ホーム

DockerコンテナによるVS CodeでのPythonコーディング

Pythonコードを共有したのに、「私のマシンでは動くのに…」という問題のデバッグに何時間も費やしたことはありませんか？Dockerコンテナは、コード用の輸送コンテナのようなものです。Python環境、ライブラリ、依存関係を1つのボックスにパッケージ化し、どこでも同じように動作させることができます。Docker Hubには何万もの事前構築イメージがあり、すぐに使える環境が公開されているため、手動インストールの手間を省けます。このチュートリアルでは、VS CodeとDocker Desktopを使って、隔離された再現可能な環境でPythonを実行する方法を学びます。

主要な概念

• Docker Desktop - コンピュータ上でコンテナを実行し、隔離された環境を管理するアプリケーション
• Dev Container - Dockerコンテナ内で完全なIDEサポートでコーディングできるVS Code機能
• コンテナ隔離 - コードは別のLinux環境で実行され、プロジェクトフォルダのみが見え、コンピュータ全体は見えません
• Python公式イメージ - Pythonと必須ツールがプリインストールされた事前構築Dockerイメージ

必要なもの

• VS CodeでPythonコーディングを完了
• 20〜25分

ステップ1：Docker Desktopをインストール

• Docker Desktopダウンロードページにアクセス
• Download for Windowsをクリック（またはシステムに基づいてMac/Linux）
• インストーラーを実行し、インストールウィザードに従う
• プロンプトが表示されたら、WSL 2を有効にする（Windowsユーザー）またはデフォルト設定を受け入れる
• インストール後、Docker Desktopを起動
• Dockerエンジンが起動するまで待つ（左下に緑色のステータスインジケーターが表示されます）

ステップ2：Dev Containers拡張機能をインストール

• VS Codeを開く
• 左サイドバーの拡張機能アイコンをクリック（または表示 > 拡張機能をクリック）
• 検索ボックスにdev containersと入力
• MicrosoftのDev Containersを見つける
• インストールをクリック

ステップ3：Pythonプロジェクトフォルダを作成

• コンピュータにpython-docker-demoという新しいフォルダを作成
• python-docker-demoの中に.devcontainerというサブフォルダを作成
• python-docker-demoの中にpythonというサブフォルダを作成
• 構造は次のようになります：python-docker-demo/.devcontainer/ と python-docker-demo/python/

ステップ4：Dockerfileを作成

• VS Codeでファイル > フォルダーを開くをクリック
• 作成したpython-docker-demoフォルダに移動
• フォルダーの選択をクリック
• エクスプローラーサイドバーで.devcontainerフォルダを右クリック
• 新しいファイルをクリック
• Dockerfileと名前を付ける
• 以下の内容を貼り付け：

# Python slim公式イメージを選択
FROM python:3.12-slim

# 1. システム依存関係をインストール
RUN apt-get update && apt-get install -y \
    git curl build-essential && \
    rm -rf /var/lib/apt/lists/*

# 2. データサイエンスとWebアプリ用のPythonパッケージをインストール
RUN pip install --no-cache-dir \
    pandas matplotlib seaborn streamlit jupyter

# 3. NodeSourceからNode.js LTSをインストール
RUN curl -fsSL https://deb.nodesource.com/setup_lts.x | bash - \
    && apt-get install -y nodejs \
    && npm install -g npm@latest

# 4. Claude Codeをグローバルにインストール
RUN npm install -g @anthropic-ai/claude-code

# 5. Streamlitポートを公開
EXPOSE 8501

• ファイル > 保存をクリック

ステップ5：Dev Container設定を作成

• .devcontainerフォルダにdevcontainer.jsonという新しいファイルを作成
• 以下の内容を貼り付け：

{
  "name": "Python in Docker",
  "build": {
    "dockerfile": "Dockerfile"
  },
  "customizations": {
    "vscode": {
      "extensions": [
        "ms-python.python",
        "ms-python.debugpy"
      ]
    }
  },
  "forwardPorts": [8501],
  "postCreateCommand": "python3 --version"
}

• ファイル > 保存をクリック

ステップ6：Pythonデータ分析スクリプトを作成

• pythonフォルダにiris_analysis.pyという新しいファイルを作成
• 以下の内容を貼り付け：

# irisデータセットを使ったシンプルなデータ分析
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

# irisデータセットを読み込み
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['species'] = iris.target

# 最初の数行を表示
print(df.head())

# 要約統計
print("\n要約統計:")
print(df.describe())

# ヒストグラムを作成
plt.figure(figsize=(10, 6))
plt.hist(df['sepal length (cm)'], bins=20, alpha=0.7, label='Sepal Length')
plt.hist(df['sepal width (cm)'], bins=20, alpha=0.7, label='Sepal Width')
plt.xlabel('Measurement (cm)')
plt.ylabel('Frequency')
plt.title('Iris Sepal Measurements')
plt.legend()
plt.show()

