEET_URL = "https://docs.google.com/spreadsheets/d/{XXXXXXX}/edit?gid=0#gid=0"

# ▼ 接続
spreadsheet = gc.open_by_url(SPREADSHEET_URL)
print("✅ 接続OK：", spreadsheet.title)

✅ 「接続OK」と表示されたら、Colabがスプレッドシートにアクセスできている状態。
このあと、「サマリー_月」シートを読み込んでDataFrame（表データ）に変換していく。

補足メモ

• URLの {XXXXXXX} は、自分のスプレッドシートIDに置き換える。

• ファイル共有設定は「リンクを知っている全員が閲覧可能」にしておくと、認証エラーが出にくい。

• この接続方法は gspread ライブラリを使った定番の構成。

このセクションを終えると、
Colab上でスプレッドシートの中身を自由に扱える状態になる。

3. データをDataFrameとして読み込む

ここでようやく、スプレッドシートの「サマリー_月」シートを PythonのDataFrame（表データ） に変換していく。

# @title 2-1. データの読み込み：ビュー数
sheet = spreadsheet.worksheet("サマリー_月")  # ワークシート名を指定
rows = sheet.get_all_values()

# 1行目をヘッダーとして DataFrame を作成
df_view_mon = pd.DataFrame(rows[1:], columns=rows[0])

# 余白行の除去（空白行をすべて削除）
df_view_mon = df_view_mon.replace('', pd.NA).dropna(how='all').reset_index(drop=True)

# 数値カラムを数値化（エラー時は NaN に）
for col in ["ビュー", "コメント", "スキ"]:
    df_view_mon[col] = pd.to_numeric(df_view_mon[col], errors="coerce")

# 内容を確認
display(df_view_mon.head())
print("✅ 作成したデータフレーム：df_view_mon")

解説

• sheet.get_all_values()：スプレッドシート全体をリスト形式で取得。

• DataFrame(rows[1:], columns=rows[0])：1行目をヘッダーとしてDataFrameを生成。

• replace('', pd.NA) → dropna(how='all')：空白行を削除。

• pd.to_numeric()：ビュー数・コメント数・スキ数を数値として扱えるように変換。

ワンポイント

もし "サマリー_月" のシート名を変更した場合は、

sheet = spreadsheet.worksheet("シート1")

のように名前を入れ替えればOK。

4. データをDataFrameとして読み込む

ここまでで、Googleスプレッドシートとの接続とデータ取得が完了。
いよいよここから、実際のビュー推移を可視化していくで！

週×ビューの折れ線グラフ

まずは、シンプルに「週」と「ビュー」だけを使って折れ線グラフを描いてみよう。
余計な加工は一切なし。スプレッドシートの中身をそのまま使うだけや。

# @title 3-1.月×ビューの折れ線グラフ
import plotly.graph_objects as go

# ビュー列を数値に
df_view_mon["ビュー"] = pd.to_numeric(df_view_mon["ビュー"], errors="coerce")

# 折れ線グラフ作成
fig = go.Figure()
fig.add_trace(go.Scatter(
    x=df_view_mon["週"],
    y=df_view_mon["ビュー"],
    mode="lines+markers",
    name="ビュー",
    line=dict(width=3)
))

fig.update_layout(
    title="週ごとのビュー推移",
    xaxis_title="月",
    yaxis_title="ビュー数",
    hovermode="x unified",
    template="plotly_white",
    xaxis=dict(autorange="reversed")  # 👈 ここがポイント！ 最新日を右に設定。
)

fig.update_traces(hovertemplate="%{y:,}")
fig.show()

解説

• x=df_view_mon["週"]
  　X軸にはスプレッドシートの「週」カラムをそのまま使う。
  　例：2025年10月4日-2025年11月3日

• y=df_view_mon["ビュー"]
  　Y軸は「ビュー数」。pd.to_numeric で数値化しておくのがポイント。

• autorange="reversed"
  　通常は最新日が左に来るけど、この設定で**最新が右側（＝時系列順）**に並ぶ。

出力イメージ

📊 グラフには、週ごとのビュー数が線でつながって表示され、
　どの週にアクセスが伸びたか一目で分かる。

まとめ

ここまでで、「週ごとのビュー推移」をPythonで自動可視化できた。
Excelやスプレッドシートでグラフを作るよりも、
Colabならコード一発で再現＆更新ができる。

