ソニック

Excelで半日かかる作業を30秒に短縮

「毎月の売上集計に半日かかる」「ピボットテーブルが重くて固まる」

そんな悩みを、pandas（パンダス）が解決してくれます。

この記事では、pandasを使った売上データの集計方法を、コピペで使えるコード付きで完全解説します。基本のgroupbyから、複数条件・期間別・Excel出力まで、業務でそのまま使えるテクニックを網羅しました。

読み終わる頃には、Excelで半日かかっていた集計作業を30秒で終わらせられるようになります。

第1章｜なぜpandasで売上集計するのか

Excelの限界：半日かかる集計が、Pythonでは30秒

私自身、学校事務員として働いていた頃、毎月の集計作業に膨大な時間を費やしていました。複雑なSUMIFを駆使し、ピボットテーブルで集計し、結果をコピペして整える――この一連の作業に、半日以上かかっていたのです。

そんな業務が、pandasを使えば数十秒で完了します。しかも、何度実行しても同じ結果が得られ、ヒューマンエラーもゼロ。

pandasが向いている業務

• 毎月・毎週繰り返す定型集計作業
• Excelでは重くて開けない大量データの処理
• 複数の条件を組み合わせた複雑な集計
• 月次・週次・日次など期間別の集計
• 結果を別のExcelファイルに自動出力する作業

pandasのメリット

第2章｜環境準備（uv環境前提）

この記事は、uv環境でPythonを使う前提で進めます。まだuvをインストールしていない方は、以下の記事を先にご覧ください。

マイペースブログ

【完全版】uv入門｜Pythonの新標準・最速の環境管理ツール | Anaconda不要、30分で始められる 「Anacondaは重い」「pipは遅い」「環境構築でもう何度も挫折した」 そんな悩みを一気に解決するのが、最新の環境管理ツール「uv（ユーブ…

必要なライブラリの追加

プロジェクトフォルダで、以下のコマンドを実行します。

uv add pandas openpyxl

pandasとopenpyxlの2つがインストールされれば準備完了です。

※pandasはデータ処理、openpyxlはExcelファイルの読み書きに使います。両方を同時にインストールしておくと安心です。

第3章｜サンプルデータの準備

実際にコードを動かすために、サンプルの売上データを用意します。

売上データのCSVを作成する

以下の内容を「売上データ.csv」というファイル名で保存してください。

日付,商品名,店舗,売上
2026-04-01,商品A,東京店,15000
2026-04-01,商品B,東京店,8000
2026-04-01,商品A,大阪店,12000
2026-04-02,商品C,東京店,5000
2026-04-02,商品A,東京店,18000
2026-04-02,商品B,大阪店,9500
2026-04-03,商品C,大阪店,6000
2026-04-03,商品A,東京店,22000
2026-04-04,商品B,東京店,7500
2026-04-04,商品A,大阪店,14000

4列構成（日付、商品名、店舗、売上）の売上データです。10行のデータですが、コードは何万行・何百万行のデータでも同じように動きます。

CSVをpandasで読み込む

まずは、CSVを読み込んで中身を確認しましょう。

import pandas as pd

# CSVファイルを読み込む
df = pd.read_csv("売上データ.csv")

# 中身を表示
print(df)

実行コマンド：

uv run script.py

読み込んだデータが表示されれば成功です。

※日本語ファイル名で文字化けする場合は、encoding=”cp932″ を指定します：pd.read_csv(“売上データ.csv”, encoding=”cp932″)

第4章｜基本の集計｜groupbyの使い方

pandasの集計の基本は「groupby」です。Excelで言うピボットテーブルに相当する機能で、特定の列でグループ化して集計します。

商品別の売上合計

import pandas as pd

df = pd.read_csv("売上データ.csv")

# 商品別に売上を合計
result = df.groupby("商品名")["売上"].sum()

print(result)

実行結果：

商品名 商品A    81000 商品B    25000 商品C    11000 Name: 売上, dtype: int64

たった3行のコードで、商品別の売上集計が完了します。

groupbyの仕組み

groupbyは「グループ化したい列」と「集計したい列」を指定するだけで使えます。

1. df.groupby(“商品名”)：「商品名」でグループ化
2. [“売上”]：「売上」列を対象にする
3. .sum()：合計を計算

様々な集計方法

sum()以外にも、様々な集計関数があります。

店舗別の売上集計

グループ化する列を変えるだけで、別の切り口で集計できます。

# 店舗別に売上を合計
result = df.groupby("店舗")["売上"].sum()

print(result)

実行結果：

店舗 大阪店    41500 東京店    75500 Name: 売上, dtype: int64

第5章｜応用1｜複数条件での集計

業務では「商品×店舗」「日付×商品」のように、複数の条件を組み合わせた集計が必要になることがほとんどです。pandasではgroupbyに複数の列を渡すだけで実現できます。

