「データ分析」タグアーカイブ

Excel vs Googleスプレッドシート：機能・関数・用途の違いをわかりやすく解説

2025年10月21日管理者コメントする

「ExcelとGoogleスプレッドシート、どっちを使えばいいの？」「関数の違いが知りたい」「チームで作業するならどちらが便利？」
このような疑問を持つ人は多いです。

Excelは企業でも広く使われる表計算ソフトの定番であり、一方でGoogleスプレッドシートはオンラインでのリアルタイム共同作業に優れています。この記事では、Excelとスプレッドシートの違いを機能・関数・用途の面からわかりやすく比較し、どちらを使うべきか判断できるように整理します。

✅ 1. ExcelとGoogleスプレッドシートの主な違い【比較表】

項目	Googleスプレッドシート	Excel（Microsoft Excel）
提供形態	Webブラウザで利用（クラウド型）	デスクトップ版＋Excel Online
保存形式	Google形式（.gsheet）＋Excel形式対応可	.xlsx / .xls / .csv など
保存場所	自動保存（Googleドライブ）	ローカル or OneDrive
同時編集	◯ リアルタイム共同編集が非常にスムーズ	デスクトップ版は△、Excel Onlineは◯
オフライン利用	△（事前に設定が必要）	◯（デスクトップ版は完全対応）
関数の種類	標準関数＋Web取得系独自関数あり	関数数が多く高度な分析に強い
マクロ	Apps Script（JavaScriptベース）	VBA（Visual Basicベース）
高度な分析機能	△ ピボットのみ簡易的	◎ Power Query / Power Pivot対応
グラフ	基本的な種類は網羅	種類・カスタマイズとも豊富
データ容量	大規模データにはやや弱い	大量データ処理性能が高い
コスト	無料（ドライブ容量は制限あり）	Microsoft 365契約（有料）
対象	チーム共有・Web利用	企業業務・分析系

✅ クラウド重視ならスプレッドシート、業務分析ならExcelが強いというのが大きな違いです。

✅ 2. 関数の違い（セルで使う式にも違いアリ）

✅ 共通して使える関数（一部例）

SUM / AVERAGE / IF / VLOOKUP / COUNTIF などは両方で同様に使えます。

✅ Googleスプレッドシート特有の関数（Excelにはない）

関数	内容	Excelでの代替
IMPORTRANGE	他のシートのデータを自動取得	Power Queryが必要
IMPORTXML	Webサイトからデータ取得	Power Query＋XPath
GOOGLETRANSLATE	自動翻訳	アドインが必要
UNIQUE	重複排除一覧を生成	Excel 365のみ同等対応

✅ 同じ目的でも書き方が異なる例

やりたいこと	スプレッドシート	Excel（365以外）
連番生成(1～10)	1	ROW(A1) をコピー
条件抽出	#CALC!	IF系式で複雑処理

✅ スプレッドシートはシンプルな式で結果を返しやすい一方、Excelは分析用関数や関数数の多さで強みを発揮します。

✅ 3. マクロ・自動化の違い

項目	Googleスプレッドシート	Excel
言語	Apps Script（JavaScript）	VBA（Visual Basic）
書きやすさ	JSベースでWebエンジニア向け	長年のExcelユーザーに馴染みあり
実行環境	ブラウザ上で動作	ローカルPCで動作
外部連携	Google APIとの連携が強力	Office製品との統合が強い

✅ Web系の自動化ならスプレッドシート、業務システム構築ならExcel VBAが使われるケースが多いです。

✅ 4. 用途別のおすすめ使い分け

ケース	おすすめ
チームでリアルタイム共有	✅スプレッドシート
会計/財務/請求書など業務	✅Excel
Webからデータを取得したい	✅スプレッドシート
Power Queryや統計分析を使いたい	✅Excel
軽めの家計簿/タスク管理	✅スプレッドシート
社内でマクロ処理が必要	✅Excel

✅ 5. 結論：目的に応じて使い分けるのが正解

👉「無料で簡単」「クラウドで共有したい」ならスプレッドシート
👉「業務レベルで使いたい」「関数・分析機能を最大限使いたい」ならExcelがおすすめです。

ExcelとGoogleスプレッドシートには、それぞれ異なる強みがあります。共有やWeb連携を重視するならスプレッドシート、高度な分析や業務利用を行うならExcelが適しています。利用シーンに応じて使い分けることで、作業効率を大きく向上させることができます。