• ファイル > 保存をクリック

ステップ7：Streamlit Webアプリを作成

• pythonフォルダにapp.pyという新しいファイルを作成
• 以下の内容を貼り付け：

import streamlit as st
import numpy as np
import matplotlib.pyplot as plt

st.title("オールドフェイスフル間欠泉データ")

# ビン数のスライダー
bins = st.slider("ビンの数:", min_value=5, max_value=50, value=30)

# サンプルデータを生成（オールドフェイスフル噴出時間のシミュレーション）
np.random.seed(42)
data = np.concatenate([
    np.random.normal(2, 0.5, 100),
    np.random.normal(4.5, 0.5, 150)
])

# ヒストグラムを作成
fig, ax = plt.subplots()
ax.hist(data, bins=bins, edgecolor='black')
ax.set_xlabel('噴出時間 (分)')
ax.set_ylabel('頻度')
ax.set_title(f'{bins}ビンのヒストグラム')

st.pyplot(fig)

• ファイル > 保存をクリック

ステップ8：コンテナ内で再度開く

• VS Code左下隅の緑色のアイコンをクリック
• メニューからReopen in Containerを選択
• VS Codeがコンテナをビルドします（初回は5〜10分かかります）
• ビルドステップを示す進行通知が表示されます
• 完了すると、緑色のアイコンにDev Container: Python in Dockerと表示されます

ステップ9：コンテナ環境を理解する

これでLinuxコンテナ内でコーディングしています。これが何を意味するのか探ってみましょう。

• ターミナル > 新しいターミナルをクリックしてコンテナ内のターミナルを開く
• 現在の場所を確認します：

pwd

/workspaces/python-docker-demoと表示されます - これはコンテナ内のプロジェクトフォルダです。

• ファイルを一覧表示：

ls

作成したフォルダが表示されます：.devcontainer/、python/ など。

• 一つ上のディレクトリに移動してみます：

cd ..
ls

python-docker-demo/だけが表示されます - コンテナは隔離されています。コンピュータの他のフォルダ、デスクトップ、ドキュメントにはアクセスできません。この隔離により、Python環境がクリーンで再現可能になります。

• プロジェクトフォルダに戻ります：

cd python-docker-demo

ステップ10：Pythonコードを行ごとに実行

コンテナにはデータサイエンスパッケージ付きのPythonがプリインストールされています。分析スクリプトを実行しましょう。

• VS Codeエクスプローラーでpython/iris_analysis.pyに移動
• クリックしてファイルを開く
• 最初の行を選択：import pandas as pd
• Shift+Enterを押して対話型Pythonターミナルで実行
• 下部にPythonターミナルが開きます
• Shift+Enterで各行またはブロックを1つずつ実行し続ける
• print(df.head())を実行すると、ターミナルに最初の5行が表示されます
• print(df.describe())を実行すると、統計的な要約が表示されます
• ヒストグラムコードを実行すると、可視化を表示するプロットウィンドウが開きます

ステップ11：Streamlitアプリを実行

プロジェクトには対話型ヒストグラムを作成するデモStreamlitアプリが含まれています。

• VS Codeエクスプローラーでpython/app.pyに移動
• クリックしてファイルを開く
• 新しいターミナルを開きます（ターミナル > 新しいターミナル）
• アプリを実行します：

cd python
streamlit run app.py

• アプリが起動し、URL: http://localhost:8501が表示されます
• 通知が表示されます：Open in Browser
• Open in Browserをクリック
• StreamlitアプリがWebブラウザで開きます
• スライダーを動かしてヒストグラムのビン数を変更 - チャートがリアルタイムで更新されます

ステップ12：簡単な変更を加える

アプリを変更して開発がどのように機能するか見てみましょう。

• アプリを実行したまま
• VS Codeでpython/app.pyを編集
• st.title("オールドフェイスフル間欠泉データ")の行を見つけます
• 以下に変更：

st.title("私の初めてのPython Dockerアプリ")

