🔖 キーワード索引

「color scale」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「color scale」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「color scale の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

日本地図で都道府県別の人口を色塗りする。 大きい県を濃く、 小さい県を薄く ── これが カラースケール。 「青→緑→黄→赤」のような連続色を使うと一目で大小が伝わる。 但し、 色覚障害がある人にも判別可能か、 印刷で白黒になっても順序が保てるか、 などの配慮が必要。

🎨 カラースケールの三大分類を徹底理解する

カラースケール (color scale) は、 大きく 3 タイプに分類できます。 「データの性質」と「カラースケールの種類」を取り違えると、 グラフは読み手を盛大に誤誘導します。 まずはこの 3 分類を頭に叩き込みましょう。

数式を言葉で読み解く ── 知覚的均等性 (perceptual uniformity) とは

知覚的均等性とは「データ上で同じ差 (例: 100 万人差) に対して、 色空間上の知覚距離 ΔE が常に同じになる」という性質です。 数式で書くと、 値 $v_1, v_2$ に対する色 $c(v_1), c(v_2)$ について

$$\Delta E_{\text{CIE76}}(c(v_1), c(v_2)) \approx k \cdot |v_1 - v_2|$$

が 定数 k で線形に保たれることを意味します。 viridis や cividis はこの性質を満たすよう、 CIELAB 色空間で明度 (L*) が線形に変化するよう設計されています。 一方、 古典的な jet や rainbow は緑付近で明度が突出 (バンディング) し、 ΔE が不均一です ── これが「ジェットの罠」と呼ばれる現象です。

🎨 補遺 — perceptual uniform カラーマップの具体的選び方

SSDSE-B-2026 の 「総人口 (A1101)」「出生数 (A4101)」「高齢化率 (A1303/A1101)」 をヒートマップや choropleth で示すとき、 どの cmap を選ぶかで読み手の印象が変わる。 ここでは「データの型 × 目的」で cmap を選ぶ実務指針をまとめる。

colorblind チェックの実務手順: matplotlib の viridis は CVD 安全だが、 自作カラーマップを使う場合は ① colorspacious.cspace_convert で deuteranopia 変換 ② 結果を保存して隣に並べて目視比較 ③ 主要 3 色がすべて識別可能か確認、 の 3 ステップを踏むこと。 SSDSE-B-2026 の総人口の choropleth では「東京 (最大値) と鳥取 (最小値)」の両極端が CVD 後も明確に区別できるかを最優先でチェックする。

jet を避けるべき理由 (再掲・要点): jet は明度が非単調 (黄色付近で最大、 青と赤で最小) なため、 グレースケール変換すると「中央値が最も明るい」 → 印刷時に値の順序が逆転して読める。 SSDSE-B の高齢化率を jet で示し白黒コピーすると「高齢化率 30% と 18% が同じ色に見える」事故が起きる。 viridis なら明度が単調増加なので白黒でも順序が保たれる。

🎨 補遺 R447 — SSDSE-B-2026 を題材にしたカラースケール選択の総合ガイド

この補遺では、 SSDSE-B-2026 (47 都道府県の社会統計) を題材に、 散布図・ヒストグラム・箱ひげ図といった代表的な可視化で「どのカラースケールを選ぶか」を、 入力データ・コード・実行結果・読み方の 4 点セットで丁寧にたどる。 ねらいは、 単に「viridis を使え」と覚えるのではなく、 「データの型」と「読み手に伝えたい順序関係」からカラースケールを逆算で選べる目を養うことにある。 本文中に挿入した 3 枚の図 (散布図・ヒストグラム・箱ひげ図) は html/glossary/figures/ の実画像であり、 同じ SSDSE-B-2026 から作られているため、 章全体で一貫した題材になっている。

📊 図 R447-1: 散布図でのカラー使用例 (SSDSE-B-2026 総人口 × 65歳以上人口)

下図は、 47 都道府県の 「総人口 (A1101)」と「65歳以上人口 (A1303)」を点でプロットしたもの。 ここでカラースケールが効くのは、 ① 単一色の濃淡で「3 つ目の変数 (例: 高齢化率)」を重ねる ② 8 地方区分 (北海道, 東北, 関東, …) で「カテゴリ別の塊」を見せる、 の 2 つの場面である。 ① は 逐次的 (sequential) なスケール、 ② は 定性的 (qualitative) なスケールを使う。

図 R447-1: 散布図の基本形。 横軸=総人口 (千人)、 縦軸=65歳以上人口 (千人)。 右上の外れ値は東京都。

読み方: 総人口が多い県ほど高齢者数も多く、 強い正の相関 (r ≒ 0.99) が見える。 ここに 「高齢化率」を色 (sequential) で重ねると、 「人口の割に高齢者比率が高い県 (=高齢化率が高い)」が黄色で浮かび上がり、 サイズ (人口) と比率 (高齢化率) を 1 枚で読み分けられる。 逆に 地方区分を色 (qualitative) で重ねると、 「関東 1 都 6 県が右上、 四国・九州が左下」というカテゴリの塊が見える。

🐍 コード R447-A: 散布図に高齢化率を色で重ねる (sequential)

このコードでやること: SSDSE-B-2026 から 2023 年の 47 都道府県の「総人口 (A1101)」「65歳以上人口 (A1303)」を読み込み、 高齢化率を派生させて、 散布図の点の色を viridis で「高齢化率」にマップする。

📥 入力データ (SSDSE-B-2026 の 2023 年分。 人口は人。 高齢化率=A1303÷A1101×100 で派生):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()       # 最新年 (2023) の 47 都道府県
df['高齢化率'] = df['A1303'] / df['A1101'] * 100   # 65歳以上人口 ÷ 総人口

fig, ax = plt.subplots(figsize=(7, 5))
sc = ax.scatter(df['A1101'] / 1000, df['A1303'] / 1000,
                c=df['高齢化率'], cmap='viridis', s=80, edgecolor='white')
plt.colorbar(sc, label='高齢化率 (%)')
ax.set_xlabel('総人口 (千人)')
ax.set_ylabel('65歳以上人口 (千人)')
ax.set_title('SSDSE-B-2026: 人口×高齢者数×高齢化率 (viridis)')
plt.tight_layout(); plt.savefig('out_r447_scatter.png', dpi=150)
print(df[['A1101', 'A1303', '高齢化率']].describe().round(1))

📤 実行すると次の出力が得られる:

💬 結果の読み方: 散布図の点は viridis (青紫 → 黄) で「高齢化率が低い → 紫、 高い → 黄」となる。 右上の東京 (人口・高齢者数とも最大) は紫寄り (高齢化率 22.8%)、 左下に並ぶ秋田・高知などは黄色 (36% 超)。 色の順序と数値の順序が一致するため、 読み手は colorbar を見ずとも「黄=高齢」と直感で理解できる。 これが sequential スケールの基本機能である。 なお高齢化率の最小は沖縄ではなく東京 (22.8%) で、 都市部ほど若い構造がそのまま色に出る。

📊 図 R447-2: ヒストグラムでのカラー使用例 (SSDSE-B-2026 高齢化率)

