import os

# Colab のセルで一度だけ実行
# !export GEMINI_API_KEY="ここにAPIキーを入力"
# または、Python内で設定
os.environ['GEMINI_API_KEY'] = "ここにあなたのGemini APIキー"
2. Gemini API 呼び出し用ライブラリ（例: requests）
import requests
import json

# APIキー取得
api_key = os.environ['GEMINI_API_KEY']

# APIエンドポイント（例: Gemini Text Generation）
endpoint = "https://api.gemini.google.com/v1/generateText"

# 入力データ
payload = {
 "prompt": "AIとColabの連携の利点について簡潔に説明してください。",
 "maxTokens": 150
}

# HTTPリクエスト
headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
}

response = requests.post(endpoint, headers=headers, json=payload)

if response.status_code == 200:
 result = response.json()
 print(result.get("text", "No text returned"))
else:
 print(f"Error {response.status_code}: {response.text}")

import pandas as pd

df = pd.DataFrame([{"prompt": payload["prompt"], "response": result.get("text", "")}])
df.to_csv("/content/colab_gemini_output.csv", index=False)

import os
import requests
import pandas as pd
import matplotlib.pyplot as plt

# Colabで環境変数として設定済みの場合は取得
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"

prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。"
]

def generate_text(prompt, max_tokens=150):
 payload = {"prompt": prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 return response.json().get("text", "")
 else:
 print(f"Error {response.status_code}: {response.text}")
 return ""

results = []
for prompt in prompts:
 text = generate_text(prompt)
 results.append({"prompt": prompt, "response": text, "length": len(text)})

df = pd.DataFrame(results)
df.to_csv("/content/colab_gemini_batch.csv", index=False)
df

plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()

import os
import requests
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import ENGLISH_STOP_WORDS
from sklearn.preprocessing import LabelEncoder
>2. API キー設定
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText

prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。"
]

def generate_text(prompt, max_tokens=150):
 payload = {"prompt": prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 return response.json().get("text", "")
 else:
 print(f"Error {response.status_code}: {response.text}")
 return ""

results = []

def extract_keywords(text, top_n=5):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords

def classify_text(text):
 # 簡易分類: キーワードによる仮分類
 categories = ["AI", "ML", "Python", "Other"]
 text_lower = text.lower()
 if "ai" in text_lower:
 return "AI"
 elif "machine" in text_lower or "learning" in text_lower:
 return "ML"
 elif "python" in text_lower:
 return "Python"
 else:
 return "Other"

for prompt in prompts:
 generated = generate_text(prompt)
 summary = generated.split(".")[0] # 最初の文を要約として使用
 keywords = extract_keywords(generated)
 category = classify_text(generated)
 results.append({
 "prompt": prompt,
 "response": generated,
 "summary": summary,
 "keywords": ", ".join(keywords),
 "category": category
 })

df = pd.DataFrame(results)
df.to_csv("/content/colab_gemini_advanced.csv", index=False)
df

import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.feature_extraction.text import CountVectorizer

api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
>3. 複数プロンプトの定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。",
 "生成AIを教育に活用する利点と課題について述べてください。",
 "Pythonでテキスト処理する際の便利なライブラリを教えてください。"
]
>4. Gemini API 呼び出し関数
def generate_text(prompt, max_tokens=150):
 payload = {"prompt": prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 return response.json().get("text", "")
 else:
 print(f"Error {response.status_code}: {response.text}")
 return ""
>5. 要約・キーワード抽出・分類関数
def extract_keywords(text, top_n=5):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords

def classify_text(text):
 text_lower = text.lower()
 if "ai" in text_lower:
 return "AI"
 elif "machine" in text_lower or "learning" in text_lower:
 return "ML"
 elif "python" in text_lower:
 return "Python"
 else:
 return "Other"
>6. 複数プロンプトを処理して DataFrame に格納
results = []

for prompt in prompts:
 generated = generate_text(prompt)
 summary = generated.split(".")[0] # 最初の文を要約
 keywords = extract_keywords(generated)
 category = classify_text(generated)
 results.append({
 "prompt": prompt,
 "response": generated,
 "summary": summary,
 "keywords": ", ".join(keywords),
 "category": category,
 "length": len(generated)
 })

