Hello there, ('ω')ノ
「データが手に入った！でも、どこから見ていいかわからない…」 「分析の前に“ざっくり全体を把握したい”」
そんなときに行うのが EDA（探索的データ分析）です。 EDAは、データの特徴や構造、傾向や問題点を“調査・発見”する分析プロセスで、どんなデータ分析でも最初にやるべき重要なステップです。
✅ EDAとは何か？
EDAとは Exploratory Data Analysis の略で、日本語では「探索的データ分析」と訳されます。
| 目的 | 内容 |
|---|---|
| データの理解 | どんな列がある？どんな型？いくつある？ |
| データの確認 | 欠損、外れ値、異常値、表記ゆれの有無など |
| 仮説の発見 | パターン・傾向・相関などを見つける |
🔍 EDAは“分析の準備運動”のようなもの。 この段階で「データのクセ」に気づいておくと、後工程がスムーズに進みます。
🛠 EDAの最初にやるべき5つのステップ
① データの構造を確認する
| 確認内容 | 例 |
|---|---|
| データの行数・列数 | 何件あるか、何項目あるか |
| 各列の名前・型 | 数値？文字列？日付？ |
| 項目の意味 | 項目名が略語やコードの場合は要確認 |
▶ Excelならフィルタや関数で、Pythonなら df.info() で確認できます。
② 欠損値（NULL）があるか調べる
| チェック項目 | 方法 |
|---|---|
| 空欄があるか | =COUNTBLANK(列) や ISNULL |
| どの列に多いか | 欠損率を算出（件数÷全体） |
| 欠損のパターン | 特定の列だけ？行全体が抜けてる？ |
▶ 欠損の扱い方によって、分析結果が大きく変わるので要注意！
③ 基本統計量を確認する
| 指標 | 説明 | 用途 |
|---|---|---|
| 平均（mean） | 全体の傾向 | 値の中心を見る |
| 中央値（median） | 外れ値の影響を受けない中心値 | 偏りのチェック |
| 標準偏差（std） | 値のばらつき具合 | 正常な範囲か確認 |
| 最小・最大値（min/max） | 値の幅 | 異常値がないか確認 |
▶ Excelでは「AVERAGE」「MEDIAN」「STDEV.P」、Pythonでは df.describe() が便利です。
④ カテゴリ変数の分布を確認する
| 目的 | 内容 |
|---|---|
| 値の種類と出現頻度を知る | どんなカテゴリがあるか（性別、地域など） |
| 表記ゆれの有無 | "男"と"男性"が混在していないか |
▶ =COUNTIF()やピボットテーブルで確認しやすいです。
▶ Pythonなら df['gender'].value_counts()。
⑤ 相関・関係性をざっくり見る
| 手法 | 使いどころ |
|---|---|
| 散布図 | 数値どうしの関係性（例：年齢と購入額） |
| 相関係数（correlation） | 相関の強さと向き（-1〜+1） |
| クロス集計 | カテゴリどうしの関係性（例：性別と満足度） |
▶ 「売上は広告費と相関しているのか？」など、仮説のヒントが得られます。
📊 EDAは“グラフ”も大事！
| グラフ種類 | 使いどころ |
|---|---|
| 棒グラフ | カテゴリの比較（例：職種別人数） |
| 折れ線グラフ | 時系列の変化（例：月別売上） |
| ヒストグラム | 分布の確認（例：年齢構成） |
| 箱ひげ図 | 外れ値の検出 |
▶ ExcelやBIツール（Tableau、Power BI）でも作れます。
Pythonでは matplotlib や seaborn が定番です。
✅ EDAのまとめ：分析は“まず観察”から始めよう
| ステップ | やること | 目的 |
|---|---|---|
| ① 構造の確認 | 行数・列数・型など | データの全体像を把握 |
| ② 欠損チェック | 空欄・NULLなど | 修正や除外の判断材料に |
| ③ 基本統計量の算出 | 平均・中央値・最大最小など | 値の範囲やばらつきを把握 |
| ④ カテゴリ分布 | 出現頻度・表記ゆれ確認 | グループの傾向をつかむ |
| ⑤ 相関分析 | 関係のありそうな変数の確認 | 仮説づくりのヒントに |
🧭 補足：EDAの後にやるべきこと
- データクレンジング（欠損・外れ値の処理）
- 特徴量（変数）エンジニアリング
- モデリング（予測モデルやクラスタリング）
▶ つまり、EDAはすべての分析の“土台”です！
Best regards, (^^ゞ
