Cursor AI を Jupyter Notebook で使用する方法 (2026年版)

Cursor AI を Jupyter Notebook で使用する方法 (2026年版)

Cursor AI は、現在利用可能な AI 搭載コードエディタの中で最も優れたものの1つですが、Jupyter Notebook への対応は一見しただけでは分かりにくいかもしれません。データサイエンティスト、ML エンジニア、あるいは普段 Notebook を活用しているアナリストの方に向けて、.ipynb ファイルで Cursor の AI 機能を最大限に活用する方法を解説します。

セットアップ、AI 支援による Notebook 開発の最適なワークフロー、そして従来の Jupyter 環境よりも Cursor を格段に高速化させる実用的なヒントを紹介します。

Cursor は Jupyter Notebook をサポートしていますか？

はい。Cursor は VS Code をベースに構築されており、VS Code のネイティブな Jupyter Notebook サポートを継承しています。Cursor で .ipynb ファイルを開くと、インタラクティブなセル、インライン出力、プロット、Markdown セルなど、完全な Notebook 体験に加えて、Cursor のすべての AI 機能を利用できます。

機能	Cursor + Jupyter	JupyterLab	VS Code + Jupyter
インタラクティブ・セル	対応	対応	対応
インライン・プロット	対応	対応	対応
AI コード生成	対応 (Claude/GPT)	非対応	限定的 (Copilot)
コンテキスト付き AI チャット	対応	非対応	限定的
Agent モード	対応	非対応	非対応
変数インスペクタ	対応	対応	対応
カーネル管理	対応	対応	対応
拡張機能	VS Code エコシステム	JupyterLab 拡張	VS Code エコシステム

JupyterLab に対する Cursor の最大の利点は、コード生成や質問への回答時に、AI が Notebook 全体のコンテキスト（すべてのセル、出力、インポートされたライブラリ）を理解している点にあります。

ステップ 1: Jupyter 用に Cursor をセットアップする

事前準備のインストール

Python と Jupyter がインストールされていることを確認してください。

# Python のインストール (未インストールの場合)
# macOS
brew install python@3.12

# Jupyter と一般的なデータサイエンス・ライブラリのインストール
pip install jupyter ipykernel pandas numpy matplotlib seaborn scikit-learn

Jupyter 拡張機能のインストール

Cursor は VS Code の拡張機能エコシステムを引き継いでいます。Jupyter 拡張機能は通常プリインストールされていますが、以下の手順で確認します。

1. Cursor を開きます。
2. Extensions (Cmd+Shift+X / Ctrl+Shift+X) へ移動します。
3. "Jupyter" を検索し、インストールされていない場合は Microsoft 公式の Jupyter 拡張機能をインストールします。
4. 完全な言語サポートのために、Microsoft の "Python" 拡張機能もインストールしてください。

Python カーネルの選択

1. Cursor で .ipynb ファイルを開くか作成します。
2. Notebook の右上隅にある Select Kernel をクリックします。
3. Python Environments を選択し、インストールされている Python または仮想環境を選択します。

# プロジェクト専用の仮想環境を作成する場合
python -m venv .venv
source .venv/bin/activate  # macOS/Linux
# .venv\Scripts\activate   # Windows

# プロジェクトの依存関係をインストール
pip install jupyter ipykernel pandas numpy matplotlib

# カーネルを登録
python -m ipykernel install --user --name myproject --display-name "My Project"

ステップ 2: Notebook で Cursor AI 機能を使用する

インラインコード生成 (Cmd+K / Ctrl+K)

Notebook のセル内で AI を使用する最も速い方法は、Cursor のインライン生成です。空のセルにカーソルを置き、Cmd+K (macOS) または Ctrl+K (Windows/Linux) を押します。

# Cmd+K を押して入力: "load the titanic dataset and show basic statistics"
# Cursor が生成:

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv')
print(f"Shape: {df.shape}")
print(f"\nColumn types:\n{df.dtypes}")
print(f"\nBasic statistics:\n{df.describe()}")
print(f"\nMissing values:\n{df.isnull().sum()}")

既存のコードを選択して Cmd+K を押し、修正を加えることも可能です。

# このコードを選択して Cmd+K を押す: "add error handling and make it a reusable function"
# 元のコード:
df = pd.read_csv('data.csv')
df = df.dropna()
df['age_group'] = pd.cut(df['age'], bins=[0, 18, 35, 50, 100])