df = pd.DataFrame(results)
df.to_csv("/content/colab_gemini_full.csv", index=False)
df
>7. 可視化例
(a) プロンプトごとの生成文字数
plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()
(b) カテゴリ分布
category_counts = df["category"].value_counts()
plt.figure(figsize=(6,4))
category_counts.plot(kind="bar", color="salmon")
plt.xlabel("カテゴリ")
plt.ylabel("件数")
plt.title("生成結果のカテゴリ分布")
plt.tight_layout()
plt.show()
(c) キーワード頻度（上位5個まで抽出して集計）
all_keywords = [kw for sublist in df["keywords"].str.split(", ") for kw in sublist]
keyword_series = pd.Series(all_keywords).value_counts().head(10)

plt.figure(figsize=(8,5))
keyword_series.plot(kind="barh", color="lightgreen")
plt.xlabel("出現回数")
plt.ylabel("キーワード")
plt.title("上位キーワードの出現頻度")
plt.tight_layout()
plt.show()
✅ このノートブックでできること：
複数プロンプトの Gemini 生成
簡易要約の自動抽出
キーワード抽出
カテゴリ分類
生成文字数・カテゴリ分布・キーワード頻度の可視化
CSV出力で結果保存
必要であれば、次のステップとして Gemini API に要約や分類も任せてより自然な結果を得る拡張版 も作れます。
作りますか？

はい。

ChatGPT:
>では、Colab 上で Gemini API に要約・分類まで任せて自然な結果を得る拡張版 を作ります。
ここでは、生成 → 要約 → 分類まで すべて Gemini に依頼 するワークフローです。
1. ライブラリインポート
import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
2. API キーとエンドポイント設定
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
3. 複数プロンプトの定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。",
 "生成AIを教育に活用する利点と課題について述べてください。",
 "Pythonでテキスト処理する際の便利なライブラリを教えてください。"
]
4. Gemini API 呼び出し関数（要約・分類を指示）
def generate_summary_and_classification(prompt, max_tokens=200):
 # Gemini に生成 + 要約 + カテゴリ分類を依頼
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
5. 複数プロンプト処理
results = []

for prompt in prompts:
 result = generate_summary_and_classification(prompt)
 results.append({
 "prompt": prompt,
 "response": result.get("response", ""),
 "summary": result.get("summary", ""),
 "category": result.get("category", ""),
 "length": len(result.get("response", ""))
 })

df = pd.DataFrame(results)
df.to_csv("/content/colab_gemini_summary_classification.csv", index=False)
df
6. 可視化例
(a) 生成文字数
plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()
(b) カテゴリ分布
category_counts = df["category"].value_counts()
plt.figure(figsize=(6,4))
category_counts.plot(kind="bar", color="salmon")
plt.xlabel("カテゴリ")
plt.ylabel("件数")
plt.title("生成結果のカテゴリ分布")
plt.tight_layout()
plt.show()
✅ この拡張版のポイント：
Gemini に生成・要約・分類を一括で依頼
JSON 形式で結果を受け取り、Colab で分析・可視化
生成内容・要約・カテゴリ・文字数の全体を CSV に保存
もし希望であれば、さらに 生成結果を自動でキーワード抽出してクラウドワードクラウド化 まで組み込む完全版も作れます。
作りますか？

はい。

ChatGPT:
>では、Colab 上で Gemini 生成結果を自動でキーワード抽出してワードクラウド化する完全版 を作ります。
これで生成 → 要約・分類 → キーワード抽出 → 可視化までワンストップです。
1. 必要ライブラリのインストール・インポート
# ワードクラウド用ライブラリ
!pip install wordcloud

import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.feature_extraction.text import CountVectorizer
2. API キーとエンドポイント
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
3. プロンプトの定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。",
 "生成AIを教育に活用する利点と課題について述べてください。",
 "Pythonでテキスト処理する際の便利なライブラリを教えてください。"
]
4. Gemini API 呼び出し関数（要約・分類指示付き）
def generate_summary_and_classification(prompt, max_tokens=200):
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
5. 複数プロンプト処理・キーワード抽出
results = []

def extract_keywords(text, top_n=10):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords

all_text_for_wordcloud = ""

for prompt in prompts:
 result = generate_summary_and_classification(prompt)
 response_text = result.get("response", "")
 summary = result.get("summary", "")
 category = result.get("category", "")
 keywords = extract_keywords(response_text)
 