下図は、 47 都道府県の 「高齢化率」のヒストグラム。 ヒストグラムは 1 変数の分布を見るためのもので、 通常は 単一色 (青や灰色) で塗ればよい。 カラースケールが効くのは「2 群以上を重ねて比較する」場合だけで、 1 群のヒストグラムを虹色で塗るのは情報量ゼロのデコレーションになりやすい (NG パターン)。

図 R447-2: ヒストグラムの基本形。 横軸=高齢化率 (%)、 縦軸=都道府県の数。 ピークは 30〜34%。

読み方: 高齢化率は 22.8% (東京) 〜 39.1% (秋田) の範囲に広がり、 中央値 31.8% 付近に山がある。 全体的に左裾が長い分布で、 「全国平均より上の県が東北・四国に集中」という構造を後段の地図で確認したくなる。 ここでカラースケールを増やすとしたら、 「高齢化率の区分 (低: 緑、 中: 黄、 高: 赤)」を YlOrRd で重ねて choropleth に展開する用途のみが妥当である。

🐍 コード R447-B: ヒストグラムを「2 群比較」で色分けする

このコードでやること: SSDSE-B-2026 の高齢化率を 「人口 200 万人以上の県 (大規模)」と「200 万人未満 (中小規模)」の 2 群に分け、 ヒストグラムを 2 色 (青・橙) で重ねる。 これが qualitative スケールが真に必要な場面である。

📥 入力データ (SSDSE-B-2026 2023 年から A1101=総人口・高齢化率を抽出):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100

big   = df[df['A1101'] >= 2000000]['高齢化率']   # 総人口 200 万人以上
small = df[df['A1101'] <  2000000]['高齢化率']   # 200 万人未満

fig, ax = plt.subplots(figsize=(7, 4.5))
ax.hist(big,   bins=12, alpha=0.6, color='#1f77b4', label=f'大規模 (n={len(big)})')
ax.hist(small, bins=12, alpha=0.6, color='#ff7f0e', label=f'中小規模 (n={len(small)})')
ax.set_xlabel('高齢化率 (%)'); ax.set_ylabel('県の数')
ax.set_title('SSDSE-B-2026: 高齢化率の分布 (大規模 vs 中小規模)')
ax.legend()
plt.tight_layout(); plt.savefig('out_r447_hist.png', dpi=150)
print('大規模:', big.describe().round(1).to_dict())
print('中小規模:', small.describe().round(1).to_dict())

📤 実行すると次の出力が得られる:

💬 結果の読み方: 大規模県 (青) は平均 29.1%、 中小規模県 (橙) は平均 32.9% で、 約 3.8 ポイントの差。 ヒストグラムが 橙の山が右側 (高齢) に寄っているのが見える → 「人口が少ない県ほど高齢化が進む」という関係が分布レベルで確認できる。 ここで色を 7 色や虹色にすると 2 群の対比がぼやけるため、 qualitative は「群の数だけの色」しか使わないのが鉄則。

📊 図 R447-3: 箱ひげ図でのカラー使用例 (8 地方区分 × 高齢化率)

下図は、 47 都道府県を 8 地方区分 (北海道, 東北, 関東, 中部, 近畿, 中国, 四国, 九州・沖縄)に分けて、 各地方の高齢化率の分布を箱ひげで示したもの。 ここで使うのは qualitative なカラースケール (tab10 や Set2) で、 「順序のないカテゴリ」を視覚的に分離するのが目的。

図 R447-3: 地方区分ごとの箱ひげ。 中央線=中央値、 箱=IQR、 ひげ=1.5 IQR。

読み方: 関東は箱が低い位置 (24〜28%) で東京・神奈川などの都市部を反映。 四国は箱が高い位置 (32〜37%) で高齢化が顕著。 ここで色を viridis にしてしまうと「地方の名前に順序がある」と読み手に誤解させてしまう (北海道 < 東北 < 関東 という順序は存在しない) ため、 必ず qualitative パレットを使う。

🐍 コード R447-C: 8 地方区分で箱ひげ (qualitative パレット)

このコードでやること: SSDSE-B-2026 に「地方区分」列を作り、 各地方の高齢化率を箱ひげで示す。 色は Set2 (qualitative・CVD 安全) を使う。

📥 入力データ (都道府県コードから地方区分を派生):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

# ── この抜粋で使うデータを用意します（英字の項目コードで読み込み）──
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=0)
df = df[df['Code'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()]

import pandas as pd
import matplotlib.pyplot as plt

df['高齢化率'] = df['A1303'] / df['A1101'] * 100

region_map = {
  '北海道':'北海道',
  '青森県':'東北','岩手県':'東北','宮城県':'東北','秋田県':'東北','山形県':'東北','福島県':'東北',
  '茨城県':'関東','栃木県':'関東','群馬県':'関東','埼玉県':'関東','千葉県':'関東','東京都':'関東','神奈川県':'関東',
  '新潟県':'中部','富山県':'中部','石川県':'中部','福井県':'中部','山梨県':'中部','長野県':'中部','岐阜県':'中部','静岡県':'中部','愛知県':'中部',
  '三重県':'近畿','滋賀県':'近畿','京都府':'近畿','大阪府':'近畿','兵庫県':'近畿','奈良県':'近畿','和歌山県':'近畿',
  '鳥取県':'中国','島根県':'中国','岡山県':'中国','広島県':'中国','山口県':'中国',
  '徳島県':'四国','香川県':'四国','愛媛県':'四国','高知県':'四国',
  '福岡県':'九州・沖縄','佐賀県':'九州・沖縄','長崎県':'九州・沖縄','熊本県':'九州・沖縄',
  '大分県':'九州・沖縄','宮崎県':'九州・沖縄','鹿児島県':'九州・沖縄','沖縄県':'九州・沖縄',
}
df['地方'] = df['Prefecture'].map(region_map)
order = ['北海道','東北','関東','中部','近畿','中国','四国','九州・沖縄']
data  = [df[df['地方']==r]['高齢化率'].dropna().values for r in order]

cmap = plt.get_cmap('Set2')
colors = [cmap(i) for i in range(len(order))]

fig, ax = plt.subplots(figsize=(8, 4.5))
bp = ax.boxplot(data, tick_labels=order, patch_artist=True)
for box, c in zip(bp['boxes'], colors):
    box.set_facecolor(c); box.set_alpha(0.75)
ax.set_ylabel('高齢化率 (%)')
ax.set_title('SSDSE-B-2026: 地方区分ごとの高齢化率 (Set2 / qualitative)')
plt.xticks(rotation=20)
plt.tight_layout(); plt.savefig('out_r447_box.png', dpi=150)
print(df.groupby('地方')['高齢化率'].agg(['median','mean','std']).round(2))

📤 実行すると次の出力が得られる:

💬 結果の読み方: 関東の中央値が 28.1% と最も低く、 東北の中央値が 35.1% と最も高い (四国も 34.8% と高い)。 8 地方の差が 色 (qualitative) ではなく 箱の高さで読めるのが正しい設計。 もしここで色に高齢化率を sequential で重ねてしまうと、 色と位置の二重符号化になって読みづらくなる。 「位置に意味のある変数」と「色に意味のある変数」は別物に割り当てるのが鉄則。 なお groupby の既定出力は地方名の文字コード順に並ぶ。

