Pythonで売上を集計し、その結果を生成AIに渡して、コメント（説明の文章）を書いてもらう。このとき、集計結果をJSON（データを文字で表すための書き方の決まり）にして渡す方法がよく使われます。表の形をそのまま文字にできるので、生成AIが読み違えにくいからです。

JSONは、Pythonの json.dumps() という関数を1回呼べば作れます。ところが、pandasで集計した結果には、そのままではJSONにできない値が混ざります。しかも、そのうちの1つはエラーを出しません。気づかないまま、壊れたJSONを生成AIへ送ってしまいます。

この記事では、コンビニの売上データを使って、日別の売上と前日比（前の日と比べた増減の割合）をJSONにし、どこで壊れるのかを1つずつ確かめます。そのうえで、送る前に止める方法と、OpenAIのAPIへ渡すところまで進みます。

先に、この記事の結論を3つ書いておきます。

• 週の合計は numpy.int64 という型になり、エラーで止まります。 日付を日付型にした場合（Timestamp）も同じです。止まるので、気づけます
• 前日比の初日は NaN になり、エラーなしで不正なJSONができます。 Pythonの json.loads() も読めてしまうので、確かめたつもりでも見逃します
• 表は to_json() でJSONにし、送る直前に allow_nan=False で確かめます。 この2か所で、止まらない壊れ方を止まるようにできます

この記事を読み終えると、次のことができるようになります。

• json.dumps() で、Pythonの辞書をJSONの文字列にできる
• pandasで、日別の売上と前日比を計算できる
• numpy.int64・Timestamp・NaN がJSONで問題になる理由を説明できる
• エラーが出ないまま不正なJSONができる場面に気づける
• to_json() と allow_nan=False で、送る前に止められる
• 作ったJSONを、OpenAI（あわせてGemini・Claude）のAPIへ渡せる

先に、この記事で出てくる用語を整理します

いま全部覚える必要はありません。 本文中でも初出のたびに説明しますので、分からなくなったらここへ戻ってきてください。

使うものと準備

この記事のコードは、JupyterLab（ブラウザの中でPythonを少しずつ実行できる開発環境）で動かす前提で書いています。

JupyterLabでは、ノートブック（拡張子が .ipynb のファイル）を開き、コードをセル（コードを入力して実行する枠）に貼って、Shift + Enter で1つずつ実行します。

　ライブラリを入れる

次のコマンドで、pandas（表の集計に使う）と openai（OpenAIのAPIを呼ぶのに使う）を入れます。pip は、Pythonのライブラリを入れるためのコマンドです。

pip install pandas openai

このコマンドは、ターミナル（WindowsならPowerShell）で実行します。JupyterLabのセルで実行するときは、先頭に % を付けて %pip install pandas openai とします。

JupyterLab自体がまだ入っていない場合は、ターミナルで pip install jupyterlab を実行して入れ、jupyter lab で起動します。ブラウザが開き、JupyterLabの画面が表示されます。

　売上CSVを読む

使うのは、以下の売上CSVです。7日 × 5商品で35行あります。

ファイル名：sample_sales_202607.csv

import json
import pandas as pd

df = pd.read_csv("sample_sales_202607.csv")
print(df.head())

           日付 曜日       商品名 カテゴリ  単価(円)  数量  売上金額(円)
0  2026-07-06  月   おにぎり（鮭）   主食    160  29     4640
1  2026-07-06  月   アイスコーヒー   飲料    180  28     5040
2  2026-07-06  月    サンドイッチ   軽食    380  26     9880
3  2026-07-06  月     幕の内弁当   弁当    620  19    11780
4  2026-07-06  月  緑茶 500ml   飲料    150  36     5400

• import json は、JSONを扱うための道具を読み込みます。Pythonに最初から入っているので、インストールは要りません
• import pandas as pd は、pandasを pd という短い名前で使えるようにします
• pd.read_csv() はCSVファイルを読み込み、表（DataFrame）にします。df.head() は先頭の5行だけを表示します

列は、日付・曜日・商品名・カテゴリ・単価(円)・数量・売上金額(円) の7つです。左端の 0〜4 は、pandasが行に付ける番号です。

この記事で使うJSONの基本

JSONは、データを文字で表すための書き方の決まりです。キーと値の組を { } で囲み、キーや文字列はダブルクォート " で囲みます。値が無いことは null と書きます。