 all_text_for_wordcloud += "" + "".join(keywords)
 
 results.append({
 "prompt": prompt,
 "response": response_text,
 "summary": summary,
 "category": category,
 "keywords": ", ".join(keywords),
 "length": len(response_text)
 })

df = pd.DataFrame(results)
df.to_csv("/content/colab_gemini_wordcloud.csv", index=False)
df
6. 可視化
(a) 生成文字数
plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()
(b) カテゴリ分布
category_counts = df["category"].value_counts()
plt.figure(figsize=(6,4))
category_counts.plot(kind="bar", color="salmon")
plt.xlabel("カテゴリ")
plt.ylabel("件数")
plt.title("生成結果のカテゴリ分布")
plt.tight_layout()
plt.show()
(c) キーワードワードクラウド
wordcloud = WordCloud(width=800, height=400, background_color="white").generate(all_text_for_wordcloud)

plt.figure(figsize=(12,6))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.title("生成結果のキーワードワードクラウド")
plt.show()
✅ この完全版ノートブックでできること：
複数プロンプトの Gemini 生成
要約・カテゴリ分類
キーワード抽出
生成文字数・カテゴリ分布・ワードクラウドの可視化
CSV で結果保存
必要であれば、このワークフローを 自動的に Google Drive に保存して共有 する完全自動化版にも拡張可能です。作りますか？

はい。

ChatGPT:
>では、Colab 上で Gemini 生成 → 要約・分類 → キーワード抽出 → 可視化 → Google Drive 自動保存 までをワンストップで行う完全自動化版を作ります。
1. Google Drive マウント
from google.colab import drive
drive.mount('/content/drive')
初回は認証コードの入力が必要です。これで /content/drive/MyDrive/ 以下にファイルを保存可能になります。
2. ライブラリのインポート
!pip install wordcloud

import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.feature_extraction.text import CountVectorizer
3. API キーと Gemini エンドポイント設定
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
4. 複数プロンプト定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。",
 "生成AIを教育に活用する利点と課題について述べてください。",
 "Pythonでテキスト処理する際の便利なライブラリを教えてください。"
]
5. Gemini API 呼び出し関数（要約・分類）
def generate_summary_and_classification(prompt, max_tokens=200):
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
6. 複数プロンプト処理・キーワード抽出・Drive 保存
results = []

def extract_keywords(text, top_n=10):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords

all_text_for_wordcloud = ""

for prompt in prompts:
 result = generate_summary_and_classification(prompt)
 response_text = result.get("response", "")
 summary = result.get("summary", "")
 category = result.get("category", "")
 keywords = extract_keywords(response_text)
 
 all_text_for_wordcloud += "" + "".join(keywords)
 
 results.append({
 "prompt": prompt,
 "response": response_text,
 "summary": summary,
 "category": category,
 "keywords": ", ".join(keywords),
 "length": len(response_text)
 })

df = pd.DataFrame(results)

# Google Drive に保存
drive_path = "/content/drive/MyDrive/colab_gemini_complete.csv"
df.to_csv(drive_path, index=False)
print(f"CSV 保存完了: {drive_path}")
7. 可視化
(a) 生成文字数
plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()
(b) カテゴリ分布
category_counts = df["category"].value_counts()
plt.figure(figsize=(6,4))
category_counts.plot(kind="bar", color="salmon")
plt.xlabel("カテゴリ")
plt.ylabel("件数")
plt.title("生成結果のカテゴリ分布")
plt.tight_layout()
plt.show()
(c) キーワードワードクラウド
wordcloud = WordCloud(width=800, height=400, background_color="white").generate(all_text_for_wordcloud)

plt.figure(figsize=(12,6))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.title("生成結果のキーワードワードクラウド")
plt.show()
✅ 完全自動化版の特徴：
複数プロンプト生成 → 要約・分類
キーワード抽出 → ワードクラウド化
生成文字数・カテゴリ分布の可視化
結果を Google Drive に自動保存
Colab 上でワンストップ完結
希望であれば、さらに 定期的に Gemini API を自動で実行して Drive に追記更新するスケジュール化版 も作れます。
作りますか？