📋 表 R447-1: カラースケールの 3 大類型 — SSDSE-B-2026 のどの列に何を使うか

類型ミスの典型: ① 高齢化率 (sequential) に tab10 を当ててしまい順序が読めない、 ② 8 地方 (qualitative) に viridis を当てて「北海道 < 沖縄」と誤解させる、 ③ 全国平均との差 (diverging) に YlOrRd を当てて「正の差も負の差も同じ赤」になる、 の 3 つ。 いずれも読み手の認知負荷が跳ね上がる。

🔍 表 R447-2: CVD (色覚特性) 対応チェックリスト

⚠️ 落とし穴 R447 — SSDSE-B-2026 の choropleth で実際にやってしまいがちな失敗

• 連続量に tab10 を当てる: 高齢化率 (連続) を tab10 (qualitative) で塗ると、 隣り合う色相が無関係になり、 読み手が「色の順序」を仮定できず混乱する。 連続量には必ず viridis/plasma 等を使う。
• diverging を中央値 0 に合わせない: 「全国平均との差」を coolwarm で塗るとき、 vmin=-10, vmax=+10 のように中央値が白になるよう対称化しないと、 正負の符号が色で読めなくなる。 SSDSE-B-2026 の高齢化率差は ±8% 程度なので vmin=-8, vmax=+8 が妥当。
• 凡例の階級数を多くしすぎる: 47 都道府県を 12 階級に区切ると 1 階級あたり 4 県以下になり、 色が記憶できない。 5〜7 階級 (分位点 quintile/sextile) が読みやすい上限。
• カラーバーに単位を書き忘れる: 「23.1」とだけ書かれていると、 読み手は「人口?」「率?」と推測する手間が増える。 必ず label='高齢化率 (%)' のように単位を入れる。
• jet を残してしまう: 古い matplotlib のデフォルトが jet だった名残で論文や報告書に残っているケースがある。 必ず plt.set_cmap('viridis') や imshow(..., cmap='viridis') に置換する。

📝 補遺のまとめ

SSDSE-B-2026 の 47 都道府県データを題材にすると、 カラースケールの「3 大類型 (逐次・発散・定性)」が、 散布図・ヒストグラム・箱ひげ図といった頻出図でどう機能するかが具体的に見える。 重要なのは、 「色は数値の大きさ」「位置は別の数値」「形は別のカテゴリ」のように、 視覚チャネルを 1 つの変数につき 1 つだけ割り当てること。 二重符号化 (色 + 位置で同じ変数を示す) は冗長で読み手を疲れさせ、 逆に「色だけで全カテゴリ識別」を狙うと CVD 不適合や階級数過多のリスクが急上昇する。 SSDSE-B-2026 を毎回開いて「この列は連続か離散か / 順序はあるか / 0 中心か」と問う癖をつけると、 カラースケール選択は迷わなくなる。

関連: 棒グラフ、 円グラフ、 ヒストグラム、 箱ひげ図、 相関、 単変量可視化。

🎯 補遺 R562-1: カラースケール選択の意思決定フローチャート

SSDSE-B-2026 から取り出した変数を可視化するとき、 「どのカラースケールを選ぶか」で迷う場面は非常に多い。 ここでは 「データの種類 → スケールの種類 → 推奨カラーマップ」の 3 段階で判断するフローチャートを示し、 47 都道府県データの具体例と組み合わせて、 選択ミスを未然に防ぐ。 ポイントは「変数が連続値なのか順序付きカテゴリなのか定性カテゴリなのか」と「ゼロ・中央値・基準値の有無」を最初に確認することで、 ここを誤ると以降の表現が一気に破綻する。

📊 意思決定フローチャート (テキスト版)

この 4 問だけで、 SSDSE-B-2026 のどの列に対しても「どのカラースケールが妥当か」をほぼ機械的に決められる。 とくに [Q2] の「基準点があるか」は見落としやすく、 たとえば「人口増減率」を Blues (逐次) で塗ると、 マイナス (人口減少) とプラス (人口増加) の境界が見えなくなるという致命的な誤りに繋がる。

📋 SSDSE-B-2026 主要列 × カラースケール対応表

🐍 Python: フローチャートの自動判定関数

このコードでやること: SSDSE-B-2026 の 1 列を渡すと、 上記フローチャートに従って「推奨カラーマップ名」と「LogNorm の要否」を返す簡易判定関数を実装する。 dtype と min/max/zero 跨ぎから機械的に判定する。

📥 入力 (SSDSE-B-2026 抜粋, df.head() 想定):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import pandas as pd
import numpy as np

def recommend_cmap(s: pd.Series) -> dict:
    """SSDSE 列に対し、 カラーマップと正規化方式を推奨する。"""
    s = s.dropna()
    # Q1: 数値かカテゴリか
    if not pd.api.types.is_numeric_dtype(s):
        n_unique = s.nunique()
        if n_unique <= 10:
            return {"cmap": "Set2", "norm": "categorical", "reason": "定性 ≤10 カテゴリ"}
        return {"cmap": "Set3", "norm": "categorical", "reason": "定性 多カテゴリ (要集約)"}
    vmin, vmax = s.min(), s.max()
    # Q2: 基準点 0 を跨ぐか
    if vmin < 0 and vmax > 0:
        return {"cmap": "RdBu_r", "norm": "TwoSlopeNorm(vcenter=0)", "reason": "正負を跨ぐ発散型"}
    # Q3: 桁差が 10 倍以上か
    ratio = vmax / max(vmin, 1e-9)
    if ratio >= 10:
        return {"cmap": "viridis", "norm": "LogNorm", "reason": f"桁差 {ratio:.1f}倍 → 対数"}
    return {"cmap": "viridis", "norm": "Normalize", "reason": "通常の逐次型"}

# SSDSE-B-2026 を読み込み、 最新年 (2023) と前年 (2022) を用意
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
latest = df[df['SSDSE-B-2026'] == 2023].set_index('Prefecture')
prev   = df[df['SSDSE-B-2026'] == 2022].set_index('Prefecture')

cols = {
    '総人口':     latest['A1101'],                                  # A1101
    '高齢化率':   latest['A1303'] / latest['A1101'] * 100,          # 派生
    '人口増減率': (latest['A1101'] - prev['A1101']) / prev['A1101'] * 100,
    '年平均気温': latest['B4101'],                                  # B4101
}
for name, s in cols.items():
    print(name, '→', recommend_cmap(s))

📤 実行すると次の出力が得られる:

💬 機械的判定は 7 割の場面で妥当だが、 高齢化率のように「全国平均を基準にしたい」場合は発散型にしたくなる。 そういう「意味的な基準点」は人間が補正する必要があるため、 関数の判定はあくまで第 1 案として使い、 最終決定は分析者が文脈と合わせて行う。

