【Python】pandasとmatplotlibで在庫データのABC分析と構成比を可視化してみた

在庫管理の定番手法「ABC分析」を、Pythonのpandasで実装して4種類のグラフに可視化してみました。numpyの合成データで動くので外部ファイルは不要、コードをコピーすればそのまま追体験できます。sort_values→cumsum→pd.cutの3ステップによる分析と、パレート図など4枚の描き分けのコツを初心者向けに解説します。

在庫管理の現場では「どの商品を重点管理するか」を決めるのにABC分析がよく使われます。今回は60品目の在庫データをPythonで用意し、pandasでランク分けからグラフ化までを一気通貫でやってみました。

データはnumpyで合成し、シードを42に固定しているのがポイントです。外部のCSVやAPIに依存しないため、コードを実行すれば誰でも記事と同じ結果を再現できます。

出荷数は対数正規分布で生成し、「一部の商品が売上の大半を占める」という実際の在庫らしい偏りを再現しました。分析本体はsort_values→cumsum→pd.cutの3ステップだけなので、pandasの基本操作の練習にもちょうどよい題材です。

可視化はmatplotlibで、パレート図・積み上げ横棒・上位10品目の横棒・ヒートマップと役割の違う4枚を描き分けます。A=赤・B=黄・C=青の配色を全図で統一して、どの図を見てもランクが一目で分かるようにしました。

この記事のコードはClaude Codeに書かせたもので、別のAIであるCodexにレビューさせています。以下は、その際に使った指示の内容です。

在庫のABC分析は手順が決まった定型処理なので、プロンプトでは手法名だけに頼らず、「金額の降順に並べる→構成比→累積構成比→70%・90%で区切る」という計算の流れを番号付きで書き切ることを最優先にしました。手順を明示したほうがLLMの出力が安定し、生成されたコードのレビューもしやすくなります。

もう1つの柱は再現性です。合成データの分布(対数正規)とシード値42を固定したことで読者の手元でも記事とほぼ同じグラフが再現でき、パレート図・積み上げ横棒・ヒートマップという4枚の指定も「どの観点を見るための図か」まで含めて意味を持ちます。

生成プロンプトで工夫したポイント

• 乱数のシードは42で固定し、出荷数は対数正規分布にする：分布とシードを固定すると実行のたびに結果が変わらず、記事と同じグラフを読者の手元でも再現できます。対数正規分布は「一部の商品に偏る」在庫の実態に近く、ABC分析の題材として意味のあるデータになるのもポイントです。
• 累積構成比が70%までをAランク、90%までをBランク、残りをCランクとしてpd.cutで分類する：ABC分析は閾値の解釈が人によって揺れるため、基準の数値と使う関数を名指しして出力のぶれを抑えました。
• 棒グラフ=金額、折れ線=累積構成比。70%・90%の基準線も引く：「パレート図」と一言で頼むと構成がまちまちになるので、棒・折れ線・基準線という部品単位で完成形を確定させる狙いです。
• ランク別の品目数構成比と金額構成比を並べた積み上げ横棒グラフ：品目数ではわずかなAランクが金額では大半を占める、というABC分析の結論そのものが1枚で伝わります。

同じコードを作れる生成プロンプト（コピペ用・全文）

以下のプロンプトは、そのままコピペして同じものが作れるように整えた全文です。

この記事のセットアップ手順と掲載コードは、Windows 11 Pro、PowerShell 5.1、Python 3.13.3で動作確認しています。仮想環境を有効化せず、その中のPythonを直接指定するため、以下のコマンドはPowerShellとコマンドプロンプト（cmd）の両方で使えます。

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install pandas numpy matplotlib

macOS・Linuxでは仮想環境内のPythonパスが異なります。今回の動作確認環境とは異なるため、以下は環境差分を補う参考手順です。

python3 -m venv .venv
./.venv/bin/python -m pip install pandas numpy matplotlib

• 手元の環境でグラフの日本語ラベルが文字化け(豆腐表示)する場合は、コード冒頭でmatplotlib.rcParams["font.family"]に"Meiryo"などの日本語フォント名を指定してください。
• pd.cutで作るランク列はcategorical型のため、集計時はgroupby("ランク", observed=True)としておくと将来のpandasでの挙動変更警告を避けられます。