はい。

ChatGPT:
>では、Colab 上で Gemini API の自動定期実行 → 生成結果の更新・保存 → 可視化も自動更新 まで行うスケジュール化版を作ります。
ここでは Colab 内で簡易的に 時間間隔でループ実行 して Google Drive に追記する方法を示します。
1. ライブラリ準備
!pip install wordcloud
import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.feature_extraction.text import CountVectorizer
import time
2. API キーとエンドポイント
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
3. 複数プロンプト定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。"
]
4. Gemini API 呼び出し関数（要約・分類）
def generate_summary_and_classification(prompt, max_tokens=200):
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {
 "Authorization": f"Bearer {api_key}",
 "Content-Type": "application/json"
 }
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
5. キーワード抽出関数
def extract_keywords(text, top_n=10):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords
6. Google Drive 保存先
drive_path = "/content/drive/MyDrive/colab_gemini_schedule.csv"
7. 自動定期実行ループ（例: 30分間隔で3回実行）
num_iterations = 3 # 実行回数
interval_minutes = 30 # 実行間隔（分）

for i in range(num_iterations):
 print(f"\n=== Iteration {i+1} ===")
 results = []
 all_text_for_wordcloud = ""
 
 for prompt in prompts:
 result = generate_summary_and_classification(prompt)
 response_text = result.get("response", "")
 summary = result.get("summary", "")
 category = result.get("category", "")
 keywords = extract_keywords(response_text)
 
 all_text_for_wordcloud += "" + "".join(keywords)
 
 results.append({
 "prompt": prompt,
 "response": response_text,
 "summary": summary,
 "category": category,
 "keywords": ", ".join(keywords),
 "length": len(response_text)
 })
 
 df = pd.DataFrame(results)
 
 # Drive に追記保存（既存ファイルがあれば追記）
 if os.path.exists(drive_path):
 df.to_csv(drive_path, mode='a', index=False, header=False)
 else:
 df.to_csv(drive_path, index=False)
 
 print(f"Iteration {i+1} 保存完了: {drive_path}")
 
 # 可視化
 plt.figure(figsize=(8,5))
 plt.barh(df["prompt"], df["length"], color="skyblue")
 plt.xlabel("生成文字数")
 plt.ylabel("プロンプト")
 plt.title(f"Iteration {i+1} プロンプトごとの生成文字数")
 plt.tight_layout()
 plt.show()
 
 wordcloud = WordCloud(width=800, height=400, background_color="white").generate(all_text_for_wordcloud)
 plt.figure(figsize=(12,6))
 plt.imshow(wordcloud, interpolation="bilinear")
 plt.axis("off")
 plt.title(f"Iteration {i+1} ワードクラウド")
 plt.show()
 
 if i < num_iterations - 1:
 print(f"{interval_minutes}分待機中...")
 time.sleep(interval_minutes * 60)
✅ 特徴
指定回数・間隔で Gemini API を自動実行
生成結果・要約・分類・キーワードを CSV に追記保存
生成文字数・ワードクラウドを毎回可視化
Google Drive に自動保存で共有可能
必要であれば、さらに Slack / Discord などに自動通知 する仕組みも追加して、
生成結果をチームにリアルタイム配信する自動化フローにすることも可能です。
作りますか？

はい。

ChatGPT:
>では、Colab 上で Gemini 生成結果を Slack または Discord に自動通知 する仕組みを追加した完全自動化版を作ります。
ここでは、生成 → 要約・分類 → キーワード抽出 → 可視化 → Google Drive 保存 → Slack/Discord 通知までワンストップで行います。
1. ライブラリ準備
!pip install wordcloud requests
import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.feature_extraction.text import CountVectorizer
import time
2. API キー・エンドポイント・Drive パス設定
api_key = os.environ.get("GEMINI_API_KEY", "ここにAPIキーを入力")
endpoint = "https://api.gemini.google.com/v1/generateText"
drive_path = "/content/drive/MyDrive/colab_gemini_slack.csv"
3. Slack / Discord Webhook URL 設定
# Slack Webhook URL
slack_webhook_url = "https://hooks.slack.com/services/XXXXX/XXXXX/XXXXX"