Pythonの辞書をJSONの文字列にするのが json.dumps() です。

例 = {"商品名": "幕の内弁当", "売上金額": 93000}

print(json.dumps(例))
print(json.dumps(例, ensure_ascii=False))

{"\u5546\u54c1\u540d": "\u5e55\u306e\u5185\u5f01\u5f53", "\u58f2\u4e0a\u91d1\u984d": 93000}
{"商品名": "幕の内弁当", "売上金額": 93000}

• 1行目は、何も指定せずに変換した結果です。日本語が \u5546 のような記号の列に置き換わっています（エスケープ）。json.dumps() は、何も指定しないと、半角の英数字と記号以外の文字をこの形にします
• 2行目は ensure_ascii=False を付けた結果です。日本語がそのまま出ます

日本語を含むデータをJSONにするときは、ensure_ascii=False を付けます。 この記事のコードでも、すべて付けています。

見てのとおり、json.dumps() が作るのはただの文字列です。だから、生成AIのAPIに文字列として渡せます。

1列足すと壊れる

ここからが本題です。日別の売上と前日比を、週の合計と一緒に1つのJSONにして、生成AIへ渡すとします。前日比があれば、「金曜に伸びた」のような説明を書いてもらえるからです。この作業の途中で、壊れ方が3つ出てきます。

　日別の売上と前日比を作る

日別 = df.groupby("日付", as_index=False)["売上金額(円)"].sum()
日別["前日比"] = 日別["売上金額(円)"].pct_change().round(3)

print(日別)

           日付  売上金額(円)    前日比
0  2026-07-06    36740    NaN
1  2026-07-07    40310  0.097
2  2026-07-08    38960 -0.033
3  2026-07-09    37220 -0.045
4  2026-07-10    44310  0.190
5  2026-07-11    39990 -0.097
6  2026-07-12    43490  0.088

df.groupby("日付", as_index=False)["売上金額(円)"].sum() は、日付が同じ行をまとめて、売上金額を合計します。as_index=False は、日付を普通の列として残す指定です。35行（7日 × 5商品）が、7日分・7行になりました。

pct_change() は、1つ前の行からの変化率を計算し、round(3) で小数第3位までに丸めています。0.097 は、前日より9.7%増えたという意味です。初日（7月6日）は前の行が無いので、NaN になります。

この表と週の合計を、1つのJSONにまとめます。表をJSONにするには、まず to_dict("records") で、表の1行を1つの辞書にしたリストへ変えます。

　週の合計で止まる：numpy.int64

データ = {
    "週計": 日別["売上金額(円)"].sum(),
    "日別": 日別.to_dict("records"),
}
json.dumps(データ, ensure_ascii=False)

TypeError: Object of type int64 is not JSON serializable

「int64 という型のデータは、JSONにできない（not JSON serializable）」というエラーです。原因は、週の合計を計算した .sum() の結果です。型を表示して確かめます。type() は、値の型を調べる関数です。

print(type(日別.to_dict("records")[0]["売上金額(円)"]))
print(type(日別["売上金額(円)"].sum()))

<class 'int'>
<class 'numpy.int64'>

1行目は、to_dict("records") で作った辞書の中の売上金額です。Pythonの int（整数）になっています。to_dict("records") は、値をPythonの型に変換してくれるからです。

2行目は、同じ列を .sum() で合計した値です。numpy.int64（pandasが内部で使っている、numpyというライブラリの型）のままです。見た目はただの整数ですが、Pythonの int とは別物です。json.dumps() がJSONにできるのは、Pythonの標準の型（dict・list・str・int・float・True/False・None など）だけなので、ここで止まります。

int(日別["売上金額(円)"].sum()) のように int() で囲めば、Pythonの int になって通ります。

エラーで止まってくれるので、これは気づけます。

少しややこしいのは、同じ列でも平均ならエラーにならないことです。

print(json.dumps({"日平均": 日別["売上金額(円)"].mean()}, ensure_ascii=False))
print(isinstance(日別["売上金額(円)"].mean(), float))
print(isinstance(日別["売上金額(円)"].sum(), int))