⚠️ フローチャートでも見落とすパターン

• 「正の値しかないが、 中央値を基準にしたい」: 高齢化率のように、 「全国平均より高いか低いか」を見せたい場合は発散型が良い。 フローチャートだけでは [Q2] で「なし」になるので、 分析意図を加味して切り替える。
• 順序付きカテゴリだが、 順序を発散させたい: 「都市/郊外/地方」を「都心からの距離」として見せるなら順序逐次、 「都市と地方の対比」として見せるなら発散型 2 色 (RdGy 風)。 同じデータでも意図で変わる。
• カテゴリだが、 並べると数値的順序が出る: 「H 表記の都道府県コード」は数値だが、 並べても意味がない。 カテゴリ扱いにする。
• LogNorm の閾値: 桁差 10 倍は経験則。 桁差 5 倍程度でも、 ヒストグラムが右裾長なら LogNorm が読みやすくなることがある。 必ず df[col].hist(log=True) で形を確認する。

🎮 触って理解する — カラースケール切替体験

下のヒートマップは SSDSE-B-2026 (2023年) の 47 都道府県「高齢化率 (A1303÷A1101×100, %)」を Python で実測転記した実データです (合成データではありません)。 47 セルを都道府県コード順に 8 列で並べています。 カラースケールを切り替えると、 同じ数値でも「読み手が受け取る印象」がまるで変わることを体感できます。 とくに レインボー (jet) を選ぶと、 実際には連続的に変化しているはずの高齢化率に 偽の境界が生まれ、 色の明るさ (知覚) が数値の順序と一致しなくなる様子が分かります。 2型色覚シミュレーションを ON にすると、 レインボーが特に判別困難になることも確認できます。

💡 この体験から読み取ってほしいこと

• 直感 (値→色の対応づけ): Viridis風では「暗い紫=低い、 明るい黄=高い」と明度が単調に変化するため、 カラーバーを見なくても大小が読めます。 東京 (22.8%) は暗く、 秋田 (39.1%) は明るい、 という順序がそのまま知覚の明るさに写ります。
• 落とし穴①レインボーの知覚非均等: jet では緑〜黄の付近で明るさが急に跳ね、 青や赤は暗い。 数値は連続なのに明るさが非単調になるので「中間の値が一番目立つ」倒錯が起きます。
• 落とし穴②偽の境界: jet は色相 (青→水色→緑→黄→赤) が急変する箇所で、 データに存在しないくっきりした境目が見えます。 隣り合う県の高齢化率が僅差でも「別グループ」に見えてしまいます。
• 落とし穴③色覚多様性: CVD (2型色覚) を ON にすると、 jet の赤と緑が混ざり判別困難になります。 Viridis風は青〜黄の明度差が保たれるため CVD でも順序が読めます ── これが viridis が推奨される最大の理由です。
• 落とし穴④順序の誤解: カテゴリカルを選ぶと、 順序のある量 (高齢化率) に順序を示唆しない色を当ててしまい、 大小関係が完全に消えます。 質的パレットは「地方区分」のような名義データ専用です。
• 発展: viridis/cividis は CIELAB 色空間で明度 L* が線形になるよう設計された知覚均等 (perceptually uniform) カラーマップです。 質的パレットは色相を均等配分しますが、 人が確実に区別できる色数の上限からカテゴリ数は概ね 8〜12 色までが実用限界です。

📐 定義・数式

値 $v$ を $[0, 1]$ に正規化し、 カラーマップ関数 $\text{cmap}$ で RGB に変換する。 cmap は連続写像で、 知覚的等差性 (perceptually uniform) を持つことが望ましい。

🔬 数式を言葉で読み解く

数式に出てくる記号の意味を 1 つずつ確認しましょう。

Sequential

連続色 (薄→濃)。 単方向の量に使う。

Diverging

発散色 (青←白→赤)。 中央値からの正負に使う。

Qualitative

質的色。 カテゴリーラベルに使う。

Perceptually Uniform

知覚的等差性。 値の差が色の差に比例。

🔬 上級編 ── 色空間と知覚モデル

カラースケールを「自分で設計したい」場合、 色空間 (color space) の理解が不可欠です。 主要 4 つの色空間をまとめます。

数式を言葉で読み解く ── ΔE (色差) の計算

CIE76 の色差は CIELAB 空間でのユークリッド距離:

$$\Delta E_{76} = \sqrt{(L_1^* - L_2^*)^2 + (a_1^* - a_2^*)^2 + (b_1^* - b_2^*)^2}$$

$\Delta E \approx 1$ が「ぎりぎり弁別可能」、 $\Delta E \approx 5$ が「明確に違うと感じる」目安。 良いカラースケールは、 データ範囲 $[v_{\min}, v_{\max}]$ を 256 段階に分けたとき、 隣接段階の $\Delta E$ が一定 (約 1.0 〜 1.5) であるよう設計されます。

このコードでやること: matplotlib の viridis と jet について、 隣接段階の ΔE を計算し、 ばらつきを比較する。

📥 入力データ: matplotlib 内蔵 cmap オブジェクト (256 段階の RGB を返す関数)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import matplotlib.pyplot as plt
import numpy as np
from skimage.color import rgb2lab

def delta_e_sequence(cmap_name, steps=256):
    cmap = plt.get_cmap(cmap_name)
    xs = np.linspace(0, 1, steps)
    rgbs = cmap(xs)[:, :3]
    labs = rgb2lab(rgbs.reshape(1, -1, 3))[0]
    deltas = np.linalg.norm(np.diff(labs, axis=0), axis=1)
    return deltas

for name in ['viridis', 'plasma', 'jet', 'cividis']:
    d = delta_e_sequence(name)
    print(f'{name:10s} ΔE mean={d.mean():.2f}  std={d.std():.2f}  max={d.max():.2f}')

📤 実行例:

💼 ビジネス・ブランドカラーとの両立

企業ダッシュボードでは「コーポレートカラー」を強制される場面が多い。 例えば青系のブランドなら、 「青→薄青→白」の sequential を作る必要があります。 matplotlib では LinearSegmentedColormap.from_list() で 2-3 色から補間したカラースケールを作れます。

このコードでやること: SSDSE-B-2026 の人口データに対し、 ブランドカラー (#003366 → #FFFFFF) の自作 sequential cmap を作って描画する。

📥 入力データ: SSDSE-B-2026 の総人口 (47 値)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].sort_values('A1101', ascending=False)

# コーポレート色: 小さい値=白 → 大きい値=濃紺 の 2 色補間で cmap 化
brand_cmap = LinearSegmentedColormap.from_list(
    'brand_navy', ['#FFFFFF', '#003366'], N=256)

norm = plt.Normalize(df['A1101'].min(), df['A1101'].max())
colors = brand_cmap(norm(df['A1101']))

fig, ax = plt.subplots(figsize=(10, 6))
ax.barh(df['Prefecture'], df['A1101'], color=colors, edgecolor='#003366')
ax.invert_yaxis()
ax.set_xlabel('総人口 (人)')
plt.tight_layout()
plt.savefig('brand_color.png', dpi=150)

📤 実行例 (上位 5 県の RGB 値):

🛠 ツール別カラースケール対応マトリックス

数式を言葉で読み解く ── 色補間 (interpolation) の挙動

2 色 $c_0, c_1$ の間を $t \in [0, 1]$ で補間する場合、 補間する色空間によって結果が変わります。 RGB 線形補間と HCL 補間を比較すると:

$$c_{\text{RGB}}(t) = (1-t) \cdot c_0 + t \cdot c_1, \quad c_{\text{HCL}}(t) = \text{HCL}^{-1}\bigl((1-t) \cdot \text{HCL}(c_0) + t \cdot \text{HCL}(c_1)\bigr)$$