次は、このデータをもとに「コメント数」「スキ数」も一緒に重ねた複合グラフ を作って、
記事の反応全体を見える化していくで🔥

5. コメントとスキもまとめて可視化してみる

ここまでで、「週ごとのビュー推移」を折れ線で出せた。
でもな、“見られた”だけじゃなく、“反応された”データも見たいやん？
──そう、コメントとスキも同時に見えるようにしたい。

ただし、これらは数がビューよりずっと少ない。
だから、グラフのスケールを分けるために
ビューは折れ線（左軸）／コメントとスキは棒グラフ（右軸） にしてみた。

# @title 3-4.月×ビュー＋スキ＋コメント（二軸・棒グラフ）
import plotly.graph_objects as go

# 数値変換
for col in ["ビュー", "コメント", "スキ"]:
    df_view_mon[col] = pd.to_numeric(df_view_mon[col], errors="coerce")

# 図の作成
fig = go.Figure()

# --- 左軸：ビュー（折れ線） ---
fig.add_trace(go.Scatter(
    x=df_view_mon["週"],
    y=df_view_mon["ビュー"],
    mode="lines+markers",
    name="ビュー（左軸）",
    line=dict(width=3, color="royalblue"),
    yaxis="y1"
))

# --- 右軸：スキ（棒グラフ） ---
fig.add_trace(go.Bar(
    x=df_view_mon["週"],
    y=df_view_mon["スキ"],
    name="スキ（右軸・棒）",
    marker_color="mediumseagreen",
    opacity=0.6,
    yaxis="y2"
))

# --- 右軸：コメント（棒グラフ） ---
fig.add_trace(go.Bar(
    x=df_view_mon["週"],
    y=df_view_mon["コメント"],
    name="コメント（右軸・棒）",
    marker_color="orange",
    opacity=0.6,
    yaxis="y2"
))

# --- レイアウト設定 ---
fig.update_layout(
    title="月ごとのパフォーマンス推移（ビュー×スキ×コメント）",
    xaxis_title="月",
    yaxis=dict(
        title="ビュー数",
        titlefont=dict(color="royalblue"),
        tickfont=dict(color="royalblue")
    ),
    yaxis2=dict(
        title="スキ／コメント数",
        titlefont=dict(color="darkgreen"),
        tickfont=dict(color="darkgreen"),
        overlaying="y",
        side="right"
    ),
    barmode="group",  # スキとコメントを横並びに
    hovermode="x unified",
    template="plotly_white",
    xaxis=dict(autorange="reversed")  # 最新週を右に
)

fig.update_traces(hovertemplate="%{y:,}")
fig.show()