商品×店舗で集計

# 商品×店舗で売上を集計
result = df.groupby(["商品名", "店舗"])["売上"].sum()

print(result)

実行結果：

商品名  店舗  商品A   大阪店    26000         東京店    55000 商品B   大阪店     9500         東京店    15500 商品C   大阪店     6000         東京店     5000 Name: 売上, dtype: int64

これだけで、商品×店舗のクロス集計が完了します。Excelのピボットテーブルと同じことが、たった1行で実現できます。

複数の集計を同時に行う

合計だけでなく、平均・件数も同時に出したい場合は、agg() を使います。

# 合計・平均・件数を同時に計算
result = df.groupby("商品名")["売上"].agg(["sum", "mean", "count"])

print(result)

実行結果：

         sum     mean  count 商品名                           商品A   81000  16200.0      5 商品B   25000   8333.3      3 商品C   11000   5500.0      2

1回の実行で、3つの指標を同時に出せます。

第6章｜応用2｜期間別の集計

「月別の売上推移」「週別の傾向」など、期間別の集計は業務でよく使います。

日付列を日付型に変換する

CSVから読み込んだ日付は、最初は文字列として扱われます。日付型に変換することで、期間別の集計ができるようになります。

# 「日付」列を日付型に変換
df["日付"] = pd.to_datetime(df["日付"])

月別の売上集計

# 日付列をindexに設定して月別に集計
df["日付"] = pd.to_datetime(df["日付"])
result = df.groupby(df["日付"].dt.month)["売上"].sum()

print(result)

実行結果：

日付 4    117000 Name: 売上, dtype: int64

dt.month で月、dt.year で年、dt.day で日を取得できます。これらを組み合わせれば、年月別・週別など様々な集計が可能です。

週別の集計

# 週別に集計
df["日付"] = pd.to_datetime(df["日付"])
result = df.groupby(pd.Grouper(key="日付", freq="W"))["売上"].sum()

print(result)

Grouper を使うと、週・月・四半期など柔軟に期間を指定できます。

第7章｜応用3｜結果をExcelファイルに自動出力

集計結果をExcelファイルに保存して、上司や顧客に共有できる状態にします。

シンプルなExcel出力

import pandas as pd

df = pd.read_csv("売上データ.csv")

# 商品別に集計
result = df.groupby("商品名")["売上"].sum()

# Excelに出力
result.to_excel("商品別売上.xlsx")
print("Excelファイルを作成しました")

複数のシートに分けて出力

複数の集計結果を、1つのExcelファイルの異なるシートに保存することもできます。

import pandas as pd

df = pd.read_csv("売上データ.csv")

# 各種集計
by_product = df.groupby("商品名")["売上"].sum()
by_store = df.groupby("店舗")["売上"].sum()
by_product_store = df.groupby(["商品名", "店舗"])["売上"].sum()

# 1つのExcelファイルに複数シートで出力
with pd.ExcelWriter("売上集計.xlsx") as writer:
    by_product.to_excel(writer, sheet_name="商品別")
    by_store.to_excel(writer, sheet_name="店舗別")
    by_product_store.to_excel(writer, sheet_name="商品×店舗")

print("売上集計.xlsxを作成しました（3シート）")

これで、商品別・店舗別・クロス集計の3つの結果が、1つのExcelファイルにまとめて保存されます。

第8章｜実務で使える完成コード

ここまでの内容をまとめた、実務でそのまま使える完成コードです。コピペして、ファイル名や列名を自分の業務に合わせて調整してください。

売上自動集計スクリプト（完成版）

import pandas as pd
from datetime import datetime

# === 設定 ===
INPUT_FILE = "売上データ.csv"
OUTPUT_FILE = f"売上集計_{datetime.now().strftime('%Y%m%d')}.xlsx"

# === データ読み込み ===
df = pd.read_csv(INPUT_FILE, encoding="utf-8")
df["日付"] = pd.to_datetime(df["日付"])

# === 各種集計 ===
# 商品別
by_product = df.groupby("商品名")["売上"].agg(["sum", "mean", "count"])
by_product.columns = ["合計", "平均", "件数"]

# 店舗別
by_store = df.groupby("店舗")["売上"].agg(["sum", "mean", "count"])
by_store.columns = ["合計", "平均", "件数"]

# 商品×店舗
by_product_store = df.groupby(["商品名", "店舗"])["売上"].sum()

# 日別
by_date = df.groupby(df["日付"].dt.date)["売上"].sum()

# === Excelに出力 ===
with pd.ExcelWriter(OUTPUT_FILE) as writer:
    by_product.to_excel(writer, sheet_name="商品別")
    by_store.to_excel(writer, sheet_name="店舗別")
    by_product_store.to_excel(writer, sheet_name="商品×店舗")
    by_date.to_excel(writer, sheet_name="日別")

print(f"集計完了：{OUTPUT_FILE}")