# Cursor による変換後:
def load_and_preprocess(filepath: str, age_bins: list = None) -> pd.DataFrame:
    """CSVデータをロードし、欠損値を処理して、年齢グループを追加する。"""
    if age_bins is None:
        age_bins = [0, 18, 35, 50, 100]

    try:
        df = pd.read_csv(filepath)
    except FileNotFoundError:
        raise FileNotFoundError(f"Data file not found: {filepath}")

    initial_rows = len(df)
    df = df.dropna()
    dropped = initial_rows - len(df)
    if dropped > 0:
        print(f"Dropped {dropped} rows with missing values ({dropped/initial_rows:.1%})")

    df['age_group'] = pd.cut(df['age'], bins=age_bins)
    return df

チャットパネル (Cmd+L / Ctrl+L)

Cmd+L でチャットパネルを開き、Notebook について Cursor と対話できます。AI はセルの出力を含む Notebook 全体を参照できます。

データサイエンス・ワークフロー向けのプロンプト例:

• 「セル 3 の出力を見て。なぜ精度がこんなに低いの？」
• 「セル 7 のプロットが見づらいです。可視化を改善して。」
• 「セル 12 のモデルに対して、交差検証を用いたグリッドサーチを行う関数を書いて。」
• 「SettingWithCopyWarning が出ています。修正してください。」

Agent モード (Cmd+I / Ctrl+I)

Agent モードは、Notebook において最も強力な機能です。新しいセルの作成、既存セルの編集、さらには多段階のデータサイエンス・ワークフローの実行が可能です。

プロンプト: "セル 1 でロードしたデータセットに対して完全な EDA を実行してください。
数値カラムの分布プロット、相関ヒートマップ、欠損値分析、および主要な知見の Markdown 
サマリーを、それぞれ別のセルで作成してください。"

Agent モードは、適切なコードと Markdown を含む 4〜5 個の新しいセルを自動的に作成します。

ステップ 3: 実用的なワークフロー

ワークフロー 1: 探索的データ解析 (EDA)

手動で EDA のコードを書く代わりに、Cursor を使ってステップバイステップで生成します。

# セル 1: データのロード (ユーザーが記述)
import pandas as pd
df = pd.read_csv('sales_data.csv')
df.head()

次に、チャットパネルで以下のように入力します。

プロンプト: "上記のデータフレームの出力を確認して。続くセルで以下の完全な EDA を生成して:
1. データ型と欠損値のサマリー
2. 数値カラムの分布 (ヒストグラム)
3. 相関行列のヒートマップ
4. カテゴリ変数の値のカウント (上位)
5. 日付カラムがある場合は時系列プロット"

Cursor は、特定のデータフレームのカラムに合わせた適切なコードを含む 5 つのセルを生成します。

ワークフロー 2: エラーのデバッグ

セルでエラーが発生した場合、エラー出力を選択して Cursor に修正を依頼します。

# このセルでエラーが発生: ValueError: could not convert string to float: 'N/A'
from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)  # ここでエラー

エラーを選択して Cmd+L を押します。

プロンプト: "このエラーを修正して。トレーニングデータに処理が必要な文字列が含まれています。"

Cursor は、コンテキストを踏まえた修正案を提示します。

# Cursor による修正案:
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import LabelEncoder
import numpy as np

# 非数値データの処理
X_train_clean = X_train.copy()
for col in X_train_clean.select_dtypes(include=['object']).columns:
    X_train_clean[col] = X_train_clean[col].replace('N/A', np.nan)
    X_train_clean[col] = pd.to_numeric(X_train_clean[col], errors='coerce')

# 残りの NaN 値を埋める
X_train_clean = X_train_clean.fillna(X_train_clean.median())

model = LinearRegression()
model.fit(X_train_clean, y_train)

ワークフロー 3: モデルの反復改善

チャットを使用してモデルのパフォーマンスを改善します。

# セル出力: Accuracy: 0.72, F1: 0.68

プロンプト: "モデルの精度が 0.72 です。これを改善するための 3 つの異なるアプローチを提案し、
実装してください。各アプローチを新しいセルで作成し、最後のサマリーセルで結果を比較してください。"

ワークフロー 4: 可視化のブラッシュアップ

基本的なプロットを作成し、AI で洗練させます。

# 基本的なプロット
df['sales'].plot()

プロンプト: "これを出版クオリティに仕上げて。適切なラベル、タイトル、凡例を追加し、
クリーンなスタイルを使用し、トレンドラインを追加して、ピーク値をアノテーションしてください。"

import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import numpy as np

fig, ax = plt.subplots(figsize=(12, 6))

# データのプロット
ax.plot(df.index, df['sales'], color='#2563eb', linewidth=1.5, label='Daily Sales')

# トレンドラインの追加
z = np.polyfit(range(len(df)), df['sales'], 1)
p = np.poly1d(z)
ax.plot(df.index, p(range(len(df))), '--', color='#dc2626', linewidth=1, label='Trend')