解説

• ビュー（青）：左軸の折れ線で「アクセスの流れ」を表す。

• スキ（緑）／コメント（オレンジ）：右軸の棒グラフで「反応の深さ」を表す。

• barmode="group" でスキとコメントを横並び表示。

• autorange="reversed" によって最新週が右端にくるように設定。

この構成にすると、
アクセス数の波と反応数の動きが一目で比較できる。
「読まれた週」と「反応が返ってきた週」のズレを見るのにも便利。

出力イメージ

ビューの折れ線が上を走り、
スキとコメントの棒がその下で反応の強さを支えている──
そんな“記事との対話のグラフ”が完成する。

まとめ

ここまでで、

• ビューの推移（折れ線）

• スキとコメントの推移（棒グラフ）
  を一枚で見える化できた。

次はこれをベースに、
「反応率（スキ÷ビュー）」や「コメント率」 みたいな
“エンゲージメント指標”も可視化や。

5. 反応率を見れば“響いた月”がわかる

ここまでで「ビュー数の推移」は見えてきたけど、
ほんまに知りたいのは──“どの月がいちばん響いたか” やと思うんよな。

だから次は、
スキ率（スキ ÷ ビュー）とコメント率（コメント ÷ ビュー） を計算して、
「見られただけ」じゃなく「反応されたかどうか」を見ていく。

月ごとの反応率（スキ率・コメント率）

まずは率（割合）だけを可視化。
「この月はスキ率が高かったな」とか、「コメントが多かったな」といった、
“質的な反応の波” が見えてくる。

ビューの多い月が必ずしも反応率が高いとは限らない。
逆に、ビューが少なくてもスキ率が高い月は、
“コアな読者が強く共感した時期” とも言える。

# @title 4-1. 月ごとの反応率（スキ率・コメント率）
import numpy as np
import pandas as pd
import plotly.graph_objects as go

# 元データをコピー
df = df_view_mon.copy()

# 数値化
for col in ["ビュー", "コメント", "スキ"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")

# 反応率（ビューが0や欠損の行はNaN）
df["スキ率"] = np.where(df["ビュー"] > 0, df["スキ"] / df["ビュー"], np.nan)
df["コメント率"] = np.where(df["ビュー"] > 0, df["コメント"] / df["ビュー"], np.nan)

# 折れ線グラフ（%表示）
fig = go.Figure()
fig.add_trace(go.Scatter(
    x=df["週"], y=df["スキ率"] * 100,
    mode="lines+markers", name="スキ率(%)"
))
fig.add_trace(go.Scatter(
    x=df["週"], y=df["コメント率"] * 100,
    mode="lines+markers", name="コメント率(%)"
))

fig.update_layout(
    title="月ごとの反応率（スキ率・コメント率）",
    xaxis_title="月",
    yaxis_title="率(%)",
    hovermode="x unified",
    template="plotly_white",
    xaxis=dict(autorange="reversed")  # 最新を右に
)
fig.update_traces(hovertemplate="%{y:.2f}%")
fig.show()

出力イメージ

ビュー × スキ率・コメント率

率だけだと、実際のインパクトがわかりにくいやん？
そこで、ビュー数とスキ率・コメント率を同じグラフに重ねた。

• 左軸：ビュー数（青い折れ線）

• 右軸：スキ率・コメント率（棒グラフ）

こうすると、「数字の量」と「反応の質」を同時に読める

# @title 4-2. ビュー × スキ率・コメント率（二軸：棒＋折れ線）
import numpy as np
import plotly.graph_objects as go

# 数値変換
for col in ["ビュー", "コメント", "スキ"]:
    df_view_mon[col] = pd.to_numeric(df_view_mon[col], errors="coerce")

# 反応率計算（ビューが0のときはNaN）
df_view_mon["スキ率"] = np.where(df_view_mon["ビュー"] > 0, df_view_mon["スキ"] / df_view_mon["ビュー"], np.nan)
df_view_mon["コメント率"] = np.where(df_view_mon["ビュー"] > 0, df_view_mon["コメント"] / df_view_mon["ビュー"], np.nan)

# --- グラフ作成 ---
fig = go.Figure()

# 左軸：ビュー（折れ線）
fig.add_trace(go.Scatter(
    x=df_view_mon["週"],
    y=df_view_mon["ビュー"],
    mode="lines+markers",
    name="ビュー（左軸）",
    line=dict(width=3, color="royalblue"),
    yaxis="y1"
))

# 右軸：スキ率（棒）
fig.add_trace(go.Bar(
    x=df_view_mon["週"],
    y=df_view_mon["スキ率"] * 100,
    name="スキ率(%)（右軸）",
    marker_color="mediumseagreen",
    opacity=0.7,
    yaxis="y2"
))

# 右軸：コメント率（棒）
fig.add_trace(go.Bar(
    x=df_view_mon["週"],
    y=df_view_mon["コメント率"] * 100,
    name="コメント率(%)（右軸）",
    marker_color="orange",
    opacity=0.7,
    yaxis="y2"
))