このコードでできること

• 売上データを商品別・店舗別・商品×店舗・日別の4軸で集計
• 各軸ごとに合計・平均・件数の3指標を算出
• 結果を実行日付付きのExcelファイルに自動保存
• ファイル名に日付が入るので、毎日実行しても上書きされない

第9章｜つまずきやすいポイントと対処法

pandasで売上集計をする際に、よくある5つのトラブルと対処法を紹介します。

つまずき1：日本語ファイルの文字化け

症状：

CSVを読み込むと、日本語が「縺薙ｓ縺ｫ縺｡縺ｯ」のように文字化けする。

対処：

encoding=”cp932″ を指定して読み込みます。

df = pd.read_csv("売上データ.csv", encoding="cp932")

つまずき2：日付がうまく扱えない

症状：

dt.month や Grouper を使おうとするとエラーが出る。

対処：

日付列を pd.to_datetime() で日付型に変換してから使います。

df["日付"] = pd.to_datetime(df["日付"])

つまずき3：列名にスペースや全角が含まれる

症状：

groupby(“商品 名”) のように指定したらKeyErrorが出る。

対処：

df.columns で実際の列名を確認します。先頭や末尾にスペースが入っている場合があります。

print(df.columns)
# 必要なら列名を整形
df.columns = df.columns.str.strip()

つまずき4：合計値が小数点で表示される

症状：

整数のはずが「15000.0」のように小数で表示される。

対処：

astype(int) で整数型に変換します。

result = df.groupby("商品名")["売上"].sum().astype(int)

つまずき5：データが多すぎてメモリ不足

症状：

数百万行のCSVを読み込むとPCが固まる。

対処：

usecols で必要な列だけ読み込むか、chunksize で分割読み込みします。

# 必要な列だけ読み込む
df = pd.read_csv("売上データ.csv", usecols=["日付", "商品名", "売上"])

# 大量データは分割読み込み
for chunk in pd.read_csv("巨大データ.csv", chunksize=10000):
    # 1万行ずつ処理
    pass

第10章｜まとめ＆次のステップ

この記事のまとめ

1. groupbyを使えば、Excelのピボットテーブルと同じことが1行で実現できる
2. 複数列のグループ化、複数指標の集計も簡単に組み合わせられる
3. 日付列はpd.to_datetime()で変換することで期間別集計が可能
4. ExcelWriterを使えば、複数シートに集計結果を保存できる
5. 半日かかる集計作業を、コード10行で30秒に短縮できる

次に読むべき記事

売上集計ができるようになったあなたへ、次のステップとなる記事を紹介します。

• 【完全ガイド】非エンジニアのためのPython業務自動化｜業務自動化の全体像を知りたい方に
• 【完全版】uv入門｜Pythonの新標準・最速の環境管理ツール｜環境構築からやり直したい方に
• 複数Excelファイルを1つに統合するPythonコード｜ファイル統合をしたい方に（公開予定）
• 業務レポートの完全自動化マニュアル｜定期レポートを自動化したい方に（公開予定）

FAQ｜よくある質問

Q1. Excelファイル（.xlsx）を直接読み込むことはできますか？

はい、pd.read_excel() を使えば、CSVと同じようにExcelファイルを直接読み込めます。例：df = pd.read_excel(“売上データ.xlsx”)

Q2. 100万行を超える大量データでも動きますか？

問題なく動きます。pandasは数百万行のデータを高速処理できる設計です。ただしメモリ不足になる場合は、chunksizeで分割読み込みする方法があります（第9章参照）。

Q3. 集計結果をグラフにしたい時はどうすればいいですか？

matplotlibライブラリを使えば、集計結果をそのままグラフ化できます。例：result.plot(kind=”bar”)。詳しくは別記事で解説予定です。

Q4. SUMIFと同じことをするだけなら、Excelで十分では？

10行程度のデータならExcelで十分です。しかし、データが数千行を超える、毎月同じ集計を繰り返す、複数ファイルから集計する、などの場合はpandasが圧倒的に有利です。

Q5. このコードを定期実行させることはできますか？

はい、Windowsのタスクスケジューラ、Macのcronなどで定期実行できます。「毎月1日の午前9時に自動実行」のような運用も可能です。

さあ、業務効率化を始めよう

pandasによる売上集計は、Python業務自動化の入り口にすぎません。これができるようになれば、複数ファイルの統合、レポートの自動生成、データの可視化と、可能性は無限に広がります。

「Excelで半日かかっていた作業が、Pythonでは30秒で終わる」――その瞬間の感動を、ぜひ体験してください。

最新の解説記事は、新着記事から順次公開しています。X（旧Twitter）でも更新情報を発信していますので、ぜひフォローしてください。

この記事を書いた人

ソニック｜バックオフィス7年目の業務効率化ブロガー。学校事務職員→営業事務→データサイエンス業務へとキャリアを進め、現場で得たノウハウを発信中。

→ 詳しいプロフィールはこちら｜→ はじめての方へ