【Python】ChatGPTでコード生成をするプロンプトの作り方

公開：2025年4月12日更新：2026年4月6日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

ChatGPTでPythonのコードを生成するプロンプトの作り方
明確な目的と条件を指定する
必ず実装したい機能詳細の説明をする
ライブラリやフレームワークを指定する

ChatGPTでPythonのコードを生成するプロンプトの作り方

ChatGPTに高品質なPythonコードを生成させるためには、プロンプトの構造化と具体的な要件の提示が不可欠です。明確な入出力の例や期待する機能を詳細に記述することによって、意図したとおりのコード生成が実現できます。プロンプトの品質がそのまま生成されるコードの品質に直結するため、コード生成の目的と適用範囲を具体的に伝えることが重要です。

効果的なプロンプトには「タスクの明確な定義」と「期待する入出力の具体例」の両方を含めるべきです。ChatGPTはプロンプトに含まれる情報だけを基にコードを生成するため、必要な要素が不足していると期待外れの結果になる可能性があります。問題を解決するために必要なアルゴリズムや処理のステップを論理的に説明することで、より正確なコード生成が可能になります。

生成されたコードに問題がある場合は、エラーメッセージや期待した動作との差異を具体的に説明することが重要です。初回の結果が不十分であっても、改善点を明確に指示することによって、段階的に理想のコードに近づけることができます。コードの最適化や効率化などの追加要件も明示的に伝えることで、プロダクション環境でも使用可能な高品質なコードを生成できます。

【サンプルコード】
# ChatGPTへのPythonコード生成プロンプト例
"""
以下の要件を満たすPythonスクリプトを作成してください:

1. CSVファイルからデータを読み込む機能
2. データから平均、中央値、標準偏差を計算する機能
3. 結果をグラフ化してPNG形式で保存する機能

入力ファイル形式:
- 1列目: 日付 (YYYY-MM-DD)
- 2列目: 数値データ

使用ライブラリ: pandas, matplotlib, numpy
Python 3.8以上で動作すること
エラーハンドリングを適切に実装すること
"""

【実行結果】
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime

def analyze_data(file_path):
    try:
        # CSVファイルの読み込み
        df = pd.read_csv(file_path)
        
        # 列名を確認して適切に処理
        date_col = df.columns[0]
        value_col = df.columns[1]
        
        # 日付を適切な形式に変換
        df[date_col] = pd.to_datetime(df[date_col])
        
        # 統計量の計算
        mean_value = df[value_col].mean()
        median_value = df[value_col].median()
        std_value = df[value_col].std()
        
        # 結果の表示
        print(f"平均値: {mean_value:.2f}")
        print(f"中央値: {median_value:.2f}")
        print(f"標準偏差: {std_value:.2f}")
        
        # グラフの作成
        plt.figure(figsize=(10, 6))
        plt.plot(df[date_col], df[value_col], marker='o', linestyle='-')
        plt.axhline(y=mean_value, color='r', linestyle='--', label=f'平均値: {mean_value:.2f}')
        plt.title('データ分析結果')
        plt.xlabel('日付')
        plt.ylabel('値')
        plt.grid(True)
        plt.legend()
        
        # グラフの保存
        output_file = 'analysis_result.png'
        plt.savefig(output_file)
        print(f"グラフを {output_file} に保存しました")
        
        return {
            'mean': mean_value,
            'median': median_value,
            'std': std_value,
            'output_file': output_file
        }
        
    except FileNotFoundError:
        print(f"エラー: {file_path} が見つかりません")
        return None
    except Exception as e:
        print(f"エラー: {str(e)}")
        return None

if __name__ == "__main__":
    file_path = input("分析するCSVファイルのパスを入力してください: ")
    analyze_data(file_path)

Python研修一覧はこちら

目的に合うPython研修を一覧形式から探したい方は、ぜひご利用ください。

Python研修を比較する

Java研修一覧はこちら

目的に合うJava研修を一覧形式から探したい方は、ぜひご利用ください。

Java研修を比較する

PHP研修一覧はこちら

目的に合うPHP研修を一覧形式から探したい方は、ぜひご利用ください。

PHP研修を比較する

新入社員研修

目的に合う新入社員研修を一覧形式から探したい方は、ぜひご利用ください。

新入社員研修を比較する

全ての研修からも探したい方はこちら

明確な目的と条件を指定する

ChatGPTでPythonコードを生成する際は、目的と実行条件を明確かつ詳細に指定することがプロンプト作成の基本となります。プログラムが解決すべき問題の定義からはじまり、入力データの形式、出力形式まで一連の流れを体系的に説明することによって、ChatGPTは要件に沿ったコードを生成できるようになります。漠然とした要求では具体性に欠けるコードしか生成できないため、「何のために」「どのように」「どんな結果を期待して」いるかを具体的に伝えることが重要です。