• ファイル > 保存をクリック
• ブラウザに戻る
• 右上隅のAlways rerunをクリック
• タイトルがカスタムテキストとして表示されます

ステップ13：Dockerfileを理解する（オプション）

• VS Codeエクスプローラーで.devcontainer/Dockerfileに移動
• クリックしてファイルを開く
• 完全な設定が表示されます

重要な部分：

• FROM python:3.12-slim - Python 3.12公式ベースイメージ（軽量なDebian系）
• RUN apt-get install - Pythonパッケージをビルドするためのシステムライブラリ
• RUN pip install --no-cache-dir ... - Pythonパッケージを永続的にインストール
• RUN curl... && apt-get install -y nodejs - Claude Codeの実行に必要なNode.jsをインストール
• RUN npm install -g @anthropic-ai/claude-code - AIアシスタンス用にClaude Codeをグローバルにインストール
• EXPOSE 8501 - Streamlitアプリ用にポート8501を公開

使用できる他のPythonイメージ：

• python:3.12 - より多くのツールを含む完全なPythonイメージ（サイズが大きい）
• python:3.12-slim - Pythonとpipを含む軽量イメージ（使用中）
• python:3.12-alpine - 最小のAlpine Linuxベースイメージ（最小サイズ）
• jupyter/datascience-notebook - データサイエンスライブラリが事前設定されたJupyter

ベースイメージを変更した後は、コンテナを再ビルドして変更を適用します。

ステップ14：DockerイメージにPythonパッケージをインストール（オプション）

ターミナルでpipを使ってインストールしたパッケージ（pip install package）は一時的で、コンテナを再ビルドすると消えます。パッケージを永続的にするには、Dockerfileに追加します。

• VS Codeエクスプローラーで.devcontainer/Dockerfileに移動
• クリックしてファイルを開く
• 9行目を見つけます：RUN pip install --no-cache-dir ...
• リストにscikit-learnを追加します：

RUN pip install --no-cache-dir \
    pandas matplotlib seaborn streamlit jupyter scikit-learn

• ファイル > 保存をクリック
• 左下隅の緑色のアイコンをクリック
• メニューからRebuild Containerを選択
• VS Codeが新しいパッケージでコンテナを再ビルドします（2〜5分かかります）
• 確認するには、Pythonターミナルを開いて入力します：

import sklearn
print(sklearn.__version__)

エラーなくバージョンが表示されれば、パッケージは永続的にインストールされています。

次のステップ

• 新しいPythonスクリプトを作成 - python/フォルダに新しい.pyファイルを作成し、組み込みデータセットを使用するか、独自のCSVファイルを読み込んでデータ分析コードを書く
• Pythonパッケージをインストール - Dockerfile（9行目）を編集してコンテナを再ビルドして、必要なパッケージを追加
• データサイエンスを探索 - pandasでデータ操作、matplotlibやseabornで可視化を試す
• Webアプリを構築 - StreamlitやFlaskで対話型ダッシュボードを作成

トラブルシューティング

• Docker Desktopが実行されていない - Docker Desktopを開き、コンテナを再度開く前に緑色のステータスインジケーターを待つ
• コンテナビルドが失敗 - インターネット接続を確認。最初のビルドはイメージとパッケージをダウンロードします。Rebuild Containerをクリックして再試行
• ポート8501がすでに使用中 - そのポートを使用している他のアプリを停止するか、Dockerfileとdevcontainer.jsonでポートを変更

ワークフロー概要

このセットアップにより、プロフェッショナルなPython開発環境が得られます：

• VS Codeがシンタックスハイライト、IntelliSense、デバッグ機能を持つコードエディターを提供
• DockerコンテナがPythonとすべての依存関係を持つ隔離されたLinux環境を実行
• Python公式イメージ（python:3.12-slim）がPython、pip、必須ツールを含む
• Dev Container設定（.devcontainer/）がPythonデバッグと言語サポート用のVS Code拡張機能を自動的にインストール
• ポートフォワーディングによりコンテナ内で実行されているWebアプリ（Streamlit、Flask）にブラウザからアクセス可能

日常のワークフロー

すべてがセットアップされたら、日常のルーティンは以下の通りです：

1. Docker Desktopを起動 - アプリを開いて緑色のステータスインジケーターを待つ（Dockerが実行されている必要があります）
2. VS Codeを開く - VS Codeを起動してプロジェクトフォルダを開く
3. コンテナで再度開く - まだコンテナ内でない場合、緑色のアイコン（左下）をクリックしてReopen in Containerを選択
4. コードを書いて実行 - .pyファイルを編集し、Shift+Enterで行ごとに実行、またはstreamlit run app.pyでアプリを実行
5. 作業を保存 - コードファイル（.py、.ipynb）はコンピュータに保存され、セッション間で永続
6. コミットしてプッシュ - GitHub Desktopを使用して変更をコミットし、リポジトリにプッシュ

Steven Geが2025年12月7日に作成。