コード全体はanalyzeという1つの関数にまとまっていて、データ生成→ABC分析→4枚の描画→保存という流れで上から順に読めます。ここでは「ここだけ押さえれば分かる」という要所を抜き出して解説します。

肝になるのはABC分析の3行です。金額の降順に並べてから構成比を足し上げ、累積が70%までをA、90%までをB、残りをCと機械的に判定します。

"""在庫データのABC分析と構成比の可視化。"""

import os

import numpy as np
import pandas as pd
import matplotlib

matplotlib.use("Agg")
import matplotlib.pyplot as plt
from matplotlib.patches import Patch


def analyze(out_dir: str) -> dict:
    """在庫データを合成し、ABC分析と構成比のグラフをout_dirへ保存して要約を返す。"""

    # 在庫データの生成(シードを固定し、出荷数は対数正規分布で偏らせる)
    rng = np.random.default_rng(42)
    n_items = 60
    categories = ["飲料", "食品", "日用品", "文具", "衛生用品"]
    df = pd.DataFrame(
        {
            "商品コード": [f"SKU-{i:03d}" for i in range(1, n_items + 1)],
            "カテゴリ": rng.choice(categories, size=n_items),
            "単価": rng.integers(80, 1500, size=n_items),
            "年間出荷数": rng.lognormal(mean=5.0, sigma=1.0, size=n_items).astype(int) + 1,
        }
    )
    df["年間出荷金額"] = df["単価"] * df["年間出荷数"]

    # ABC分析(金額の降順に並べ、構成比・累積構成比からランクを判定)
    df = df.sort_values("年間出荷金額", ascending=False).reset_index(drop=True)
    df["構成比"] = df["年間出荷金額"] / df["年間出荷金額"].sum()
    df["累積構成比"] = df["構成比"].cumsum()
    df["ランク"] = pd.cut(df["累積構成比"], bins=[0, 0.7, 0.9, 1.0], labels=["A", "B", "C"])
    rank_colors = {"A": "#e8684a", "B": "#f6bd16", "C": "#5b8ff9"}
    bar_colors = [rank_colors[r] for r in df["ランク"]]

    # 図1: パレート図(棒=出荷金額、折れ線=累積構成比、70%と90%に基準線)
    fig, ax1 = plt.subplots(figsize=(10, 5))
    ax1.bar(df.index + 1, df["年間出荷金額"] / 10000, color=bar_colors, width=0.8)
    ax1.set_xlabel("品目(出荷金額の降順)")
    ax1.set_ylabel("年間出荷金額(万円)")
    ax2 = ax1.twinx()
    ax2.plot(df.index + 1, df["累積構成比"] * 100, color="#333333", linewidth=1.5)
    ax2.axhline(70, color="#888888", linestyle="--", linewidth=1)
    ax2.axhline(90, color="#888888", linestyle=":", linewidth=1)
    ax2.set_ylabel("累積構成比(%)")
    ax2.set_ylim(0, 105)
    handles = [Patch(color=rank_colors[r], label=f"{r}ランク") for r in "ABC"]
    ax1.legend(handles=handles, loc="center right")
    ax1.set_title("パレート図: 出荷金額と累積構成比によるABC分析")
    fig.tight_layout()
    fig.savefig(os.path.join(out_dir, "pareto_chart.png"), dpi=150)
    plt.close(fig)