{"日平均": 40145.71428571428}
True
False

isinstance(値, 型) は、値がその型として扱われるかを True（はい）か False（いいえ）で返す関数です。平均の型 numpy.float64 は、Pythonの float（小数）を元に作られた型なので True になり、そのまま通ります。numpy.int64 は int として扱われないので止まります。合計や件数のように、整数になる集計で止まると覚えておいてください。

　日付を日付型にすると止まる：Timestamp

このCSVの日付は、文字列のまま読み込まれています。時系列を扱うときは、pd.to_datetime() で日付型に変えることがよくあります。

日付型 = pd.to_datetime(日別["日付"])
json.dumps({"初日": 日付型[0]})

TypeError: Object of type Timestamp is not JSON serializable

pd.to_datetime() は、文字列の日付を日付型（Timestamp）に変える関数です。日付型[0] は、その1つ目（7月6日）です。これも json.dumps() はJSONにできず、エラーで止まります。止まるので、気づけます。

　前日比の初日は、エラーなしで NaN になる

週の合計を int() で囲み、日付は文字列のままにして、もう一度JSONにします。

データ = {
    "週計": int(日別["売上金額(円)"].sum()),
    "日別": 日別.to_dict("records"),
}
文字列 = json.dumps(データ, ensure_ascii=False)   # エラーは出ない
print(文字列[:72])

{"週計": 281020, "日別": [{"日付": "2026-07-06", "売上金額(円)": 36740, "前日比": NaN}

エラーは出ませんでした。 長いので、文字列[:72]（先頭の72文字だけを取り出す書き方）で先頭だけ表示していますが、初日の前日比に NaN と書かれています。3つの中で、これがいちばん困る壊れ方です。

　　NaN はJSONでは書けない

JSONの仕様を定めた文書（RFC 8259）は、NaN を数値として認めていません。

Numeric values that cannot be represented in the grammar below (such as Infinity and NaN) are not permitted.
（文法で表せない数値、たとえば Infinity や NaN は許されない）

それでもPythonの json.dumps() が書き出すのは、既定で allow_nan=True になっているからです。Pythonの公式ドキュメントも、「RFCは NaN を認めていないが、このモジュールは既定で、NaN を有効な数値のように読み書きする」と明記しています。

　　json.loads() でも気づけない

送る前に「JSONとして読めるか」を確かめても、この問題は見つかりません。

print(json.loads(文字列)["日別"][0])

{'日付': '2026-07-06', '売上金額(円)': 36740, '前日比': nan}

Pythonの json.loads() は、NaN を含む文字列も読めてしまいます。Pythonで書いて、Pythonで読み直す限り、どこでも止まりません。

　　そのまま生成AIへ送るとどうなるか

OpenAIのAPIも止まりません。APIにとって input はただの文字列で、それがJSONとして正しいかは確かめないからです。

問題は、受け取った側で起きます。

• 生成AIが NaN をどう読むかは、決まっていません。 0なのか、データが無いのか、計算できないのか。こちらの意図は伝わっていません
• JSONを厳密に読む相手では止まります。 たとえばJavaScriptの JSON.parse() はエラーを出します（Node.js や Chrome では Unexpected token 'N'）
• 同じ文字列を、あとで別の場所に使うと止まります。 ログに書いて別のツールで読む、Webの画面（JavaScript）に渡す、生成AIに関数を実行させた結果として返す、といった場面です

エラーが出る壊れ方は、その場で直せます。エラーが出ない壊れ方は、送る前に自分で止めるしかありません。

to_json() で変換し、allow_nan=False で確かめる

直す場所は2つです。表は to_json() でJSONにする。送る直前に allow_nan=False で確かめる。

　表は to_json() でJSONにする

pandasの to_json() は、DataFrameを直接JSONの文字列にします。json.dumps() と違い、numpyの型も NaN も、JSONで書ける形に変換してくれます。

表 = json.loads(日別.to_json(orient="records", force_ascii=False))
print(表[0])

{'日付': '2026-07-06', '売上金額(円)': 36740, '前日比': None}

NaN が None になっています。to_json() が NaN をJSONの null にし、それを json.loads() で読み戻したので、Pythonの None になりました。

to_json() の結果をわざわざ json.loads() で読み戻しているのは、このあと週の合計などと1つにまとめるためです。文字列のままでは、辞書に組み込めません。