RGB 補間は「数値的に簡単」だが、 中間色がくすんだ灰色になりがち (例: 赤+緑 → 茶)。 HCL/OKLab 補間なら明度・彩度が滑らかに変化し、 鮮やかな中間色が得られます。 D3.js の d3.interpolateHcl や Python の colorspacious ライブラリが対応しています。

🤖 AI 時代のカラースケール選択支援

最近は LLM や AutoML 系ツールが「データに最適な cmap」を自動推薦するサービスも登場しています。 ただし、 最終判断は人間がすべき領域 ── データの意味、 受け手の認知特性、 媒体 (Web/印刷) を総合的に考えるのは AI には難しい部分があります。

このコードでやること: scikit-image でデータ統計 (歪度・尖度) を計算し、 経験則に基づき cmap タイプを推薦する小関数を書く。

📥 入力データ: SSDSE-B-2026 の総人口 (47 値)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd
from scipy.stats import skew, kurtosis

def suggest_cmap(values, center=None):
    s = skew(values)
    k = kurtosis(values)
    if center is not None:
        return 'RdBu_r', 'diverging (中央あり)'
    if abs(s) > 2:
        return 'viridis (LogNorm 推奨)', f'歪度 |s|={abs(s):.2f} 大 → 対数スケール推奨'
    if abs(s) > 0.5:
        return 'plasma', f'歪度 |s|={abs(s):.2f} 中 → 強コントラスト'
    return 'cividis', '対称分布 → CUD 安全'

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
cmap, reason = suggest_cmap(df['A1101'].values)
print(f'推奨 cmap: {cmap}')
print(f'理由: {reason}')

📤 実行例:

📊 Plotly Express の自動 cmap 選択

Plotly Express の px.choropleth は color_continuous_scale 引数を省略すると Viridis をデフォルトに使用します。 これは「PEP 8 のスタイルガイド」と同じく、 デフォルトで CUD 対応・知覚均等なものが採用されているため、 大半のケースで安全です。 ただし、 ブランドカラー指定がある場合や、 diverging が適切な場合は明示的に指定する必要があります。

✅ カラースケール選択 詳細チェックリスト

プレゼン直前・論文投稿前に、 以下のチェックリストで自分の図を点検しましょう。

1. データ性質: 連続 / 発散 / 定性 のどれか明確か？
2. cmap タイプ一致: sequential / diverging / qualitative を間違えていないか？
3. CUD 対応: cividis、 viridis、 Okabe-Ito など色覚バリアフリー配色か？
4. 知覚均等性: 同じ値差が画像上で同じ色差に対応するか？ (ΔE 一様性)
5. カラーバー: 凡例として必ず添えているか？ ラベル単位は明記したか？
6. レンジ固定: 動的範囲 (毎日変わる max) ではなく、 固定範囲で表示しているか？ (時系列比較なら必須)
7. 歪度補正: 歪んだ分布で LogNorm/PowerNorm を使うべきか検討したか？
8. グレースケール耐性: モノクロ印刷で順序が保たれるか？ (sequential は OK、 jet は NG)
9. 背景色とのコントラスト: 白背景なら淡色、 黒背景なら濃色 ── を考慮したか？
10. 注釈・タイトル: 「単位」「年度」「出典」が明記されているか？
11. 外れ値処理: 1 県だけ極端な値があるとき、 クリッピング or robust scale を考慮したか？
12. cmap 名の明記: 図キャプションに「viridis」など使用 cmap 名を書いたか？ (再現性向上)

❓ よくある質問 (深掘り)

📜 カラースケールの歴史と現在

2026 年現在、 学術可視化のスタンダードは viridis / cividis、 Web/UI は OKLab ベースのカスタム配色、 ビジネスダッシュボードは ブランドカラー + CUD 互換のハイブリッド ── と棲み分けが進んでいます。 SSDSE のような公的統計データを再現する場面では、 viridis/cividis を選んでおけば学術査読・公的発表どちらでも通用します。

👁 人間視覚の制約とカラースケール

良いカラースケールを設計するには、 人間視覚の特性も理解しておく必要があります。 主要な認知制約を 4 つにまとめます。

1. 同時対比 (simultaneous contrast)

隣接する色によって、 同じ色でも見え方が変わる現象。 灰色の四角を白背景に置くか黒背景に置くかで明度知覚が変わるのが典型。 ヒートマップで「同じセル色」でも周囲のセル色次第で読み取り値が ±10% ずれる実験報告があります。 対策: カラーバーを大きく、 隣接する位置に置くこと。

2. ウェーバー・フェヒナー則 (Weber-Fechner law)

「刺激強度の対数に比例して知覚が変化する」という古典心理物理学の法則。 明度差 ΔL の知覚は元の明度 L に対する比 ΔL/L で決まる ── つまり対数スケールが「人間の感覚に素直」です。 sequential cmap で LogNorm を使うと、 視覚的に自然な等差表現になります。

$$\Delta P = k \cdot \frac{\Delta L}{L} \quad (\text{知覚強度差} \propto \text{相対変化})$$

3. 黄斑色覚と周辺色覚

中心視 (黄斑) は色覚に強く、 周辺視は明度差に強い。 大画面プレゼンで色だけに頼ると、 注意が中心に向いていないと細部が見えません。 対策: 色だけでなく形・サイズ・配置でも情報を冗長化すること (アクセシビリティの基本)。

4. 加齢と色覚変化

水晶体は加齢とともに黄ばみ、 60 代以降は青色が暗く見える傾向 ── 「白背景上の薄青文字は読めない」 苦情を年配視聴者から受けやすい。 SSDSE のような幅広い年齢層に届ける可視化では、 青背景に黄文字は避け、 黒文字 + 中明度背景を選ぶのが安全。

🍳 実践レシピ集 ── 状況別ベストプラクティス

レシピ A: 都道府県別人口の static 棒グラフ

→ 棒の長さで人口を表現する場合、 色は「グループ識別 (地方区分)」に使う。 Okabe-Ito 8 色を地方区分に割り当て、 棒の長さ + 色の二重符号化で誰でも判別可能に。

レシピ B: 動的に変化する時系列ヒートマップ

→ 固定スケールを必ず使う (毎フレーム max を変えない)。 視聴者が「赤=危険」と覚えた瞬間、 翌日も同じ意味であってほしい。 cmap は viridis、 vmin=0, vmax=全期間 99%ile に固定。

レシピ C: 相関係数行列のヒートマップ

→ 値域 [-1, 1]、 中央 0 がある diverging。 coolwarm or RdBu_r + center=0, vmin=-1, vmax=1 固定。 アノテーションに小数点 2 桁の値を併記すると印刷で潰れても読める。

レシピ D: 散布図 + 第 3 変数の色付け

→ 第 3 変数が連続 → viridis、 点を alpha=0.65, s=60 で重なりを和らげる。 カテゴリ → Set2 + マーカー形状の二重符号化。

レシピ E: コロプレス地図 (47 都道府県)