実行環境やパフォーマンス要件も明示することで、より実用的なコードが得られます。Python 3のどのバージョンで動作させるのか、メモリ使用量や実行速度に制約があるのか、また特定のプラットフォーム（Windows、Linux、macOSなど）で動作させる必要があるのかを指定すると良いでしょう。コードの品質基準（コーディング規約、テストカバレッジ、ドキュメント要件など）についても事前に明確にしておくことで、後工程での修正作業を最小限に抑えることができます。

期待する入出力例を提示することも非常に効果的です。実際のデータサンプルと期待される処理結果を示すことによって、ChatGPTは具体的な処理イメージを把握しやすくなります。複雑なデータ構造や特殊なケースの処理方法も、具体例を通じて伝えることで適切に実装されやすくなります。入力値の範囲や型、エラー処理の方針についても明確に指示することによって、堅牢性の高いコードを生成できるようになります。

必ず実装したい機能詳細の説明をする

ChatGPTにPythonコードを生成させる際は、実装したい機能の詳細を段階的かつ体系的に説明することが重要です。機能要件をリスト形式で列挙し、各機能がどのように連携して動作するべきかの全体像を示すことによって、ChatGPTは要件間の関連性を理解したコードを生成できるようになります。単に機能名を挙げるだけでなく、その機能が必要な理由や背景も含めることで、意図に沿った実装が促進されます。

エラーハンドリングやエッジケースの処理についても明確に指示することが必須です。想定されるエラーシナリオ（ファイルが存在しない、ネットワーク接続がない、入力データが不正など）とその対処方法を具体的に説明することによって、実運用に耐えうる堅牢なコードが生成されます。ユーザー入力の検証方法、例外処理の方針、ログ出力の要件なども詳細に指定することで、デバッグやメンテナンスが容易なコードが得られます。

機能の優先順位やオプション機能と必須機能の区別も明確にするべきです。限られたリソース内で実装する場合、どの機能が最も重要で、どの機能が後回しにできるのかを伝えることによって、効率的な開発計画に沿ったコードを生成できます。また、将来的な拡張性や保守性に関する要件（モジュール化、設計パターンの適用、ユニットテストの容易さなど）も指定しておくと、長期的に価値のあるコードを生成できるようになります。

Python基礎・実践(Django)

企業・法人向けのPython研修では、基礎から応用まで体系的に学べます。

Python研修の詳細

DX社員研修

企業・法人向けのDX研修では、実務に繋がるリスキリングでITレベルを向上させます。

DX研修の詳細

Javaエンジニア育成研修

企業・法人向けのJavaエンジニア育成研修では、Javaの基礎から応用まで確実に習得できます。

Java研修の詳細

新卒・新入社員向け研修

企業・法人に新入社員・新卒社員に向けたプログラミング研修を提供しています。

新入社員研修の詳細

コードキャンプのIT研修を全て見る

ライブラリやフレームワークを指定する

ChatGPTでPythonコードを効率的に生成するには、使用すべきライブラリやフレームワークを明示的に指定することが極めて重要です。具体的なライブラリ名とそのバージョンを指定することによって、互換性の問題を事前に回避し、実行環境に適したコードを生成できるようになります。特に機械学習やデータ分析のタスクでは、NumPy、pandas、scikit-learnなどの特定ライブラリの機能を活用することで、コードの効率性と可読性が大幅に向上します。

標準ライブラリのみで実装すべきか、サードパーティライブラリを使用してよいかの判断基準も明確にするべきです。外部依存関係を最小限に抑えたいシナリオでは標準ライブラリのみの使用を指定し、機能性や開発効率を優先するシナリオでは適切なサードパーティライブラリの使用を許可することによって、プロジェクト要件に最適なコードが生成されます。ライブラリの選定理由や代替選択肢についての考慮事項も伝えておくと、より的確な実装が期待できます。

特定のフレームワークに基づいたコードを要求する場合は、そのフレームワークの設計思想や規約にも言及するとよいでしょう。例えばDjangoやFlask、FastAPIなどのWebフレームワークを使用する場合、そのフレームワーク特有のパターンやベストプラクティスに準拠したコードを要求することによって、フレームワークの利点を最大限に活かしたコードを生成できます。また、既存のコードベースとの統一性を保つために、特定のコーディングスタイルやプロジェクト固有の規約があれば、それらも明示的に伝えることが重要です。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。