レッスン13: クラスの基礎｜class・__init__・self・インスタンス

1. クラスとは何か

クラスは「データ（属性）」と「処理（メソッド）」をひとまとめにした設計図です。患者情報を例にすると、「名前・年齢・体重・身長」がデータ、「BMIを計算する」「情報を表示する」が処理です。

いつクラスを使うのか：「同じ種類のもの（患者・検査結果・モデルなど）を複数扱い、それぞれが独自のデータと処理を持つ」場合に使います。関数が「1つの処理をまとめる」のに対し、クラスはデータと複数の処理をセットで管理するための仕組みです。

class クラス名: で定義し、クラス名() で「インスタンス（実体）」を作ります。

sample_1.py

Ctrl+Enter

出力

💡 クラス・インスタンス・インスタンス化のイメージ：

クラス ＝設計図（例：「患者カルテの書式」）
インスタンス ＝設計図から作った実物（例：「田中さんのカルテ1枚」「山田さんのカルテ1枚」）
インスタンス化 ＝設計図から実物を作る操作（Patient("田中太郎", 45) と書くこと）

# Patient クラスは「患者カルテの書式（設計図）」
# p1, p2 はその書式から作られた「別々のカルテ（インスタンス）」
p1 = Patient("田中太郎", 45, 70, 1.75)   # 田中さんのカルテを1枚作成（インスタンス化）
p2 = Patient("山田花子", 62, 58, 1.62)   # 山田さんのカルテを1枚作成

# p1 と p2 は同じ設計図（Patientクラス）から作られているが
# name・age・weight・height はそれぞれ別の値を持つ独立した存在

💡 self とは？

メソッドの第1引数は慣習的に self と名付けます（他の名前でも動きますが、全員 self を使います）。self は「メソッドを呼び出したインスタンス自身」を指します。

# この2行は内部的に同じ意味
p1.show_info()               # ← 通常の書き方（Pythonが self=p1 を自動で渡す）
Patient.show_info(p1)        # ← Pythonが内部でやっていること

# メソッドの中では...
# self.name  →  p1.name（"田中太郎"）
# self.age   →  p1.age（45）

複数のインスタンスが同じメソッドを使うとき、self がないと「どのインスタンスのデータか」を区別できません。self は「私（このインスタンス）のデータ」という意味のラベルです。

💡 __init__(self, name, age) の引数の意味：

Patient("田中太郎", 45) と書いたとき、Pythonは次の流れで動きます：

# ① Patient("田中太郎", 45) を呼び出す
# ② Pythonが自動で __init__(self=p1, name="田中太郎", age=45) を実行
#    ↑ self には「今作ったばかりのインスタンス」が自動で渡される
#    ↑ name, age には呼び出し時に渡した値が入る
# ③ __init__ 内で self.name = "田中太郎" などが保存される

p1 = Patient("田中太郎", 45)
# p1.name → "田中太郎"
# p1.age  → 45

つまり self は「今まさに作っているインスタンス」を指し、__init__ はインスタンスが生まれた瞬間に呼ばれる「初期設定メソッド」です。

2. クラス変数とインスタンス変数

インスタンス変数（self.xxx）はインスタンスごとに異なる値。 クラス変数はクラス全体で共有する値です。カウンタや定数として使います。

sample_2.py

Ctrl+Enter

出力

💡 クラス変数を変更するときは Patient.patient_count += 1 のようにクラス名で操作します。self.patient_count += 1 とすると、そのインスタンスだけのインスタンス変数が作られてしまいます。

3. 複数のメソッドを持つクラス

クラスにメソッドを追加することで、関連する処理をまとめられます。医療データ管理クラスを例に見てみましょう。

sample_3.py

Ctrl+Enter

class VitalSigns:
    """バイタルサインを管理するクラス"""

def __init__(self, patient_name):
        self.patient_name = patient_name
        self.records = []  # 測定記録リスト

def add_record(self, spo2, heart_rate, systolic_bp):
        """測定値を追加"""
        record = {
            "spo2": spo2,
            "heart_rate": heart_rate,
            "systolic_bp": systolic_bp
        }
        self.records.append(record)
        print(f"記録追加: SpO2={spo2}%, HR={heart_rate}, BP={systolic_bp}")

def get_average(self, key):
        """指定した項目の平均を返す"""
        if not self.records:
            return None
        return sum(r[key] for r in self.records) / len(self.records)

def has_alert(self):
        """アラート条件のチェック"""
        for r in self.records:
            if r["spo2"] < 95 or r["heart_rate"] > 120 or r["systolic_bp"] > 140:
                return True
        return False

def summary(self):
        """サマリ表示"""
        print(f"\n--- {self.patient_name} のバイタルサマリ ---")
        print(f"測定回数: {len(self.records)}回")
        print(f"平均SpO2: {self.get_average('spo2'):.1f}%")
        print(f"平均心拍: {self.get_average('heart_rate'):.0f} bpm")
        print(f"要注意: {'あり ⚠️' if self.has_alert() else 'なし ✅'}")

vs = VitalSigns("田中太郎")
vs.add_record(98, 75, 120)
vs.add_record(96, 82, 135)
vs.add_record(93, 110, 150)  # 要注意値
vs.summary()

出力

4. クラスと PyTorch の関係

📌 AI知識がある方向け・スキップ可：PyTorchを使ったことがない方は読まなくても問題ありません。「クラスを学ぶとこんなことに使えるんだ」というイメージとして、学習に余裕があるときに読んでみましょう。