→ viridis または cividis、 Jenks natural breaks で 5-7 階級に離散化。 巨大値 (東京) は別途数値ラベル併記、 cmap だけに頼らない。

このコードでやること: 上記レシピ A-E を 1 つのスクリプトでまとめて実行し、 5 種類の図を一気に生成する。

📥 入力データ: SSDSE-B-2026 (47 県全データ)、 計算済の相関行列 (4×4)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

# レシピ A: 地方区分付き棒グラフ
region_map = {'01':'北海道', '02':'東北', '13':'関東', '23':'中部'}
okabe = ['#E69F00','#56B4E9','#009E73','#F0E442',
         '#0072B2','#D55E00','#CC79A7','#000000']

# レシピ C: 相関行列ヒートマップ
cols = ['A1101', 'A4101', 'A1303', 'B4101']
corr = df[cols].corr()
fig, ax = plt.subplots(figsize=(6, 5))
sns.heatmap(corr, cmap='coolwarm', center=0, vmin=-1, vmax=1,
            annot=True, fmt='.2f', ax=ax)
plt.savefig('corr_recipe_c.png', dpi=150)

📤 実行例 (相関行列出力):

📋 主要 cmap 詳細比較表

🔬 補遺 R562-2: 色覚多様性 (CVD) シミュレーションの実践

カラースケールを選ぶ最大の理由のひとつは「色覚多様性 (Color Vision Deficiency, CVD) を持つ読み手にも情報を届けること」である。 日本人男性のおよそ 5%、 女性の 0.2% が何らかの CVD を持つとされ (Deutan, Protan, Tritan の 3 型が代表)、 47 都道府県データを使った地図やヒートマップを公開する以上、 「CVD ユーザでも読める色か」を必ず検証すべきである。 ここでは colorspacious や matplotlib を使って実際に CVD シミュレーションを行い、 viridis / plasma / cividis / jet の 4 つを比較する手順を紹介する。

👁 CVD の 3 型と影響

🐍 Python: 4 カラーマップを D/P/T 型で比較

このコードでやること: SSDSE-B-2026 の総人口を 4 つのカラーマップ (viridis, plasma, cividis, jet) で塗り、 さらに Deutan/Protan/Tritan の 3 型 CVD シミュレーションを colorspacious で適用して、 12 通りの見え方を並べる。

📥 入力データ (SSDSE-B-2026, 47 行):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LogNorm
from colorspacious import cspace_convert

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].values   # 2023 年の総人口

cmaps = ['viridis', 'plasma', 'cividis', 'jet']
cvds  = [('Normal', None),
         ('Deutan', {"name":"sRGB1+CVD", "cvd_type":"deuteranomaly", "severity":100}),
         ('Protan', {"name":"sRGB1+CVD", "cvd_type":"protanomaly",   "severity":100}),
         ('Tritan', {"name":"sRGB1+CVD", "cvd_type":"tritanomaly",   "severity":100})]

fig, axes = plt.subplots(len(cvds), len(cmaps), figsize=(14, 12))
for r, (cvd_name, cvd_space) in enumerate(cvds):
    for c, cm in enumerate(cmaps):
        cmap = plt.get_cmap(cm)
        colors = cmap(LogNorm(vmin=pop.min(), vmax=pop.max())(pop))[:, :3]
        if cvd_space is not None:
            colors = cspace_convert(colors, cvd_space, "sRGB1").clip(0, 1)
        axes[r, c].imshow(colors[np.newaxis, :, :], aspect='auto')
        axes[r, c].set_title(f'{cm} / {cvd_name}', fontsize=9)
        axes[r, c].axis('off')
plt.tight_layout()
plt.savefig('color_cvd_comparison.png', dpi=120)

📤 実行すると 4×4 のグリッド画像が生成され、 次の傾向が一目で分かる:

💬 結論: cividis > viridis > plasma >> jet の順で CVD 安全性が高い。 47 都道府県データを Web 公開する場合は cividis または viridis を第一選択とし、 jet/rainbow 系は使わない。 とくに政府・自治体の公開資料、 学会発表、 教科書用図版では、 cividis を選んでおけばまず誤読は起きない。

📏 知覚的均一性 (Perceptual Uniformity) の定量評価

「知覚的均一」とは、 カラースケール上の 等距離が等しい知覚差に対応すること。 viridis / cividis は CIELAB の L* (明度) が直線的に増加するよう設計されており、 dataValue 0.3→0.4 と 0.7→0.8 が同じくらい「違って見える」。 一方 jet は明度が一旦上がって下がる U 字型なので、 「両端の色が中央より暗い」となり、 数値の順序と知覚順序が一致しない。

ΔE は CIEDE2000 色差。 「2 以下」が均一、 「4 以上」は不均一とされる。 jet の「4.5 ± 2.1」は隣接サンプル間で 2 倍以上ばらつくことを意味し、 グラデーションを目視で読み取ったときに「中央付近は変化が見えないのに、 両端だけ急に色が変わる」という現象が起きる。

🧮 実値で計算してみる

SSDSE-B-2026 の A1101 (総人口) を 47 都道府県分用意し、 matplotlib でカラースケールを切り替えて可視化する具体例。

🧮 SSDSE-B-2026 で 4 種のカラースケールを試す

SSDSE-B-2026 の 47 都道府県データに対し、 同じ「総人口」を 4 種類のカラースケール (viridis / plasma / jet / Reds) で表示し、 知覚的均等性の差を体感しましょう。

このコードでやること: SSDSE-B-2026 を読み込み、 都道府県別の総人口を 4 種類の cmap で比較プロットする。

📥 入力データ (SSDSE-B-2026 の総人口を上位 5 件抜粋):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]                    # 最新年の 47 都道府県
d = df.sort_values('A1101', ascending=False)
pop = d['A1101'].values
labels = d['Prefecture'].values

cmaps = ['viridis', 'plasma', 'jet', 'Reds']
fig, axes = plt.subplots(1, 4, figsize=(18, 10))
for ax, cmap in zip(axes, cmaps):
    norm = plt.Normalize(pop.min(), pop.max())
    colors = plt.get_cmap(cmap)(norm(pop))
    ax.barh(range(47), pop, color=colors)
    ax.set_yticks(range(47))
    ax.set_yticklabels(labels, fontsize=7)
    ax.set_title(f'cmap = {cmap}')
    ax.invert_yaxis()
plt.tight_layout()
plt.savefig('color_compare.png', dpi=150)

📤 実行例 (各 cmap での知覚距離テスト出力):

数式を言葉で読み解く ── 都道府県人口の対数変換と色マッピング

SSDSE-B-2026 の総人口は、 東京都 1408 万人 vs 鳥取県 54 万人と 約 26 倍の幅があります。 線形カラーマッピング $c(v) = \text{cmap}\left(\dfrac{v - v_{\min}}{v_{\max} - v_{\min}}\right)$ では、 中下位の県がほぼ同じ色になり判別不能です。 そこで 対数スケールを導入します:

$$c(v) = \text{cmap}\left(\frac{\log v - \log v_{\min}}{\log v_{\max} - \log v_{\min}}\right)$$

この変換で「2 倍違うか」が一定の色差で表され、 鳥取県 54 万人 vs 島根県 65 万人の差も視覚的に判別できます。 matplotlib では norm=matplotlib.colors.LogNorm() を渡すだけで実装できます。