# ピークのアノテーション
peak_idx = df['sales'].idxmax()
peak_val = df['sales'].max()
ax.annotate(f'Peak: ${peak_val:,.0f}',
            xy=(peak_idx, peak_val),
            xytext=(10, 20), textcoords='offset points',
            fontsize=10, fontweight='bold',
            arrowprops=dict(arrowstyle='->', color='#374151'))

ax.set_title('Daily Sales Performance', fontsize=16, fontweight='bold', pad=15)
ax.set_xlabel('Date', fontsize=12)
ax.set_ylabel('Sales ($)', fontsize=12)
ax.legend(fontsize=11)
ax.grid(True, alpha=0.3)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.show()

Notebook で AI の結果を向上させるヒント

1. セルの出力を表示したままにする

Cursor はデータの構造を理解するためにセルの出力を読み取ります。AI に質問する前に必ずセルを実行し、実際のデータの形状、カラム名、エラーメッセージを AI が確認できるようにしてくださいbox。

2. コンテキストとして Markdown セルを活用する

何を行おうとしているかを説明する Markdown セルを追加してください。Cursor はこれらをコンテキストとして利用します。

## 目的
通信事業者のデータセットを使用して顧客離脱（Churn）を予測する。ターゲット変数は 'Churn'。
本番導入のために少なくとも 85% の精度が必要。

3. 特定のセルを参照する

チャットを使用する際は、具体的にセルを指定してください。

• 「セル 5 で、マージによって重複が発生しています。修正して。」
• 「セル 3 のクレンジング済みデータフレームを使用して、ランダムフォレストを訓練して。」

4. 複雑なロジックには `.py` ファイルを使用する

複雑なユーティリティ関数などは、別の .py ファイルを作成してインポートしてください。Cursor の AI は、複雑なコードの記述には標準的な Python ファイルの方が適しており、Notebook は全体のオーケストレーションや可視化に最適です。

# utils/preprocessing.py (Cursor AI はここで非常に威力を発揮します)
def clean_dataset(df):
    ...

# notebook.ipynb
from utils.preprocessing import clean_dataset
df_clean = clean_dataset(df)

Cursor vs JupyterLab vs Google Colab

項目	Cursor + Jupyter	JupyterLab	Google Colab
AI コード生成	非常に優れている	標準機能なし	Gemini 搭載
オフライン対応	対応	対応	非対応
GPU アクセス	ローカルのみ	ローカルのみ	無料 GPU あり
コラボレーション	Git ベース	JupyterHub	リアルタイム共有
拡張機能エコシステム	VS Code (膨大)	Jupyter (少なめ)	限定的
パフォーマンス	高速 (ローカル)	高速 (ローカル)	変動あり (クラウド)
コスト	月額$20 (Pro) or 無料	無料	無料 + 有料プラン

よくある質問

Cursor の無料プランで Jupyter Notebook を使えますか？ はい。無料の Hobby プランには、月間 50 回の高速なプレミアムリクエストが含まれており、これを Notebook で使用できます。

Cursor は .py パーセント形式の Notebook をサポートしていますか？ はい。Cursor は標準の .ipynb と、# %% セルマーカー（パーセント形式）を使用した .py ファイルの両方をサポートしています。AI 機能は両方の形式で動作します。

Cursor はプロットの出力を読み取れますか？ Cursor はテキスト出力やデータフレームの表示内容を認識できます。プロットについては、それを生成したコードを読み取って改善案を出すことはできますが、描画されたプロット画像を視覚的に分析することは（現時点では）できません。

大規模なデータセットについてはどうですか？ Cursor の AI は、データそのものをコンテキストにロードするわけではありません。読み取るのはコードとセルの出力です。大規模なデータセットを扱う場合は、表示出力（df.head() や df.describe() など）を通じて、AI がデータ構造を理解するのに十分な情報を与えるようにしてください。

まとめ

Cursor は、Jupyter Notebook を単なる手動コーディング環境から、AI 支援によるデータサイエンス・ワークフローへと進化させます。インライン生成、Notebook のコンテキストを汲み取ったチャット、そして Agent モードの組み合わせにより、探索的分析、モデル構築、可視化が格段にスピードアップします。

重要なのは、セルの出力を表示させ、Markdown セルで文脈を補足し、AI と対話する際に特定のセルを参照することです。これにより、Cursor は正確でコンテキストに応じたコードを生成するために必要な情報を得ることができます。

もしあなたのデータサイエンス・プロジェクトで AI 生成画像やビデオ分析が必要なら、Hypereal AI を無料でお試しください（クレジットカード不要）。その API を使えば、AI メディア生成を Python のワークフローや Notebook に簡単に統合できます。