SQL, ブログ

SQL：ウィンドウ関数（OVER句）でランキング・累計を計算する

2025年10月12日管理者コメントする

データ分析やレポート作成では、「順位付け」 や 「累計」 のような集計処理がよく登場します。
従来はサブクエリや自己結合を使う必要がありましたが、SQLの ウィンドウ関数（OVER句） を使えば簡潔に記述できます。
この記事では、代表的な使い方と主要DBMSごとの対応状況をサンプル付きで解説します。

🧠 ウィンドウ関数とは？

ウィンドウ関数とは、集計関数に対して「範囲（ウィンドウ）」を指定できる機能です。
通常の SUM() や AVG() はグループ全体を集計しますが、OVER() を使うことで「行単位の集計」も可能になります。

🔸 基本構文

句	役割
PARTITION BY	グループを分ける（省略可）
ORDER BY	並び順を指定
ROWS BETWEEN ～	範囲を細かく指定（任意）

🏅 ランキングを求める

商品の売上データを例に、売上額で順位をつけます。

📘 サンプルテーブル：sales

product	category	amount
A	飲料	300
B	飲料	500
C	食品	400
D	食品	200
E	食品	700

📗 SQL例

📊 実行結果

category	product	amount	rank
飲料	B	500	1
飲料	A	300	2
食品	E	700	1
食品	C	400	2
食品	D	200	3

✅ ポイント

同じカテゴリ内で順位を付与 (PARTITION BY category)
売上が高い順に並び替え (ORDER BY amount DESC)
RANK() は同順位がある場合にスキップ（例：1位,1位,3位）

🔢 累計を求める

カテゴリ別に売上の累計を出してみましょう。

📗 SQL例

📊 結果

category	product	amount	running_total
飲料	B	500	500
飲料	A	300	800
食品	E	700	700
食品	C	400	1100
食品	D	200	1300

✅ ポイント

SUM() に OVER() を組み合わせることで行ごとの累積が可能
ORDER BY により順序を指定できる
PARTITION BY を省略すると全体累計に

🧮 他の代表的なウィンドウ関数

関数	説明
ROW_NUMBER()	連番（重複なし）を付与
RANK()	同順位があるとスキップ（例：1,1,3）
DENSE_RANK()	同順位があっても連続（例：1,1,2）
NTILE(n)	n等分にグループ分け（例：四分位）
LAG(col, n)	n行前の値を取得
LEAD(col, n)	n行後の値を取得
SUM(), AVG(), MAX(), MIN()	累計・平均などの集計を行単位で

💡 応用例：前回比を計算する

前回の売上からの増減を求めたい場合は LAG() 関数を使用します。

SELECT
  category,
  product,
  amount,
  LAG(amount) OVER (PARTITION BY category ORDER BY amount DESC) AS prev_amount,
  amount - LAG(amount) OVER (PARTITION BY category ORDER BY amount DESC) AS diff
FROM sales;

SELECT

category,

product,

amount,

LAG(amount) OVER (PARTITION BY category ORDER BY amount DESC) AS prev_amount,

amount - LAG(amount) OVER (PARTITION BY category ORDER BY amount DESC) AS diff

FROM sales;



FROM sales;

category	product	amount	prev_amount	diff
飲料	B	500	NULL	NULL
飲料	A	300	500	-200
食品	E	700	NULL	NULL
食品	C	400	700	-300
食品	D	200	400	-200

🧭 DBMS別のウィンドウ関数対応表

DBMS	対応状況	対応バージョン	備考
Oracle Database	◎ 完全対応	8i 以降	ウィンドウ関数発祥の実装。機能最も豊富
PostgreSQL	◎ 完全対応	8.4 以降	PARTITION, ORDER, RANGE句など全対応
MySQL	○ 部分対応	8.0 以降	8.0から正式対応（それ以前は非対応）
SQL Server	◎ 完全対応	2012 以降	LAG/LEADなどもサポート
SQLite	○ 部分対応	3.25 以降	一部関数は制限あり（NTILEなど）
MariaDB	△ 限定対応	10.2 以降	SUMなどは対応、LAG/LEADは制限あり
IBM Db2	◎ 完全対応	9.7 以降	分析関数として強力なサポートあり
Snowflake / BigQuery	◎ 完全対応	最新	クラウドDWH系でもネイティブ対応