🌈 色覚バリアフリー (CUD) を満たす配色

日本人男性の約 5%、 白人男性の約 8% が何らかの色覚特性を持っています。 教育用・公的データ可視化では、 色覚タイプに依存しない配色 ── Color Universal Design (CUD) が事実上のデフォルトです。

このコードでやること: matplotlib の colormap を CUD シミュレータで P 型・D 型に変換し、 viridis と jet の見え方の違いを定量化する。

📥 入力データ: SSDSE-B-2026 47 都道府県の総人口 (上記と同じ)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap

# Okabe-Ito 8 色 (CUD 推奨パレット, qualitative)
okabe_ito = ['#E69F00', '#56B4E9', '#009E73', '#F0E442',
             '#0072B2', '#D55E00', '#CC79A7', '#000000']
for i, color in enumerate(okabe_ito):
    plt.bar(i, 1, color=color)
plt.title('Okabe-Ito 8 色 (CUD 8 色)')
plt.savefig('okabe_ito.png', dpi=150)

📤 実行例 (CUD シミュレータでの判別性スコア):

🗾 コロプレス地図 ── 47 都道府県をカラースケールで塗る

カラースケールの最も有名な応用が コロプレス地図 (choropleth map) です。 地域を値に応じた色で塗り分け、 一目で空間分布が掴めます。 plotly を使えば SSDSE-B-2026 の県別データをわずか 10 行で描けます。

このコードでやること: SSDSE-B-2026 の総人口を都道府県コードに基づき、 plotly の geojson 地図上にカラースケールで描画する。

📥 入力データ (Prefecture コード「R01000」を都道府県名「北海道」にマッピング):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import plotly.express as px
import json, urllib.request

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df['pref_code'] = df['Code'].str[1:3].astype(int)

url = 'https://raw.githubusercontent.com/dataofjapan/land/master/japan.geojson'
with urllib.request.urlopen(url) as r:
    geojson = json.load(r)

fig = px.choropleth(
    df, geojson=geojson, locations='pref_code',
    featureidkey='properties.id', color='A1101',
    color_continuous_scale='Viridis',
    range_color=(df['A1101'].min(), df['A1101'].max()),
    labels={'A1101': '総人口 (人)'}
)
fig.update_geos(fitbounds='locations', visible=False)
fig.write_html('japan_pop_viridis.html')

📤 実行例 (出力ファイルと地図上の色分布):

📊 ヒートマップ × カラースケールの実践

SSDSE-B-2026 の複数指標 (総人口 A1101・出生数 A4101・65歳以上人口 A1303・年平均気温 B4101) を都道府県 × 指標のヒートマップにして、 カラースケールの選び方が伝わるメッセージにどう影響するか比較します。

このコードでやること: 4 指標を z-score 標準化してから seaborn の heatmap で diverging カラースケール (coolwarm) を使い、 47 都道府県の特徴を一気に俯瞰する。

📥 入力データ (標準化前の生データ抜粋):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
cols = ['A1101', 'A4101', 'A1303', 'B4101']
sub = df[['Prefecture'] + cols].set_index('Prefecture')

# z-score 標準化 (各指標平均0 標準偏差1)
z = (sub - sub.mean()) / sub.std()
z.columns = ['総人口', '出生数', '高齢人口', '年平均気温']

fig, ax = plt.subplots(figsize=(8, 14))
sns.heatmap(z, cmap='coolwarm', center=0, vmin=-3, vmax=3,
            annot=True, fmt='.1f', cbar_kws={'label': 'z-score'}, ax=ax)
plt.tight_layout()
plt.savefig('heatmap_z.png', dpi=150)

📤 実行例 (主要県の z-score 出力):

🧮 数式に値を入れて手で計算する: 値→色強度の線形変換

合成データで値を [0,1] の色強度に正規化する。

Step 1: 元の値

Step 2: 検算 x=35

🐍 Python で再現

1
2
3
4

import numpy as np
x = np.array([20, 35, 50, 65, 80])
xn = (x - x.min()) / (x.max() - x.min())
print(f"正規化: {xn}")

📤 実行結果

💬 手計算 (Step 2) 0.25 と Python 出力が完全一致。

🐍 Python 実装

最小実装の例。 SSDSE のような実データに対して、 まずはコピペで動かしてみるのが理解の早道です。

1
2
3
4
5
6
7
8

import matplotlib.pyplot as plt, pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100            # 65歳以上人口 ÷ 総人口
fig, ax = plt.subplots()
sc = ax.scatter(df['A1101'], df['A4101'], c=df['高齢化率'], cmap='viridis')  # 総人口×出生数
plt.colorbar(sc, label='高齢化率 (%)')
plt.show()

⚠️ よくある落とし穴

この用語を使うときに陥りがちな失敗パターン。 経験者ほどここに 1 度はハマっています。

⚠️ 追加の落とし穴 ── 経験者ですらハマる 6 事例

🎓 まとめ ── カラースケール 3 原則

この 3 原則を守れば、 学術論文・ビジネスダッシュボード・公的データ可視化、 どの場面でも信頼性の高いカラースケール選択ができます。 SSDSE-B-2026 のような実データを使って、 ぜひ自分の手で複数の cmap を試し比べてみてください。

🌐 関連手法・派生

この用語を理解したら、 自然と気になる発展トピック・派生手法を紹介します。

🌐 補遺 R562-3: 印刷・モノクロ・WCAG コントラスト対応

Web で読み手がカラー画面を見ているとは限らない。 (1) 白黒コピー、 (2) モノクロ印刷、 (3) ダークモード、 (4) WCAG コントラスト規格に準拠した公的サイト、 (5) Kindle のような e-ink デバイス。 これら 5 つのシナリオで「カラースケールが情報量を保ったまま再現できるか」は、 公開前に必ず確認しておくべきポイントである。 SSDSE-B-2026 の地図を学会論文の図にする場合、 編集部から「モノクロでも読めるように」と言われる場面は珍しくない。

🖨 モノクロ変換のシミュレーション

このコードでやること: 4 つのカラーマップを RGB → グレースケール (ITU-R BT.601 の輝度公式 Y = 0.299R + 0.587G + 0.114B) に変換し、 「モノクロ印刷時に階調差が残るか」を比較する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

import numpy as np
import matplotlib.pyplot as plt

def rgb_to_gray(rgb):
    return 0.299*rgb[:,0] + 0.587*rgb[:,1] + 0.114*rgb[:,2]

cmaps = ['viridis', 'plasma', 'cividis', 'jet', 'RdBu_r']
x = np.linspace(0, 1, 256)
fig, axes = plt.subplots(2, len(cmaps), figsize=(15, 4))
for i, cm in enumerate(cmaps):
    rgb = plt.get_cmap(cm)(x)[:, :3]
    gray = rgb_to_gray(rgb)
    axes[0, i].imshow(rgb[np.newaxis, :, :], aspect='auto')
    axes[0, i].set_title(f'{cm} (color)', fontsize=10)
    axes[0, i].axis('off')
    axes[1, i].imshow(np.stack([gray]*3, axis=-1)[np.newaxis, :, :], aspect='auto')
    axes[1, i].set_title(f'{cm} (gray)', fontsize=10)
    axes[1, i].axis('off')
    print(f'{cm}: gray range = {gray.min():.2f}-{gray.max():.2f}, monotonic = {np.all(np.diff(gray) > 0)}')
plt.tight_layout()
plt.savefig('color_grayscale_check.png', dpi=120)