　日付は文字列にしてから渡す

日付型の列を to_json() に渡すと、エラーにはなりませんが、別の形で困ります。

print(日付型.to_frame().head(2).to_json(orient="records", force_ascii=False))

[{"日付":1783296000000},{"日付":1783382400000}]

to_frame() は1列だけのデータを表（DataFrame）に変える関数、head(2) は先頭の2行だけを取り出す関数です。

13桁の数字は、1970年1月1日からの経過ミリ秒です。orient="records" のときの既定の形式で、生成AIには日付だと伝わりません。 pandas 3.0 では、この既定の形式が非推奨になり、Pandas4Warning という警告が出ます（pandas 2.2 では警告も出ません）。

日付だけを渡したいなら、strftime() で文字列にしてから渡すのが確実です。date_format="iso" では時刻まで付きます。この記事のCSVは日付が最初から文字列なので、このままで大丈夫です。

　1つにまとめて、allow_nan=False で確かめる

送るデータ = {
    "期間": "2026-07-06〜2026-07-12",
    "週計": int(日別["売上金額(円)"].sum()),
    "日別": 表,
}
送るJSON = json.dumps(送るデータ, ensure_ascii=False, allow_nan=False)
print(送るJSON[:104])

{"期間": "2026-07-06〜2026-07-12", "週計": 281020, "日別": [{"日付": "2026-07-06", "売上金額(円)": 36740, "前日比": null}

ここでも長いので、先頭の104文字だけを表示しています。前日比が null になりました。これがJSONの仕様どおりの形です。

allow_nan=False は、NaN が1つでも残っていたらエラーで止める指定です。to_json() を通さずに作った、先ほどの データ で試すとこうなります。

json.dumps(データ, ensure_ascii=False, allow_nan=False)

ValueError: Out of range float values are not JSON compliant: nan

エラーが出ない壊れ方を、エラーが出る壊れ方に変える。 それが、この引数1つの役目です。送る直前に必ず付けておきます。

エラーの文面の末尾にある : nan は、Python 3.12 以降で付くようになったものです。3.11 以前では付きません。

OpenAIへ渡す

ここからは、作ったJSONを実際に生成AIへ渡します。APIキーが必要です。

　APIを使う前に知っておくこと

• APIの利用は有料です（使った量に応じた従量課金）。 料金は、送った文字と返ってきた文字の量（トークン数）で決まります。単価は OpenAIの料金ページ で確認できます
• ChatGPTの有料プランを契約していても、APIの利用料はその中に含まれません。 APIは別に利用設定をして、別に支払います
• APIキーは、OpenAIの開発者向けサイト（API keys のページ）で作ります。 パスワードと同じ扱いで、人に見せたり、コードに直接書いたりしません

　APIキーとモデルIDを環境変数に入れる

OpenAIのAPIを呼ぶには、APIキー（利用者を確かめるための文字列）と、モデルID（使うモデルの名前）が要ります。どちらもコードには直接書かず、環境変数から読みます。

• APIキーをコードに書くと、ノートブックを人に渡したときにキーも一緒に渡ります。 漏れたキーは、他人に使われて料金が発生するおそれがあります
• モデルIDは、新しいモデルが出ると変わります。 コードに書かず設定に置いておけば、設定だけ差し替えれば済みます。使えるモデルIDは、OpenAIの公式ドキュメントのモデル一覧で確認してください

Windowsなら、PowerShell（Windowsに入っているコマンド入力の画面）で次のように設定し、同じ画面から JupyterLab を起動します。"…" の中は、自分のAPIキーとモデルIDに置き換えてください。

$env:OPENAI_API_KEY = "ここにAPIキーを貼る"
$env:OPENAI_MODEL = "使うモデルのID"
jupyter lab

Anaconda Prompt（Anacondaに付いてくる、コマンドプロンプト形式の画面）を使っている場合は、書き方が変わります。値をダブルクォートで囲まないのがポイントです。囲むと、ダブルクォートまで値の一部になってしまいます。

set OPENAI_API_KEY=ここにAPIキーを貼る
set OPENAI_MODEL=使うモデルのID
jupyter lab

macOS・Linuxのターミナルでは、次のとおりです。

export OPENAI_API_KEY="ここにAPIキーを貼る"
export OPENAI_MODEL="使うモデルのID"
jupyter lab

いずれも、設定したウィンドウの中だけで有効です。別のウィンドウから起動した JupyterLab では読めないので、設定したのと同じウィンドウで jupyter lab を実行してください。すでに JupyterLab を開いている場合は、いったん閉じてから起動し直します。