✅ 補足

旧バージョンのMySQL（5.x系）ではウィンドウ関数が非対応のため、サブクエリで代替が必要。
PostgreSQLとOracleはROWS BETWEENなどの範囲指定も細かく制御可能。
BigQueryはOVER()句のほかQUALIFY句でフィルタリングが可能。

🔍 まとめ

観点	内容
機能	グループ単位での行ごとの集計・順位付け
主な用途	累計・ランキング・前回比・順位比較
メリット	サブクエリ不要・可読性向上・パフォーマンス改善
対応DB	Oracle, PostgreSQL, SQL Server, MySQL 8+, BigQueryなど

ウィンドウ関数は、分析SQLの最重要機能といっても過言ではありません。
集計・比較・順位などを自在に扱えるようになれば、レポート作成の幅が大きく広がります。

Python, プログラミング

ゼロから学ぶ！Pythonで気軽にデータ分析入門

2025年10月3日管理者コメントする

「Pythonでデータ分析を始めたいけど、難しそう…」
そんな初心者の方でも大丈夫！この記事では、家計簿や売上のような身近なデータを題材にして、Pythonで「データを読み込む → 集計 → グラフにする」までを体験します。

まずは小さな一歩から。ゲーム感覚で数字を扱っていくうちに、自然とデータ分析の基礎が身につきます。

サンプル環境

本記事の内容は以下の環境で動作確認しています。

項目	バージョン / ツール
OS	Windows 11 Pro 24H2
Python	3.12.6
pip	24.2
エディタ	PowerShell / VS Code
ライブラリ	pandas 2.x / matplotlib 3.x / openpyxl 3.x

Pythonとは？

Python（パイソン） は、シンプルで分かりやすいプログラミング言語です。

文法がやさしい → 初めてでも読みやすい
豊富なライブラリ → 家計簿、売上管理、グラフ化などすぐ活用できる
学習者が多い → ネットに解説記事や質問回答がたくさん

今回は「pandas」「matplotlib」を使って、データを簡単に扱う方法を学びます。

1. Pythonをインストール

Windows 11なら Microsoft Store からインストールするのが簡単です。

スタート → Microsoft Store → 「Python」で検索
今回は最新版の「Python 3.13」をインストールします
※ダウンロードすると自動的にインストールされます。

2. 動作確認

PowerShellで次を実行：

3. 必要なライブラリをインストール

successfullyと上記の様に表示されればインストール正常終了してます。

4. サンプルデータ

家計簿や売上のようなシンプルなデータを用意します。

sales.csv

5. Pythonで分析！4つの出力を体験

パターン① コンソール出力（数字で確認）

ファイル名を sample.py にして、わかりやすい場所（例：C:\Users\〇〇\Documents\python\）に保存します。

import pandas as pd

df = pd.read_csv("sales.csv")
daily_sales = df.groupby("date")["sales"].sum()
print(daily_sales)

import pandas as pd

df = pd.read_csv("sales.csv")

daily_sales = df.groupby("date")["sales"].sum()

print(daily_sales)

「sample.py 」を保存したディレクトリに移動し、powershell でpython sample.pyと入力して実行すると以下の様に表示されます。

出力例：

👉 「今日は使いすぎた？」がすぐ分かります。

パターン② グラフ出力（見やすく可視化）

import pandas as pd
import matplotlib.pyplot as plt

# データを読み込み
df = pd.read_csv("sales.csv")

# 日付ごとの合計を集計
daily_sales = df.groupby("date")["sales"].sum()

# 集計結果を表示
print(daily_sales)

# グラフで可視化
daily_sales.plot(kind="bar", title="Daily Expenses")
plt.xlabel("Date")
plt.ylabel("Sales")
plt.tight_layout()
plt.show()

import pandas as pd

import matplotlib.pyplot as plt

# データを読み込み

df = pd.read_csv("sales.csv")

# 日付ごとの合計を集計

daily_sales = df.groupby("date")["sales"].sum()

# 集計結果を表示

print(daily_sales)

# グラフで可視化

daily_sales.plot(kind="bar", title="Daily Expenses")

plt.xlabel("Date")

plt.ylabel("Sales")

plt.tight_layout()

plt.show()