PyTorch でニューラルネットワークを作るときは、nn.Module を継承したクラスを書きます。今学んでいる「クラスの書き方」がそのまま使えます。

sample_4.py

Ctrl+Enter

# PyTorchのニューラルネット定義（PyTorchなしで構造だけ確認）
# 実際は: import torch.nn as nn  →  class MyNet(nn.Module):

class SimpleModel:
    """PyTorchのnn.Moduleと同じ構造を持つ模倣クラス"""

def __init__(self, input_size, hidden_size, output_size):
        # 層の定義（PyTorchではnn.Linear等を使う）
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.layer_count = 2

def forward(self, x):
        # 順伝播（PyTorchでは実際に行列演算する）
        print(f"入力: {x}")
        print(f"入力層({self.input_size}) → 隠れ層({self.hidden_size}) → 出力層({self.output_size})")
        return f"予測値（{self.output_size}クラス分類結果）"

def describe(self):
        print(f"モデル構造: {self.input_size}→{self.hidden_size}→{self.output_size}")
        print(f"層数: {self.layer_count}")

# 胸部X線所見を分類するモデルのイメージ
# 入力: 画像特徴量1024次元, 隠れ層: 256, 出力: 5クラス（正常/肺炎/結節/胸水/気胸）
chest_model = SimpleModel(input_size=1024, hidden_size=256, output_size=5)
chest_model.describe()
result = chest_model.forward([0.2, 0.8, "... (1024次元の特徴量)"])
print(f"\n結果: {result}")

出力

💡 医療AI文脈： PyTorchでは class MyNet(nn.Module): と書きます。__init__ で層を定義し、forward メソッドで順伝播を実装します。今学んでいるクラスの書き方がそのまま活きます。

なお class MyNet(nn.Module): の (nn.Module) は継承という仕組みで、既存のクラスの機能を引き継いで新しいクラスを作れます。継承についてはレッスン14で詳しく学びます。今は「クラスを定義するときに別のクラスを組み合わせられる」というイメージだけ持っておきましょう。

5. 練習問題

問題 1

Patientクラスの作成

Patient クラスを作成してください。属性は name（名前）・age（年齢）・blood_type（血液型）。introduce() メソッドで「○○さん（△歳・□型）」と表示できるようにしてください。

exercise_1.py

出力

ヒントを見る（答え＋解説）

class Patient:
    def __init__(self, name, age, blood_type):
        self.name = name           # ① 受け取った name を self.name として保存
        self.age = age             # ② 受け取った age を self.age として保存
        self.blood_type = blood_type  # ③ 受け取った blood_type を保存

    def introduce(self):
        # self.xxx で保存したインスタンス変数にアクセス
        print(f"{self.name}さん（{self.age}歳・{self.blood_type}型）")

p = Patient("田中太郎", 45, "A")
p.introduce()   # → 田中太郎さん（45歳・A型）

__init__ の役割は「受け取った値を self.xxx に入れて保存すること」です。こうしておけば、introduce などの他のメソッドから self.name などでアクセスできます。

問題 2

BMI計算メソッドの追加

上記の Patient クラスに weight（体重kg）と height（身長m）を追加し、bmi() メソッドでBMI値を返してください。BMI = 体重 ÷ 身長²

exercise_2.py

出力

ヒントを見る（答え＋解説）

class Patient:
    def __init__(self, name, age, weight, height):
        self.name = name
        self.age = age
        self.weight = weight    # ← ここを追加
        self.height = height    # ← ここを追加

    def bmi(self):
        return self.weight / (self.height ** 2)  # BMI計算式

    def bmi_category(self):
        b = self.bmi()   # 同じクラスの別メソッドを self. で呼び出せる
        if b < 18.5:
            return "低体重"
        elif b < 25.0:
            return "普通"
        else:
            return "肥満"

p = Patient("田中太郎", 45, 70, 1.75)
print(f"BMI: {p.bmi():.1f}")         # → BMI: 22.9
print(f"判定: {p.bmi_category()}")   # → 判定: 普通

ポイント：bmi_category() の中で self.bmi() と書くと、同じインスタンスの bmi メソッドを呼び出せます。メソッドがメソッドを呼ぶ形です。

問題 3

クラス変数でカウント

Patient クラスにクラス変数 count = 0 を追加し、インスタンスが作られるたびに1増える仕組みを実装してください。最後に「登録患者数: N名」と表示します。

exercise_3.py

出力

ヒントを見る（答え＋解説）

class Patient:
    count = 0  # クラス変数（全インスタンスで1つだけ存在）

    def __init__(self, name):
        self.name = name
        Patient.count += 1  # ← クラス名で操作することが重要！

p1 = Patient("田中太郎")
p2 = Patient("山田花子")
p3 = Patient("佐藤次郎")

print(f"登録患者数: {Patient.count}名")  # → 登録患者数: 3名

なぜ self.count += 1 ではなく Patient.count += 1 なのか：

self.count += 1 と書くと、「そのインスタンスだけのインスタンス変数 count」が新しく作られてしまいます。クラス変数 Patient.count は変わらないまま。全員で共有してカウントするには Patient.count でクラス変数を直接変更する必要があります。

まとめ

このレッスンのポイント

class クラス名: でクラスを定義し、クラス名(引数) でインスタンスを生成
__init__(self, ...) はインスタンス作成時に自動で呼ばれる初期化メソッド
self.xxx がインスタンス変数（各インスタンスが独自に持つ）
クラス変数はクラス内のインデントレベルで直接定義し、全インスタンスで共有
PyTorchの nn.Module もクラス。__init__ で層を定義し forward で計算する

自由に試してみましょう：

free_practice.py

Ctrl+Enter

出力