    # 図2: ランク別の品目数と出荷金額の構成比(積み上げ横棒で偏りを比較)
    rank_summary = df.groupby("ランク", observed=True).agg(
        品目数=("商品コード", "count"), 金額構成比=("構成比", "sum")
    )
    rank_summary["品目数構成比"] = rank_summary["品目数"] / n_items
    fig, ax = plt.subplots(figsize=(9, 3.5))
    labels = ["品目数", "出荷金額"]
    left = np.zeros(2)
    for rank in ["A", "B", "C"]:
        values = 100 * np.array(
            [rank_summary.loc[rank, "品目数構成比"], rank_summary.loc[rank, "金額構成比"]]
        )
        ax.barh(labels, values, left=left, color=rank_colors[rank], label=f"{rank}ランク")
        for i, v in enumerate(values):
            ax.text(left[i] + v / 2, i, f"{v:.0f}%", ha="center", va="center", color="white")
        left += values
    ax.set_xlim(0, 100)
    ax.set_xlabel("構成比(%)")
    ax.set_title("ランク別の品目数と出荷金額の構成比")
    ax.legend(loc="lower right")
    fig.tight_layout()
    fig.savefig(os.path.join(out_dir, "rank_share.png"), dpi=150)
    plt.close(fig)

    # 図3: 金額構成比の上位10品目(横棒で主力商品を確認)
    top10 = df.head(10).iloc[::-1]
    fig, ax = plt.subplots(figsize=(8, 5))
    ax.barh(
        top10["商品コード"],
        top10["構成比"] * 100,
        color=[rank_colors[r] for r in top10["ランク"]],
    )
    ax.set_xlabel("金額構成比(%)")
    ax.set_title("出荷金額の構成比 上位10品目")
    fig.tight_layout()
    fig.savefig(os.path.join(out_dir, "top10_share.png"), dpi=150)
    plt.close(fig)

    # 図4: カテゴリ×ランクの品目数ヒートマップ(重点管理すべきカテゴリを探す)
    cross = pd.crosstab(df["カテゴリ"], df["ランク"])
    fig, ax = plt.subplots(figsize=(6.5, 4.5))
    im = ax.imshow(cross.values, cmap="Blues")
    ax.set_xticks(range(len(cross.columns)))
    ax.set_xticklabels([f"{c}ランク" for c in cross.columns])
    ax.set_yticks(range(len(cross.index)))
    ax.set_yticklabels(cross.index)
    for i in range(cross.shape[0]):
        for j in range(cross.shape[1]):
            color = "white" if cross.values[i, j] > cross.values.max() / 2 else "#333333"
            ax.text(j, i, cross.values[i, j], ha="center", va="center", color=color)
    fig.colorbar(im, ax=ax, label="品目数")
    ax.set_title("カテゴリ×ランクの品目数")
    fig.tight_layout()
    fig.savefig(os.path.join(out_dir, "category_rank_heatmap.png"), dpi=150)
    plt.close(fig)

    # 要約の作成(ランク別の品目数と金額構成比を返す)
    return {
        "品目数": int(n_items),
        "総出荷金額": int(df["年間出荷金額"].sum()),
        "ランク別品目数": {str(k): int(v) for k, v in rank_summary["品目数"].items()},
        "ランク別金額構成比": {
            str(k): round(float(v), 3) for k, v in rank_summary["金額構成比"].items()
        },
        "保存した図": [
            "pareto_chart.png",
            "rank_share.png",
            "top10_share.png",
            "category_rank_heatmap.png",
        ],
    }

コード全文は上の折り畳みに入れてあるので、全部を上から読む必要はありません。ここでは特に重要な部分だけを抜き出して、何をしているのか順番に見ていきます。

default_rngで偏りのある在庫データを合成する

rng = np.random.default_rng(42)
n_items = 60
categories = ["飲料", "食品", "日用品", "文具", "衛生用品"]

default_rng(42)で乱数生成器をシード42に固定するのがこの行の役割です。乱数を使っていても毎回同じデータが出てくるので、記事と同じ結果を手元でも再現できます。品目数60とカテゴリ5種の定義もここに置きました。

lognormalで出荷数を現実の売れ方に近づける

"年間出荷数": rng.lognormal(mean=5.0, sigma=1.0, size=n_items).astype(int) + 1,

出荷数を一様乱数ではなくlognormal(対数正規分布)で生成しているのがこだわりです。これで「爆売れする少数の商品と、細々と動く多数の商品」という現実的な偏りが生まれ、ABC分析のしがいがあるデータになります。末尾の+1は出荷数0の品目を作らないための保険でした。

sort_valuesとcumsumで累積構成比を出す

df = df.sort_values("年間出荷金額", ascending=False).reset_index(drop=True)
df["構成比"] = df["年間出荷金額"] / df["年間出荷金額"].sum()
df["累積構成比"] = df["構成比"].cumsum()