# Discord Webhook URL
discord_webhook_url = "https://discord.com/api/webhooks/XXXXX/XXXXX"
4. プロンプト定義
prompts = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。"
]
5. Gemini API 呼び出し関数
def generate_summary_and_classification(prompt, max_tokens=200):
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"}
 response = requests.post(endpoint, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
6. キーワード抽出関数
def extract_keywords(text, top_n=10):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 keywords = [words[i] for i in word_counts.argsort()[::-1][:top_n]]
 return keywords
7. Slack / Discord 通知関数
def send_slack_message(message):
 payload = {"text": message}
 requests.post(slack_webhook_url, json=payload)

def send_discord_message(message):
 payload = {"content": message}
 requests.post(discord_webhook_url, json=payload)
8. 自動定期実行ループ（例: 2回、30分間隔）
num_iterations = 2
interval_minutes = 30

for i in range(num_iterations):
 print(f"\n=== Iteration {i+1} ===")
 results = []
 all_text_for_wordcloud = ""
 
 for prompt in prompts:
 result = generate_summary_and_classification(prompt)
 response_text = result.get("response", "")
 summary = result.get("summary", "")
 category = result.get("category", "")
 keywords = extract_keywords(response_text)
 all_text_for_wordcloud += "" + "".join(keywords)
 
 results.append({
 "prompt": prompt,
 "response": response_text,
 "summary": summary,
 "category": category,
 "keywords": ", ".join(keywords),
 "length": len(response_text)
 })
 
 df = pd.DataFrame(results)
 
 # Drive に保存・追記
 if os.path.exists(drive_path):
 df.to_csv(drive_path, mode='a', index=False, header=False)
 else:
 df.to_csv(drive_path, index=False)
 
 # Slack / Discord 通知
 for r in results:
 message = f"Iteration {i+1} - Prompt: {r['prompt']}\nSummary: {r['summary']}\nCategory: {r['category']}\nKeywords: {r['keywords']}\n"
 send_slack_message(message)
 send_discord_message(message)
 
 print(f"Iteration {i+1} 保存・通知完了: {drive_path}")
 
 # 可視化
 plt.figure(figsize=(8,5))
 plt.barh(df["prompt"], df["length"], color="skyblue")
 plt.xlabel("生成文字数")
 plt.ylabel("プロンプト")
 plt.title(f"Iteration {i+1} プロンプトごとの生成文字数")
 plt.tight_layout()
 plt.show()
 
 wordcloud = WordCloud(width=800, height=400, background_color="white").generate(all_text_for_wordcloud)
 plt.figure(figsize=(12,6))
 plt.imshow(wordcloud, interpolation="bilinear")
 plt.axis("off")
 plt.title(f"Iteration {i+1} ワードクラウド")
 plt.show()
 
 if i < num_iterations - 1:
 print(f"{interval_minutes}分待機中...")
 time.sleep(interval_minutes * 60)
✅ この完全自動化版の特徴
Gemini 生成 → 要約・分類 → キーワード抽出
生成文字数・ワードクラウドの可視化
Google Drive に自動保存
Slack / Discord に自動通知
定期実行（指定回数・間隔）で自動更新
💡 拡張例：
Webhook での通知に 生成結果の画像（ワードクラウド）添付
実行間隔やプロンプトリストを Google Sheets で管理し、動的に取得
結果を Notion にも自動同期
必要であれば、ワードクラウド画像を Slack / Discord に添付する通知版 も作れます。
作りますか？

全体の管理はGithubで行いたく、Github連携のスクリプトをご紹介ください。

ChatGPT:
>わかりました。では、Colab + Gemini 自動生成ワークフローを GitHub で管理・自動更新できる仕組み のサンプルスクリプトを示します。
ここでは以下を実現します：
Colab / Python スクリプトを GitHub リポジトリで管理
生成結果 CSV を GitHub に自動コミット・プッシュ
GitHub Actions で定期実行も可能
1. GitHub リポジトリに接続する準備
a. Personal Access Token（PAT）の作成
GitHub > Settings > Developer settings > Personal access tokens
repo 権限付きトークンを作成
Colab で使用する
b. Colab に GitHub 情報を設定
import os

# GitHub リポジトリ情報
GITHUB_USERNAME = "あなたのGitHubユーザー名"
GITHUB_REPO = "リポジトリ名"
GITHUB_BRANCH = "main"

# Personal Access Token
GITHUB_TOKEN = os.environ.get("GITHUB_TOKEN", "ここにPATを入力")
2. CSV を GitHub に自動コミット・プッシュする関数
from git import Repo
import shutil

def push_to_github(local_file_path, repo_path="/content/temp_repo"):
 """
 local_file_path: Colab 上の保存ファイル
 repo_path: 一時クローン先
 """
 repo_url = f"https://{GITHUB_USERNAME}:{GITHUB_TOKEN}@github.com/{GITHUB_USERNAME}/{GITHUB_REPO}.git"
 
