データ分析試験のMatplotlib・scikit-learn出題ポイントを徹底解説【図解・コード付き】

「Matplotlibはグラフを描くやつでしょ？なんとなくわかる。でも試験で何を聞かれるの？」

データ分析試験の対策をしていて、こんなふうに感じたことありませんか？

Matplotlibとscikit-learnは、試験の中でも出題頻度が高いにもかかわらず、「なんとなく使えるけど、試験で出るポイントが絞れない」という声をよく聞きます。

この記事では、Python 3エンジニア認定データ分析試験においてMatplotlibとScikit-learnがどのように出題されるかを、実際のコード例を交えながらピンポイントで解説します。🎯

データ分析試験は合格率約81.5%と比較的高めですが、「なんとなく知っている」だけでは引っかかりやすい問題も混ざっています。しっかり出題ポイントを押さえていきましょう！

Contents

データ分析試験におけるMatplotlib・scikit-learnの位置づけ
Matplotlib の出題ポイント3選
scikit-learn の出題ポイント3選
試験直前の最終確認チェックリスト
まとめ
よくある質問

データ分析試験におけるMatplotlib・scikit-learnの位置づけ

data analysis chart python / Photo by RDNE Stock project via Pexels

まず全体像を整理しておきましょう。

データ分析試験（40問・60分・合格ライン70%）の主教材は「Pythonによるあたらしいデータ分析の教科書」（翔泳社）です。この教科書の章構成に沿って出題されます。

MatplotlibとScikit-learnはそれぞれ独立した章として扱われており、合わせると試験全体の20〜30%程度の出題比率を占めるボリュームゾーンです。

ざっくり言うと、こんな役割分担です。

📊 Matplotlib：データを「見える化」するグラフ描画ライブラリ
🤖 scikit-learn：機械学習モデルを「訓練・評価」するライブラリ

それぞれの出題ポイントを順番に見ていきます。

Matplotlib の出題ポイント3選

①基本的なグラフ描画の「お作法」

Matplotlibの問題でいちばん多いのが、描画の基本フローに関する問題です。

「figureとaxesの関係って？」「plt.show()はどこで呼ぶ？」という部分が問われます。

import matplotlib.pyplot as plt
import numpy as np

# データを用意
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# Figure（描画領域）とAxes（グラフ本体）を作成
fig, ax = plt.subplots()

# グラフを描く
ax.plot(x, y, label='sin(x)')

# ラベル・タイトル・凡例の追加
ax.set_xlabel('x軸')
ax.set_ylabel('y軸')
ax.set_title('サインカーブ')
ax.legend()

plt.show()

ここで押さえておきたいポイントはこちらです。

plt.subplots() で figとaxを同時に作成するパターンが試験頻出
ax.set_xlabel() / ax.set_ylabel() / ax.set_title() のメソッド名を正確に覚える
ax.legend() で凡例を表示、label=引数とセットで使う

受講生から「plt.xlabel()とax.set_xlabel()のどっちを使うか迷う」という声をよく聞きます。試験ではオブジェクト指向スタイル（ax.set_系）の問われ方が多いので、こちらを優先して覚えておきましょう。

②グラフの種類と使い分け

折れ線・棒グラフ・ヒストグラム・散布図の4種類は、どのメソッドで描くかをそのまま問われます。

ax.plot()　→　折れ線グラフ
ax.bar()　→　棒グラフ
ax.hist()　→　ヒストグラム（bins=引数に注意）
ax.scatter()　→　散布図

特にax.hist()のbins引数は「ビンの数（区間の分割数）を指定する」という意味を理解しているかが問われます。「デフォルトは10」という点も試験に出ています。

③複数グラフ（サブプロット）の配置

plt.subplots(行数, 列数)で複数グラフを並べる問題も出ます。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 100)

# 1行2列の配置でサブプロットを作成
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))

ax1.plot(x, np.sin(x))
ax1.set_title('sin(x)')

ax2.plot(x, np.cos(x))
ax2.set_title('cos(x)')

plt.tight_layout()  # グラフ同士が重ならないよう自動調整
plt.show()

ここで重要なのが tight_layout() です。「グラフのタイトルやラベルが重なるのを防ぐ関数」として試験に出ることがあります。知らないと選択肢で迷いやすいので要チェックです。

scikit-learn の出題ポイント3選

①機械学習の基本フロー（fit→predict→evaluate）

scikit-learnの最重要ポイントは、モデルの使い方の「型」です。どのアルゴリズムを使っても、基本的な流れは統一されています。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# データの読み込み
iris = load_iris()
X, y = iris.data, iris.target

# 訓練データとテストデータに分割
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# モデルのインスタンス化 → 訓練 → 予測
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)       # 訓練
y_pred = model.predict(X_test)    # 予測

# 評価
print(accuracy_score(y_test, y_pred))

このフローが頭に入っているかを問う問題は非常に多いです。ポイントはここです。