# --- レイアウト設定 ---
fig.update_layout(
    title="月ごとのビュー × 反応率（スキ率・コメント率）",
    xaxis_title="週",
    yaxis=dict(
        title="ビュー数",
        titlefont=dict(color="royalblue"),
        tickfont=dict(color="royalblue"),
    ),
    yaxis2=dict(
        title="反応率(%)",
        titlefont=dict(color="darkgreen"),
        tickfont=dict(color="darkgreen"),
        overlaying="y",
        side="right"
    ),
    barmode="group",
    hovermode="x unified",
    template="plotly_white",
    xaxis=dict(autorange="reversed")  # 最新週を右へ
)

fig.update_traces(hovertemplate="%{y:.2f}")
fig.show()

出力イメージ

グラフから見えてくること

たとえば、こんな見方ができる👇

つまり、「伸びた」だけじゃなく、
“どんな伸び方をしたか” が見えてくるわけや。

6. ワイの状況なら、こう読む。

上のグラフを見てほしい。
青い線が「ビュー数（見られた回数）」、緑とオレンジの棒が「スキ率」と「コメント率」。

ぱっと見てわかるとおり、2025年10月にかけてグンッと伸びてる。
単純なビュー数（青線）だけ見ると「バズった」ように見えるけど、
スキ率（緑棒）は──あんま上がってない。

つまりワイの場合、

ってことになる。

逆に、2025年3〜5月あたりを見てみると、
ビューはそこまででも、スキ率がしっかり上がってるんよ。

この時期は、内容も方向性も試行錯誤してた頃で、
「固定の読者層」にだけちゃんと刺さってた感じやな。

こうして見ると、

• バズ（月）＝認知の広がり

• スキ率（月）＝共感の深さ

って感じで、数字の“高さ”より“意味の違い” が見えてくる。

ワイの状況で言うなら、
“知られる”段階はクリアした。
次は“響かせる”段階に入るタイミングやな。

ちなみに、こうして「月別×反応率」を見ておくと、
「伸びた記事」と「刺さった記事」を分けて考えられる。

数字を追うだけじゃなく、
“心が動いたデータ”を拾えるのが、ログ分析の醍醐味やで。

※実際は、週データで見た方が精度高いで。
月ごとやと波がならされてまうから、
バズった記事の“瞬間風速”とか、
地味に伸びた“じわ伸び週”がわかりにくくなるんよな。笑

でもまあ、最初は「月」でもええ。
習慣化できるかどうかの方が大事やから。
慣れてきたら週集計に切り替えてみてや。

7.あとがき

長くなってもうたけど、
ここまでくると「数字の向こうにある自分の記事のクセ」が見えてくるんよな。

たとえば──
記事を分類（タグ付け） したり、文字数や構成を合わせて見たりすると、
「どんなタイプの記事が“刺さってる”のか」もだんだん見えてくる。

ワイは正直、これまでそこまで設計して出してへんかったから、
グラフ見ながら「うわ、完全にノリで投稿してたやん…」って反省したわ。笑

とはいえ、データを取るのは難しいことやない。
スプレッドシートで記録して、Colabでちょっと可視化するだけ。
（しかも無料でできる）

「お賽銭」感覚でええから、
有料部分にコード全文を置いとくから、
自分でも“記事の自己分析”やってみてや！

あと、もし「こんな分析もやってみたい」とか、
「データ渡すから一緒に見てくれ！」ってのがあったら、
コメントで教えてな。
ワイ、そういうの大好きやからw

（P.S.）
数字をいじってるうちに、
だんだん「読まれる」より「響く」を追いたくなってくる。
──それがデータ分析の副作用やで。

もし「おもろかった」「ちょっと役に立った」と思ったら、
スキ＆フォローで応援してもらえるとめちゃ嬉しいです！

そして、
チップで応援してもらえたら──
「おっ、ワイのデータ記事、ちゃんと刺さっとる！」ってガッツポーズします。

8.ここから先は有料部分（コード全文）

正直、コード自体はAIに聞けば作れる。
でも、実際に動く形で整えてあるものって、意外と少ないんよな。

今回のスクリプトは、

• スプレッドシート読み込み

• データの整形

• ビュー数＋スキ率＋コメント率の可視化

まで一撃で動くColab仕様になってる。

そんな人のために、有料部分に全文コード＋最小実行手順を置いとくわ。
自分の記事データで“刺さり方分析”してみてな！