 # 一時ディレクトリにクローン
 if os.path.exists(repo_path):
 shutil.rmtree(repo_path)
 Repo.clone_from(repo_url, repo_path, branch=GITHUB_BRANCH)
 
 # ファイルをコピー
 shutil.copy(local_file_path, repo_path)
 
 # Git 操作
 repo = Repo(repo_path)
 repo.git.add(".")
 repo.git.commit("-m", "Update generated CSV from Colab")
 repo.git.push("origin", GITHUB_BRANCH)
 
 print("GitHub にプッシュ完了")
3. CSV 保存 + GitHub プッシュの例
local_csv_path = "/content/colab_gemini_github.csv"

# ここまでの Gemini 自動生成フローで df が作成済みと仮定
df.to_csv(local_csv_path, index=False)

# GitHub にプッシュ
push_to_github(local_csv_path)
4. GitHub Actions で定期実行する方法
リポジトリに .github/workflows/run_colab.yml を作成
内容例：
name: Run Gemini Workflow

on:
 schedule:
 - cron: '0 */6 * * *' # 6時間ごとに実行
 workflow_dispatch: # 手動実行も可能

jobs:
 run_colab:
 runs-on: ubuntu-latest
 steps:
 - uses: actions/checkout@v3
 - name: Set up Python
 uses: actions/setup-python@v4
 with:
 python-version: "3.11"
 - name: Install dependencies
 run: pip install pandas requests matplotlib wordcloud scikit-learn
 - name: Run script
 run: python path/to/your_script.py
 - name: Commit & push results
 run: |
 git config --global user.name "github-actions"
 git config --global user.email "actions@github.com"
 git add colab_gemini_github.csv
 git commit -m "Auto update from GitHub Actions" || echo "No changes to commit"
 git push
 env:
 GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
✅ 特徴
Colab / Python スクリプトを GitHub 管理
生成結果 CSV を自動プッシュ
GitHub Actions で定期実行も可能
Slack / Discord 連携を追加したまま GitHub 管理可能
💡 拡張案：
GitHub Actions で直接 Gemini API を叩いて Colab を使わず完全自動化
CSV の他に ワードクラウド画像を GitHub にアップロード
Slack / Discord 通知も GitHub Actions 内で行う
希望であれば、Colab ワークフロー + Slack/Discord 通知 + GitHub 自動管理を統合した完全スクリプト例 を作れます。作りますか？
Network connection lost. Attempting to reconnect…

はい。

ChatGPT:
>では、Colab ワークフロー + Gemini 生成 → 要約・分類 → キーワード抽出 → 可視化 → Google Drive 保存 → Slack/Discord 通知 → GitHub 自動管理 を統合した完全スクリプト例を作ります。
1. ライブラリ準備
!pip install wordcloud gitpython requests
import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.feature_extraction.text import CountVectorizer
from git import Repo
import shutil
import time
2. 環境変数 / 設定
# Gemini API
GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY", "ここにAPIキー")
GEMINI_ENDPOINT = "https://api.gemini.google.com/v1/generateText"

# Google Drive 保存先
DRIVE_PATH = "/content/drive/MyDrive/colab_gemini_complete.csv"

# Slack / Discord Webhook
SLACK_WEBHOOK = "https://hooks.slack.com/services/XXXXX/XXXXX/XXXXX"
DISCORD_WEBHOOK = "https://discord.com/api/webhooks/XXXXX/XXXXX"

