Pythonログの取り方｜ChatGPTで学ぶ再現性が激変するlogging活用術と構成例 | 未経験｜30代

「printで十分」は卒業しよう｜Python開発でログを残すべき理由

昔の私は、Pythonでログを残すなんて意識すらしていませんでした。

──はい、完全にコンソールにベタ出し派。

そのまま実行結果をスクショしてSlackに貼る。あるいは、表示された数値をメモ帳に手打ちで残す。

いや、それ開発じゃなくて“手作業レポート”でしょって今なら思います。

でも当時は、それで十分だと思ってたんです。 “とりあえず動いて結果が出ればいい”と。

けど、ある日こんな質問を投げられて詰みました。

「で、前回ってどの条件で回したんですか？」
「その数値、どこかに残ってます？」

……うっ。

過去の出力、全部流れて消えてました。

結果的に、「どのコードで、どんなパラメータで、何が出たか」がすべて不明。上司にもチームにも説明できず、ひとりだけ“記憶を頼りに探索する探偵モード”になっていました。

「printで十分」は卒業しよう｜Python開発でログを残すべき理由
1. 📌 この記事で得られること
🤖 ChatGPTに「printって限界あるよね？」と聞いてみた
🔧 logging の基礎を教えてもらった（そして即採用）
ChatGPTに聞いて分かった「ログに最低限残すべきもの」
🧪loggingの定義と書き方の役割整理
1. やってよかったログ運用ルール（ChatGPTとの壁打ちまとめ）
2. 🔍 実務でのポイント：
まとめ：ログは「記録」ではなく、「自分へのメッセージ」

📌 この記事で得られること

この記事では、こんな経験のあるエンジニアに向けて：

printだけでログを済ませてたけど、あとで困ることが増えてきた
実行条件の履歴が残ってなくて、報告も再現もできない
コードレビューで「実行履歴ありますか？」と聞かれて焦った
「どこまで処理が進んだのか」が分からなくて、デバッグに時間がかかる

──こうした課題を、ログファイル（log）で一発解決できた話をお届けします。

しかも、ChatGPTとのやりとりで「ログって、開発の意思表示なんだ」と気づけたのが大きな収穫でした。

リンク

🤖 もちろん、main.pyでのサンプルコードもお渡しします！

Python開発をしているなら、きっと「なるほど」があるはずです。

📂 loggingも活用して全体の再現性・保守性を良くしたい方は👇

🤖 ChatGPTに「printって限界あるよね？」と聞いてみた

このような経緯があり、私は、ChatGPTにこう聞きました。

Hirokichi

「printでログ管理してるんですけど、ちょっと限界感じてます。いい方法ありますか？」

🤖 ChatGPT：

「Pythonの logging モジュールを使うと、実行履歴をファイルに記録できます。printよりも構造化された出力が可能です」

──logging？それ何者？状態の私は、さらに聞いてみました。

🔧 logging の基礎を教えてもらった（そして即採用）

Hirokichi

main.pyと合わせた「サンプルコード」は次のセクションに記載してます

──いや、これ、めちゃくちゃ安心感あるし便利。

ChatGPTに聞いて分かった「ログに最低限残すべきもの」

ChatGPTとのやりとりで、「どんなログを残せば未来の自分が助かるか？」も整理できました👇

✅ 実行時刻
✅ 使用パラメータ（yamlなどと連携）
✅ 処理ステップの通過記録
✅ 中間結果（精度やスコア）
✅ エラーや例外の詳細

実際にこれを出すようにしてから、

上司に「logファイル見れば一発です」で済む
仕様変更しても履歴があるから比較しやすい
どこで止まったか、logで即特定できる

──ようになりました。

🧪loggingの定義と書き方の役割整理

役割	内容
`logging.basicConfig()`	ログの出力先・レベル・フォーマットを定義（設定ファイル的）
`logging.info()`	実際の記録。処理開始、成功など
`logging.warning()`	軽微な異常や補正情報
`logging.error()`	重大な失敗や例外

📂 ファイル構成の見通しをさらに良くしたい方は👇

やってよかったログ運用ルール（ChatGPTとの壁打ちまとめ）

📁 output.log だけ用意すればOK
🎯 実行ごとにログを初期化 or 追記（使い分け）
🔍 レベル分け（INFO / WARNING / ERROR）で見やすく
🧩 loggingのセットは main.py で共通化

# main.py
import logging
from datetime import datetime
from config_loader import load_config
from preprocessing import load_data, preprocess
from modeling import train_model, save_model
from evaluate import evaluate_model

# === ログのセットアップ（ここで一括定義） ===
logging.basicConfig(
    filename='output.log',
    level=logging.INFO,
    format='%(asctime)s [%(levelname)s] %(message)s'
)

def main():
    logging.info("処理を開始しました")
    logging.info(f"実行開始時刻: {datetime.now()}")

    # 設定の読み込み
    try:
        config = load_config()
        threshold = config["threshold"]
        max_iter = config["max_iter"]
        data_path = config["data_path"]
        logging.info(f"パラメータ設定: threshold={threshold}, max_iter={max_iter}, data_path={data_path}")
    except Exception as e:
        logging.error(f"設定ファイルの読み込みに失敗: {e}")
        return

    # データの読み込み
    try:
        df = load_data(data_path)
        logging.info(f"データ読み込み成功: {len(df)}件")
    except Exception as e:
        logging.error(f"データ読み込みに失敗: {e}")
        return

    # 前処理
    try:
        df_processed, X, y = preprocess(df, threshold)
        logging.info("前処理完了")
    except Exception as e:
        logging.error(f"前処理に失敗: {e}")
        return

    # モデル学習
    try:
        model = train_model(X, y, max_iter=max_iter)
        logging.info("モデル学習完了")
    except Exception as e:
        logging.error(f"モデル学習に失敗: {e}")
        return

    # モデル保存
    try:
        save_model(model, config["model_path"])
        logging.info(f"モデル保存完了: {config['model_path']}")
    except Exception as e:
        logging.error(f"モデル保存に失敗: {e}")
        return

    # 評価
    try:
        metrics = evaluate_model(model, X, y)
        logging.info(f"評価結果: {metrics}")
    except Exception as e:
        logging.error(f"評価処理に失敗: {e}")
        return

    logging.info("処理が正常に終了しました")

if __name__ == "__main__":
    main()

リンク