データサイエンスのための Cursor と Jupyter Notebooks の使用

Cursor 1.0+ は Jupyter Notebooks のネイティブサポートを追加し、データサイエンスワークフローに優れた環境となりました。このガイドでは、Cursor で .ipynb ファイルをセットアップして使用する方法を、基本的な編集から AI 支援データ分析までカバーします。

前提条件

• Cursor バージョン 1.0 以降
• Python 3.8+ がインストールされていること
• Jupyter パッケージがインストールされていること (pip install jupyter)
• .ipynb ファイルまたはノートブックを含むプロジェクト

Cursor で Jupyter Notebooks を開く

方法 1：直接開く

1. Cursor を開く
2. File > Open Folder に移動し、プロジェクトを選択
3. エクスプローラーで .ipynb ファイルをクリック
4. Cursor が組み込みエディターでノートブックを開きます

方法 2：ターミナルから

# プロジェクトに移動
cd ~/data-science-project

# Cursor で開く
cursor .

方法 3：新しいノートブックを作成

1. エクスプローラーサイドバーで右クリック
2. New File を選択
3. analysis.ipynb と名前を付ける
4. Cursor が空白のノートブックを作成します

Cursor のノートブックインターフェース

セルタイプ

Cursor は 3 つのセルタイプをサポートしています：

セルタイプ	目的	ショートカット
Code	Python コードを実行	Y
Markdown	ドキュメントを書く	M
Raw	書式設定なしのテキスト	R

基本操作

アクション	ショートカット
セルを実行	Shift + Enter
セルを実行して下に挿入	Alt + Enter
上にセルを追加	A
下にセルを追加	B
セルを削除	D, D
行番号を切り替え	L

セルツールバー

各セルには以下を含むツールバーがあります：

• Run ボタン (▶️) — セルを実行
• セルタイプセレクター — Code/Markdown/Raw を切り替え
• 上/下移動 — セルを並べ替え
• 削除 — セルを削除

カーネルに接続

カーネルを選択

1. .ipynb ファイルを開く
2. 右上の Select Kernel をクリック
3. 利用可能なオプションから選択：
   • Python 環境（conda、venv、pyenv）
   • リモートカーネル（JupyterHub、リモートサーバー）
   • 既存の Jupyter セッション

仮想環境を作成

# 仮想環境を作成
python -m venv venv

# アクティベート
source venv/bin/activate  # macOS/Linux
venv\Scripts\activate     # Windows

# パッケージをインストール
pip install jupyter numpy pandas matplotlib seaborn scikit-learn

環境をカーネルとして登録

# ipykernel をインストール
pip install ipykernel

# 環境を登録
python -m ipykernel install --user --name=myproject --display-name="Python (MyProject)"

AI 支援データ分析

DataFrame の分析

1. コードセルでデータを読み込む：

import pandas as pd

df = pd.read_csv('data.csv')
df.head()

2. セルを実行して出力を確認
3. 出力テーブルを選択
4. 右クリックして Add to Chat を選択（または @notebook を使用）
5. Cursor に尋ねる：

このデータセットを分析してください。主なパターンと洞察は何ですか？

可視化の生成

列 A と列 B の関係を示す可視化を作成してください。
回帰線と信頼区間を含む seaborn を使用してください。

Cursor がコードを生成します：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
sns.regplot(data=df, x='column_A', y='column_B', ci=95)
plt.title('A と B の関係')
plt.show()

探索的データ分析 (EDA)

このデータセットに対して完全な EDA を実行してください：
1. データ品質チェック（欠損値、重複）
2. 記述統計
3. 数値列の分布プロット
4. 相関ヒートマップ
5. 外れ値検出

セル出力をコンテキストとして使用

ノートブックでのインライン AI

1. 出力を生成するセルを実行（テーブル、チャートなど）
2. セルツールバーの AI ボタンをクリック
3. 出力について質問する：

これらの相関値は特徴量の重要性について何を示唆していますか？

ノートブックレベルのコンテキスト

チャットで @notebook を使用してノートブック全体を参照：

@notebook これまでの分析をすべて確認し、予測モデルを構築するための次のステップを提案してください。

高度な機能

変数インスペクター

1. セルを実行して変数を作成
2. 変数インスペクターを開く：
   • View > Appearance > Show Variable Inspector
3. すべてのアクティブな変数、その型と値を確認

ノートブックのデバッグ

1. コードセルにブレークポイントを設定
2. セルツールバーの Debug Cell をクリック
3. F10/F11 でステップ実行
4. デバッグサイドバーで変数を確認

エクスポート

形式	コマンド
HTML	File > Export Notebook As > HTML
Python	File > Export Notebook As > Python Script
PDF	File > Export Notebook As > PDF
Markdown	File > Export Notebook As > Markdown

ベストプラクティス

分析を整理する

# データ分析ノートブック

## 1. セットアップ
ライブラリをインポートし、データを読み込む

## 2. データ品質チェック
欠損値、重複、データ型を確認

## 3. 探索的分析
分布と関係を可視化

## 4. 特徴量エンジニアリング
新しい特徴量を作成し、既存の特徴量を変換

## 5. モデリング
予測モデルを構築して評価

## 6. 結論
調査結果と推奨事項をまとめる

Markdown セルをドキュメント化に使用

• 各セクションの目的を説明
• 仮定と判断を記録
• 将来の読者のためにコンテキストを追加

共有前に出力をクリーンアップ

1. すべての出力をクリア：
   • Notebook メニュー > Clear All Outputs
2. カーネルを再起動：
   • Notebook メニュー > Restart Kernel
3. すべてのセルを実行：
   • Notebook メニュー > Run All

トラブルシューティング

問題	解決策
カーネルが起動しない	Python パスと仮想環境を確認
インポートに失敗	正しい環境にパッケージをインストール
出力が表示されない	カーネルを再起動してセルを再実行
ノートブックが保存できない	ファイル権限を確認
AI がセル出力を見ていない	@notebook を使用するか、出力を手動で選択

ワークフローの例

# セル 1：セットアップ
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# セル 2：データの読み込み
df = pd.read_csv('sales_data.csv')
print(f"Shape: {df.shape}")
df.head()

# セル 3：クイックプロファイル
df.describe()

# セル 4：AI に洞察を尋ねる
# セル 3 の出力を選択してから尋ねる：
# "このデータにどのようなパターンがありますか？"

# セル 5：可視化
plt.figure(figsize=(12, 6))
sns.lineplot(data=df, x='date', y='revenue')
plt.title('Revenue Over Time')
plt.show()

関連リソース

• Cursor で Python を使用する方法
• Cursor ローカル LLM セットアップ
• Cursor で大規模プロジェクトを扱う