# GitHub リポジトリ設定
GITHUB_USERNAME = "あなたのGitHubユーザー名"
GITHUB_REPO = "リポジトリ名"
GITHUB_BRANCH = "main"
GITHUB_TOKEN = os.environ.get("GITHUB_TOKEN", "ここにPAT")
3. プロンプト定義
PROMPTS = [
 "AIとColabの連携の利点について簡潔に説明してください。",
 "機械学習の学習を効率化する方法を3つ挙げてください。",
 "Pythonでデータ可視化をする際のポイントを教えてください。"
]
4. Gemini API 呼び出し関数
def generate_summary_and_classification(prompt, max_tokens=200):
 full_prompt = (
 f"以下の質問に対して文章を生成し、簡単な要約とカテゴリ分類も出力してください。\n"
 f"質問: {prompt}\n"
 f"出力形式: JSON で summary, category, response を返してください。"
 )
 payload = {"prompt": full_prompt, "maxTokens": max_tokens}
 headers = {"Authorization": f"Bearer {GEMINI_API_KEY}", "Content-Type": "application/json"}
 response = requests.post(GEMINI_ENDPOINT, headers=headers, json=payload)
 if response.status_code == 200:
 try:
 return response.json()
 except:
 return {"summary": "", "category": "Other", "response": response.text}
 else:
 print(f"Error {response.status_code}: {response.text}")
 return {"summary": "", "category": "Other", "response": ""}
5. キーワード抽出関数
def extract_keywords(text, top_n=10):
 vectorizer = CountVectorizer(stop_words="english")
 X = vectorizer.fit_transform([text])
 word_counts = X.toarray().sum(axis=0)
 words = vectorizer.get_feature_names_out()
 return [words[i] for i in word_counts.argsort()[::-1][:top_n]]
6. Slack / Discord 通知関数
def send_slack_message(message):
 requests.post(SLACK_WEBHOOK, json={"text": message})

def send_discord_message(message):
 requests.post(DISCORD_WEBHOOK, json={"content": message})
7. GitHub 自動プッシュ関数
def push_to_github(local_file_path, repo_path="/content/temp_repo"):
 repo_url = f"https://{GITHUB_USERNAME}:{GITHUB_TOKEN}@github.com/{GITHUB_USERNAME}/{GITHUB_REPO}.git"
 if os.path.exists(repo_path):
 shutil.rmtree(repo_path)
 Repo.clone_from(repo_url, repo_path, branch=GITHUB_BRANCH)
 shutil.copy(local_file_path, repo_path)
 repo = Repo(repo_path)
 repo.git.add(".")
 repo.git.commit("-m", "Update generated CSV from Colab workflow")
 repo.git.push("origin", GITHUB_BRANCH)
 print("GitHub にプッシュ完了")
8. メイン処理（生成 → 要約 → キーワード → 保存 → 通知 → GitHub）
results = []
all_text_for_wordcloud = ""

for prompt in PROMPTS:
 res = generate_summary_and_classification(prompt)
 response_text = res.get("response", "")
 summary = res.get("summary", "")
 category = res.get("category", "")
 keywords = extract_keywords(response_text)
 all_text_for_wordcloud += "" + "".join(keywords)
 
 results.append({
 "prompt": prompt,
 "response": response_text,
 "summary": summary,
 "category": category,
 "keywords": ", ".join(keywords),
 "length": len(response_text)
 })
 
 # Slack / Discord に通知
 msg = f"Prompt: {prompt}\nSummary: {summary}\nCategory: {category}\nKeywords: {', '.join(keywords)}"
 send_slack_message(msg)
 send_discord_message(msg)

# DataFrame 作成 & Drive 保存
df = pd.DataFrame(results)
df.to_csv(DRIVE_PATH, index=False)
print(f"Google Drive に保存完了: {DRIVE_PATH}")

# GitHub にプッシュ
push_to_github(DRIVE_PATH)

# 可視化
plt.figure(figsize=(8,5))
plt.barh(df["prompt"], df["length"], color="skyblue")
plt.xlabel("生成文字数")
plt.ylabel("プロンプト")
plt.title("プロンプトごとの生成文字数")
plt.tight_layout()
plt.show()

wordcloud = WordCloud(width=800, height=400, background_color="white").generate(all_text_for_wordcloud)
plt.figure(figsize=(12,6))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.title("ワードクラウド")
plt.show()
✅ このスクリプトでできること
Gemini 生成 → 要約・分類 → キーワード抽出
生成結果を Google Drive に保存
Slack / Discord に自動通知
GitHub に自動プッシュでバージョン管理
生成文字数・ワードクラウドの可視化
💡 拡張案：
GitHub Actions でこのスクリプトを定期実行（Colab を使わず完全自動化）
ワードクラウド画像も Slack / Discord に添付通知
プロンプトリストを GitHub 管理し、動的に取得
必要であれば、GitHub Actions での定期実行 + Slack/Discord 添付画像通知版 も作れます。作りますか？
ChatGPT の回答は必ずしも正しいとは限りません。重要な情報は確認するようにしてください。