Python 3 エンジニア認定データ分析試験完全ガイド【出題範囲・難易度・教材・申し込み】

「AI・データ分析の勉強を始めたいけど、何か目標になる資格はないかな？」——そんな方に真っ先に候補へ挙がるのが、Python 3 エンジニア認定データ分析試験です。

この記事は、データ分析試験の全体像をこの1本でつかめる完全ガイド。試験概要・出題範囲・難易度・教材・申し込み方法・FAQの順に、受験を判断して対策を始めるまでに必要な情報をまとめて整理します。それでは一緒に見ていきましょう。

Contents

データ分析試験とはどんな試験か
難易度と合格率——高合格率でも油断できない理由
出題範囲——約7割がライブラリの実践問題
ライブラリ別・頻出テーマ早見表
教材と勉強法
申し込み方法と当日の流れ
よくある質問
まとめ——ライブラリ演習に振り切れば怖くない

データ分析試験とはどんな試験か

data analysis python / Photo by Pixabay via Pexels

データ分析試験（Python 3 エンジニア認定データ分析試験）は、一般社団法人Pythonエンジニア育成推進協会が実施する認定試験で、NumPy・pandasといったデータ分析ライブラリの実践知識を問う試験です。基本情報はこちら。

項目	内容
問題数	40問（すべて選択問題）
試験時間	60分
合格ライン	正答率70%
受験料	税込11,000円（学割税込5,500円）
主教材	「Pythonによるあたらしいデータ分析の教科書」（翔泳社）
実施方式	全国のテストセンターでのCBT方式（通年受験可）

協会の3試験（基礎・実践・データ分析）の中での位置づけや選び方はPython3エンジニア認定試験の合格攻略ガイドでも整理しています。

難易度と合格率——高合格率でも油断できない理由

データ分析試験の合格率は約81.5%。3試験の中では最も高く、数字だけ見ると「受かりやすい試験」です。

試験	合格率
基礎試験	約76%
実践試験	約48.6%
データ分析試験	約81.5%

ただし、油断は禁物です。講師として受講生を見ていると、「教科書は読んだのに、ライブラリの細かい仕様を問われて答えに詰まる」という声が本当に多いんです。normalize や axis のような引数の既定値、メソッドの返り値の型——このレベルの精度は、読むだけでは身につきません。合格率の高さは「対策すれば受かる」という意味であって、「対策なしで受かる」という意味ではないんですよね。

出題範囲——約7割がライブラリの実践問題

出題範囲は主教材「Pythonによるあたらしいデータ分析の教科書」に準拠していて、大きく次の分野で構成されます。

データエンジニアの役割——データ分析の全体像
Pythonと環境——実行環境・Jupyter・基本文法の確認
数学の基礎——統計・線形代数のごく基礎
ライブラリによる分析実践——NumPy・pandas・Matplotlib・scikit-learn。ここが全体の約7割を占める主戦場です

正確な出題比率は協会公式サイト（pythonic-exam.com）の最新要項で確認してください。対策の重心が「ライブラリ実践」にあることは間違いありません。

では、本番の雰囲気を1問。これ、実行せずに答えられますか？

import numpy as np

a = np.array([[1, 2, 3],
              [4, 5, 6]])
# axis=0 はどちら方向の合計？
print(a.sum(axis=0))  # [5 7 9]

ポイントをまとめるとこんな感じです。

axis=0 は「行をまたいで」＝列ごとの集計、axis=1 は行ごとの集計
NumPy・pandasに共通する考え方なので、ここが曖昧だと複数問まとめて失点します

pandasからももう1問。

import pandas as pd

df = pd.DataFrame({"名前": ["佐藤", "鈴木", "田中"],
                   "点数": [72, 85, 91]})
# 80点以上の人の名前だけを取り出す
print(df.loc[df["点数"] >= 80, "名前"].tolist())  # ['鈴木', '田中']

loc と iloc の違い、ブールインデックスの挙動は頻出テーマ。手を動かして「体で覚える」のがいちばん早いです。

ライブラリ別・頻出テーマ早見表

主戦場の4ライブラリについて、演習で必ず押さえておきたいテーマを整理しておきます。

ライブラリ	必ず押さえるテーマ
NumPy	配列の生成・形状（shape・reshape）、axis の方向、スライス、ブロードキャスト、dtype
pandas	loc と iloc の違い、ブールインデックス、欠損値処理、groupby、CSV等の読み書き
Matplotlib	figure と axes の関係、基本グラフの描き分け、日本語表示まわりの注意点
scikit-learn	前処理（スケーリング・エンコーディング）、学習→予測→評価の基本フロー、データ分割

「全部知ってる」と思った方ほど、選択肢形式で問われると迷うのがこの試験。知識を「選択肢を切れる精度」まで上げるのが演習の目的です。

教材と勉強法

学習の軸は次の2本立てです。

教科書を1周して全体像をつかむ——数学分野で完璧主義にならないこと。まずはライブラリ分野を優先します
本番形式の演習で仕様の精度を上げる——ライブラリの細かい仕様は、問題を解いて間違えることでしか定着しません

週ごとの学習計画や教科書の具体的な読み進め方は、データ分析試験の勉強法【最短攻略ロードマップ】で詳しく解説しています。演習環境としては、筆者が運営するPython3エンジニア試験ラボのデータ分析試験コースに本試験形式の模擬試験4回分（採点・全問解説・Q&A付き）があります（協会非公認の独自教材です）。