出力イメージ：

👉 支出の増減がひと目で分かります。

パターン③ ファイルに保存（CSV・画像）

import pandas as pd
import matplotlib.pyplot as plt

# データを読み込み
df = pd.read_csv("sales.csv")

# 日付ごとの合計を集計
daily_sales = df.groupby("date")["sales"].sum()

# 集計結果をCSVに保存
daily_sales.to_csv("result.csv")

# グラフを画像ファイルに保存
daily_sales.plot(kind="bar", title="Daily Expenses")
plt.xlabel("Date")
plt.ylabel("Sales")
plt.tight_layout()
plt.savefig("daily_expenses.png")  # ← PNGファイルで保存

import pandas as pd

import matplotlib.pyplot as plt

# データを読み込み

df = pd.read_csv("sales.csv")

# 日付ごとの合計を集計

daily_sales = df.groupby("date")["sales"].sum()

# 集計結果をCSVに保存

daily_sales.to_csv("result.csv")

# グラフを画像ファイルに保存

daily_sales.plot(kind="bar", title="Daily Expenses")

plt.xlabel("Date")

plt.ylabel("Sales")

plt.tight_layout()

plt.savefig("daily_expenses.png") # ← PNGファイルで保存

👉 結果をExcelや画像にして保存すれば、あとで見返したり人に見せたりできます。

パターン④ Notebookで出力

Jupyter Notebookを使えば、

ステップ1: Notebookを起動

PowerShell で以下を実行します：

pip install notebook
python -m notebook

1 2	pip install notebook python -m notebook

👉 ブラウザが開くので「File → New → Notebook → Python 3」で新しいノートブックを作ります。

ステップ2: セルごとにコードを書く

セル1: データ読み込み

import pandas as pd

df = pd.read_csv("sales.csv")
df   # ← Notebookではprint不要。最後にdfと書けば表形式で出力される

import pandas as pd

df = pd.read_csv("sales.csv")

df # ← Notebookではprint不要。最後にdfと書けば表形式で出力される

👉セルを選択し、Shift + Enterで実行すると表がセルの下にきれいに表示されます。

Notebookの特徴

print()不要 → 変数名だけで表や集計結果が表示される

グラフはセル下に直接描画

コード・結果・グラフが一つの画面でまとまって見やすい

✅ まとめると、記事で紹介したパターン④のコードはそのまま動きますが、Notebookではprintを省略して変数名だけ書けばOK という違いがあります。

👉 家計簿アプリ感覚で扱えて便利です。

まとめ

Pythonは初心者でも気軽に始められる
データ分析の出力には4パターンある
1. 数字で見る（コンソール）
2. グラフで見る（可視化）
3. ファイルに保存（CSV・PNG）
4. Notebookでまとめる
まずは「日ごとの支出」を分析してみるとイメージしやすい

✅ 1. ExcelとGoogleスプレッドシートの主な違い【比較表】

✅ 2. 関数の違い（セルで使う式にも違いアリ）

✅ 共通して使える関数（一部例）

✅ Googleスプレッドシート特有の関数（Excelにはない）

✅ 同じ目的でも書き方が異なる例

✅ 3. マクロ・自動化の違い

✅ 4. 用途別のおすすめ使い分け

✅ 5. 結論：目的に応じて使い分けるのが正解

関連記事

🧠 ウィンドウ関数とは？

🔸 基本構文

🏅 ランキングを求める

📘 サンプルテーブル：sales

📗 SQL例

📊 実行結果

🔢 累計を求める

📗 SQL例

📊 結果

🧮 他の代表的なウィンドウ関数

💡 応用例：前回比を計算する

🧭 DBMS別のウィンドウ関数対応表

🔍 まとめ

関連記事

サンプル環境

Pythonとは？

1. Pythonをインストール

2. 動作確認

3. 必要なライブラリをインストール

4. サンプルデータ

sales.csv

5. Pythonで分析！4つの出力を体験

パターン① コンソール出力（数字で確認）

パターン② グラフ出力（見やすく可視化）

パターン③ ファイルに保存（CSV・画像）

パターン④ Notebookで出力

ステップ1: Notebookを起動

ステップ2: セルごとにコードを書く

Notebookの特徴

まとめ

関連記事

「駑馬十駕」を信念に IT系情報を中心に調べた事をコツコツ綴っています。

　関連記事

　関連記事

　関連記事