ABC分析の心臓部です。金額の大きい順に並べ替えないと累積構成比が意味を持たないため、sort_values(ascending=False)が必ず先に来ます。cumsumは先頭から順に足し合わせる累積和で、各行には「その行までの構成比の合計」が入る仕組みでした。

pd.cutで累積構成比をA・B・Cに切り分ける

df["ランク"] = pd.cut(df["累積構成比"], bins=[0, 0.7, 0.9, 1.0], labels=["A", "B", "C"])
rank_colors = {"A": "#e8684a", "B": "#f6bd16", "C": "#5b8ff9"}

pd.cutは連続値を区間で区切ってラベルを貼る関数で、累積構成比0〜70%をA、70〜90%をB、90〜100%をCに割り当てました。しきい値を変えたいときはbinsの数値を書き換えるだけで済みます。配色の辞書をここで1回だけ定義し、4枚すべての図で使い回すのがコツです。

twinxで棒と折れ線の2軸パレート図を組む

ax2 = ax1.twinx()
ax2.plot(df.index + 1, df["累積構成比"] * 100, color="#333333", linewidth=1.5)
ax2.axhline(70, color="#888888", linestyle="--", linewidth=1)
ax2.axhline(90, color="#888888", linestyle=":", linewidth=1)

パレート図は棒(金額)と折れ線(累積%)で単位が違うため、twinxで右側に2本目のy軸を作るのが定石です。axhlineで70%と90%の位置に水平の基準線を引いておくと、折れ線と交わる場所からランクの境目を読み取れるようになります。

groupbyのobserved=Trueでランク別に集計する

rank_summary = df.groupby("ランク", observed=True).agg(
    品目数=("商品コード", "count"), 金額構成比=("構成比", "sum")
)

ランクごとの品目数と金額構成比をまとめて集計する部分です。pd.cutが返すランク列はカテゴリ型なので、observed=Trueを付けて実際に存在する値だけを集計対象にしました。aggに「新しい列名=(元の列, 集計方法)」を渡す書き方は、結果の列名を自分で決められて便利です。

参考：

©pandas公式ドキュメント

Use cut when you need to segment and sort data values into bins. This function is also useful for going from a continuous variable to a categorical variable.

プロンプトから作ったコードは、一見動いていても抜けや改善点が潜んでいることがあります。エラーにならない=正しい、ではないのが怖いところです。

そこで、コードを書いたClaude Codeとは別のAIであるCodexに同じコードをレビューさせ、指摘をそのまま載せます。書き手と読み手を別のAIに分けると、自分では気づきにくい問題を洗い出せます。

スクリプトを実行すると、エラーなく4枚のPNGが出力フォルダに保存されました。パレート図、ランク別構成比の積み上げ横棒、上位10品目の横棒、カテゴリ×ランクのヒートマップという役割の違う4枚です。

パレート図では棒がランクごとに赤・黄・青へ塗り分けられ、累積構成比の折れ線が70%と90%の基準線と交わる位置からランクの境目を読み取れます。積み上げ横棒は品目数と出荷金額の構成比を上下に並べ、両者の偏りの差を見比べるための作りです。

集計結果の主な数値は次のとおりです。60品目の合成データで、総出荷金額は7,517,383円になりました。

ヒートマップはカテゴリ×ランクのクロス集計で、どのカテゴリにAランク品目が集まっているかを色の濃淡で確認できます。上位10品目の横棒と合わせて見ると、「全体の傾向」と「個別の重点商品」の両方を1セットで押さえられる構成です。

ここでは、この構成のコードを書くときに初心者が遭遇しやすいエラーを一般論として整理します。エラーメッセージは長く見えますが、最後の1行に原因の要約が出るので、まずそこを読むのが近道です。