参考までに、Google Colab を使う場合は、画面左側の鍵のアイコン（シークレット）に OPENAI_API_KEY という名前でキーを登録し、セルで次のように読み込みます。

import os
from google.colab import userdata

os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")
os.environ["OPENAI_MODEL"] = "使うモデルのID"

　ルールとデータを分けて渡す

OpenAIのAPI（Responses API）では、生成AIへの指示を2つの引数に分けて渡せます。

ルールを分けておくと、データだけを差し替えて何度でも呼べます。f文字列で文章にして渡す場合も、JSONで渡す場合も、この分け方は同じです。変わるのは input の中身だけです。

　null の意味をルールに書く

null が表すのは「値が無い」ことだけです。なぜ無いのかまでは伝わりません。 JSONは値を渡せても、単位や意味までは渡せないので、それはルールに書きます。

ルール = """あなたは小売店の売上を説明する担当者です。
- 入力はJSONです。書かれている数値だけを使い、書き換えない
- 前日比は小数で表す。0.097 は前日より9.7%多いという意味
- 前日比が null の日は、前日のデータが無いため比較できない。0とみなさない
- 3文以内で書く"""

ルールの中で押さえておきたいのは、次の2行です。

• 前日比の読み方（0.097 は9.7%増）を書いています。書かなければ、0.097 を「0.097%」と読まれても文句は言えません
• null の扱い（0とみなさない）を書いています。書かなければ、初日をどう説明するかはモデル任せになります

　呼び出す

import os
from openai import OpenAI

client = OpenAI()                      # OPENAI_API_KEY を環境変数から読む
MODEL = os.environ["OPENAI_MODEL"]     # モデルIDも環境変数に置く

response = client.responses.create(
    model=MODEL,
    instructions=ルール,
    input=送るJSON,
)
print(response.output_text)          # 回答の文章
print(response.usage.input_tokens)   # 送った入力のトークン数

OpenAI() は、環境変数 OPENAI_API_KEY からAPIキーを読みます。output_text は回答の文章、usage.input_tokens は送った入力のトークン数（文章を区切った単位の数。料金はこの数で決まります）です。

エスケープでトークンが増えるかを確かめるには、送るJSON を作るときの ensure_ascii=False を外して、もう一度呼んでみてください。input_tokens の差が、エスケープで増えたぶんです。

回答の文面はモデルや実行のたびに変わるので、ここには載せていません。

Claude・Geminiではここが違う

JSONを作る部分と、ルール は3社とも同じです。 変わるのは、最後の呼び出しだけです。

モデルIDは、それぞれ GEMINI_MODEL・CLAUDE_MODEL という名前の環境変数に入れておく前提で書いています。設定のしかたは、OpenAIのときと同じです。

　Gemini の場合

pip install google-genai で入れておきます。

import os
from google import genai
from google.genai import types

client = genai.Client()                # GEMINI_API_KEY を環境変数から読む
response = client.models.generate_content(
    model=os.environ["GEMINI_MODEL"],
    contents=送るJSON,
    config=types.GenerateContentConfig(system_instruction=ルール),
)
print(response.text)

　Claude の場合

pip install anthropic で入れておきます。

import os
from anthropic import Anthropic

client = Anthropic()                   # ANTHROPIC_API_KEY を環境変数から読む
message = client.messages.create(
    model=os.environ["CLAUDE_MODEL"],
    max_tokens=1024,                   # Claudeでは必須
    system=ルール,
    messages=[{"role": "user", "content": 送るJSON}],
)
print("".join(b.text for b in message.content if b.type == "text"))

Claudeでは、出力の上限 max_tokens を必ず指定します。回答は content にブロックのリストとして入っているので、テキストのブロックだけをつなげて取り出します。

まとめ

今回、覚えておいた方がいいことです。

3つの壊れ方のうち、2つはエラーで止まります。止まらない1つを、止まるようにする。 それがこの記事でいちばん大事なところです。