データ分析入門
CSVデータ分析の基本：数値の特徴を正しく読み取る方法
CSVファイルは、表計算ソフトや販売管理システムなどから出力されるデータ形式です。数値を読み込んで平均を計算するだけでは、データの全体像を見誤ることがあります。このページでは、数値の中心・ばらつき・例外・関係を順に確認する方法を説明します。
1. 平均と中央値は何が違うか
例えば、5件の販売額が1,000円、1,200円、1,300円、1,500円、10,000円だったとします。
平均：（1,000＋1,200＋1,300＋1,500＋10,000）÷5＝3,000円
中央値：小さい順に並べた中央の値＝1,300円
平均はすべての値を使うため、大きな値や小さな値の影響を受けます。中央値は中央の位置にある値で、極端な値が含まれるデータの代表値として役立ちます。この例では平均3,000円だけを見ると、多くの販売額が3,000円付近にあると誤解する可能性があります。
2. 標準偏差は何を示すか
標準偏差は、各数値が平均からどの程度離れているかを示す指標です。平均が同じでも、値が平均付近に集中する集団と、広く散らばる集団では標準偏差が異なります。
標本標準偏差は、各値と平均の差を二乗して合計し、件数から1を引いた数で割り、平方根を取って求めます。件数が1件だけの場合、標本標準偏差は算出できません。
3. 四分位数と外れ値の見つけ方
四分位数は、値を小さい順に並べて分布を分割するための指標です。第1四分位数（Q1）と第3四分位数（Q3）の差を四分位範囲（IQR）と呼びます。
外れ値の候補を探す方法の一つとして、Q1−1.5×IQRより小さい値、またはQ3＋1.5×IQRより大きい値を抽出する方法があります。これは異常値を断定する基準ではなく、確認すべき数値を探すための目安です。
例えば、普段より極端に売上が高い日があった場合、入力ミスかもしれませんし、キャンペーンの効果かもしれません。数値を削除する前に原因を確認することが重要です。
4. 相関係数の正しい読み方
ピアソンの相関係数は、2つの数値系列の線形関係を−1から＋1の範囲で表します。＋1に近ければ正の線形関係、−1に近ければ負の線形関係、0に近ければ線形関係が弱いことを示します。
ただし、相関が強くても、一方が他方の原因とは限りません。また、曲線的な関係があっても、ピアソンの相関係数は小さくなる場合があります。
5. CSVを分析する前に確認すること
| 確認項目 | 確認する理由 |
|---|---|
| 列名・単位 | 円と千円、件数と割合などを混同しないため |
| 欠損値 | 空欄を0と誤認しないため |
| 集計期間 | 異なる期間のデータを無条件に比較しないため |
| 重複行 | 同じ取引や記録を二重計上しないため |
| 極端な値 | 入力ミスや特殊な事象を確認するため |
6. 無料ツールで実際に試す
OGBデータ研究所のCSV自動分析ツールでは、CSVを読み込んで数値列の基本統計量、欠損数、外れ値候補、度数分布グラフ、相関係数を確認できます。計算結果をCSVとして保存し、分布グラフをPNGで保存できます。
分析処理はブラウザ内で行う設計です。対応するCSV形式や数値列の判定方法などはツールページの説明を確認してください。
OGBデータ研究所｜研究・分析のための基礎資料