文法エラーにはならないのに結果が静かにおかしくなる、という落とし穴がこのテーマにはいくつかあります。コードを書く前に、次のポイントだけ頭に入れておくと安全です。

ABC分析は在庫管理の手法として有名ですが、「少数の要素が全体の大半を占める」データなら何にでも応用が利きます。今回のコードは列名を差し替えるだけで、そのまま別のデータに転用できる作りです。

いずれの場面でもsort_values→cumsum→pd.cutという骨格は共通で、変わるのは集計対象の列だけです。まずは手元のデータをpd.read_csvやpd.read_excelで読み込み、今回の合成データ部分と差し替えてみてください。

pandasの基本操作だけで、在庫60品目のABC分析から4種類のグラフ生成までを実装できました。sort_values→cumsum→pd.cutの3ステップさえ押さえれば、応用はいくらでも広がります。

ランクの配色を全図で統一する、パレート図に70%・90%の基準線を引くといった小さな工夫が、グラフの読みやすさを大きく左右するのも今回の実感です。

次の一歩としては、実データのCSV読み込み対応、ランクのしきい値を引数化する改造、月次データでのランク変動の追跡などが考えられます。まずはシード値やbinsを変えて、結果がどう動くか試してみてください。

参考にした一次情報

1. ^ pandas.cut — pandas公式リファレンス. https://pandas.pydata.org/docs/reference/api/pandas.cut.html, (参照26-07-17).
2. ^ pandas.DataFrame.cumsum — pandas公式リファレンス. https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.cumsum.html, (参照26-07-17).
3. ^ numpy.random.Generator.lognormal — NumPy公式リファレンス. https://numpy.org/doc/stable/reference/random/generated/numpy.random.Generator.lognormal.html, (参照26-07-17).
4. ^ matplotlib.axes.Axes.twinx — Matplotlib公式リファレンス. https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html, (参照26-07-17).

※内容は執筆時点のものです。ライブラリやサイトの仕様は変わる可能性があるため、公式ドキュメントもあわせてご確認ください。

ITやプログラミングに関するコラム

• 
  【CSS】notで複数の件を除外する方法
• 
  【Git】remote設定を変更する方法
• 
  【VBA】コメントアウトを設定する方法
• 
  x86とx64の違いを分かりやすく解説
• 
  マークダウンで改行する方法
• 
  CapsLockキーを解除する方法
• 
  GitLabとGitHubの違いを解説
• 
  Linuxで環境変数を確認する方法
• 
  UbuntuのIPアドレスを確認する方法
• 
  パソコンのメモリの目安を用途別に選ぶ方法

ITやプログラミングに関するニュース

• 
  VercelがAI GatewayにSeedream 5.0 Proを追加、AI SDKのモデル指定で画像生成と編集が可能に
• 
  AWSがAmazon LocationのPlaces APIを強化、住所表記の指定と移動手段別の検索が可能に
• 
  VercelがトレースにTree・Waterfallビューを追加、ログ画面で処理の階層と所要時間を確認可能に
• 
  Googleがエージェント評価の再考を提唱、難易度を情報量で測るDiscovery Benchを解説
• 
  Google CloudがCloud Runサンドボックスを公開プレビューで提供、サービスヘルスは一般提供に
• 
  Google Cloud EMEAが英国金融の重要第三者に指定、イングランド銀行・PRA・FCAの直接監督下に
• 
  AWS DMS Schema ConversionがSQL Serverのオフライン変換に対応、ソースDBへ接続せずスキーマを変換可能に
• 
  EC2 G7インスタンスが米国東部（バージニア北部）で利用可能に、G6比でAI推論性能が最大4.6倍
• 
  SageMaker HyperPodが継続プロビジョニングでのAMIベース構成に対応、S3のスクリプト管理なしでSlurmクラスターを作成可能に
• 
  AWSがEMR on EKSでSparkトラブルシューティングエージェントに対応、失敗ジョブの原因分析を自然言語で依頼可能に