📤 実行すると次のように出力される:

💬 重要な発見: 発散型 (RdBu_r) はモノクロにすると両端 (青0.16 と赤0.13) がほぼ同じグレーになって区別できなくなる。 これは色相のみで情報を運んでいるためで、 印刷物では発散型は使わず、 viridis 系を選ぶか、 「色 + パターン (ハッチ)」の二重符号化で補強する必要がある。 jet も monotonic = False で、 印刷時に「中央が一番明るく、 両端が暗い」逆 U 字になり数値の大小が読めない。

♿ WCAG 2.1 コントラスト要件への対応

公的サイトでは WCAG 2.1 AA 基準 (通常テキストで コントラスト比 4.5:1 以上、 大きなテキストで 3:1 以上) を満たすことが求められる。 カラーバーの数字を白背景に重ねて表示する場合や、 凡例のテキストを色付きの帯の上に置く場合、 この基準を満たさないと「視覚弱者には数値が読めない」状態になる。

運用上の指針: ヒートマップの上に数値ラベルを重ねる場合、 「背景が明るい (yellow, light green) ときは黒、 暗い (purple, dark blue) ときは白」と動的に切り替える。 matplotlib では以下のスニペットで実装できる。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import numpy as np
import matplotlib.pyplot as plt

def auto_text_color(rgb):
    """背景 RGB に応じて WCAG AA を満たす文字色 (黒/白) を返す。"""
    L = 0.2126*rgb[0] + 0.7152*rgb[1] + 0.0722*rgb[2]  # 相対輝度
    return 'white' if L < 0.5 else 'black'

# 使用例: ヒートマップのセルに値を重ねる
cmap = plt.get_cmap('viridis')
fig, ax = plt.subplots(figsize=(6, 3))
vals = np.linspace(0, 1, 10)
for i, v in enumerate(vals):
    color = cmap(v)[:3]
    ax.add_patch(plt.Rectangle((i, 0), 1, 1, color=color))
    ax.text(i+0.5, 0.5, f'{v:.1f}', ha='center', va='center',
            color=auto_text_color(color), fontsize=12, fontweight='bold')
ax.set_xlim(0, 10); ax.set_ylim(0, 1); ax.axis('off')
plt.savefig('color_wcag_label.png', dpi=120)

💬 この関数を通せば、 ヒートマップの値ラベルは常に WCAG AA を満たすコントラストで描かれる。 SSDSE-B-2026 の 47 都道府県を「総人口」で塗ったヒートマップに「県名 + 値」を重ねる場合、 東京 (最大値・黄色背景) は黒、 鳥取 (最小値・暗紫背景) は白、 のように自動切り替えされる。

📝 補遺 R562 全体のまとめ

SSDSE-B-2026 を扱うあらゆる場面で、 カラースケールの選択は単なる「見た目の好み」ではなく、 (1) 変数の数学的性質 (順序・基準点・桁差)、 (2) CVD ユーザでも読めるか、 (3) モノクロ印刷で情報が保たれるか、 (4) WCAG コントラスト要件、 の 4 軸で判断すべき技術的決定である。 第一選択は viridis (逐次型) と RdBu_r (発散型)、 印刷物や公的資料では cividis を加え、 jet/rainbow は使わない、 これだけ守れば 90% 以上の場面で誤読は防げる。 残りの 10% は分析者が「意図」を加味して微調整する領域である。

関連: 棒グラフ、 円グラフ、 ヒストグラム、 箱ひげ図、 相関、 単変量可視化、 散布図、 ヒートマップ、 データ可視化。

🔗 関連用語 (前提・並列・発展)

この用語と直接結びつく前提・並列・発展用語。 学習順序の参考にどうぞ。

🔗 関連用語をさらに辿る

カラースケールの理解は、 可視化全般の理解と直結します。 以下の関連ページもあわせて参照してください。

• ヒートマップ — 2 次元データの色塗り
• コロプレス地図 — 地理データの塗り分け
• 可視化 — 上位概念
• ヒストグラム — 分布把握の基本
• 箱ひげ図 — 分布要約
• 散布図 — 2 変量関係 + 第 3 変数を色で
• 棒グラフ — 単純比較に色を添える
• データ可視化 — 全体方法論
• ダッシュボード — 複数チャートの統合
• 探索的データ解析 (EDA) — 視覚的探索の基本

📚 関連グループ教材・さらに学ぶには

このサイト内

• 論文一覧に戻る — カラースケール を実際に使った再現論文をハンズオン形式で読む
• 関連用語ページ — このページの「🔗 関連用語」から派生
• 用語集トップ — 全用語を一覧で確認
• 概念マップ — 用語間の関係を視覚化

推奨書籍・教材

• 『統計学入門』（東京大学出版会）― 日本語統計入門の定番。 可視化 の基礎が押さえられる。
• 『Pythonによるデータ分析入門』（Wes McKinney、 O'Reilly）― pandas 作者による実装ガイド。
• 『機械学習のエッセンス』（加藤公一、 SBクリエイティブ）― ML 基礎を Python で実装しながら学ぶ。
• 『因果推論の科学』（Judea Pearl、 文藝春秋）― 相関と因果の違いを徹底解説。

オンライン教材

• scikit-learn 公式ドキュメント — 機械学習の標準実装。
• StatQuest (YouTube) — 統計概念を直感的に解説。
• Coursera / edX — 体系的なオンライン講座。
• SSDSE 公式 — 本サイトで使う公的データの提供元。

困ったときは

1. データの可視化 (散布図・ヒストグラム・箱ひげ図) で全体像を把握
2. サンプルサイズ・欠損・外れ値を確認
3. 適用条件 (前提) が満たされているか診断
4. 類似研究での標準的な手法を確認
5. 結果を複数手法でクロスチェック

📜 歴史的背景と学習の位置づけ

カラースケール は 可視化 の領域で発展してきた概念です。 ここでは大まかな歴史的背景と、 なぜこの概念が必要になったのかを整理します。 用語が「降ってきた」のではなく、 現実の問題を解くために順番に編み出されたものだと知ると、 学習の納得感が違います。

なぜこの概念が生まれたか

データ分析や AI を実務で使うと、 「単純な数式」「直感だけのモデル」では太刀打ちできない場面が必ず出てきます。 カラースケール は、 そうした実務的な課題を整理し、 共通言語として定式化したものです。 そのため、 教科書だけで完結する話ではなく、 使う場面と使わない場面を見極めることが何より重要になります。

学習の位置づけ

• 初学者：まず「30秒で分かる結論」「直感で掴む」だけ読めば、 論文に出てきたときに「あ、 あれね」と分かります。
• 中級者：数式と Python 実装をセットで覚え、 自分の手元データに適用できる状態を目指します。
• 上級者：落とし穴と派生手法を理解し、 場面に応じた使い分け・改良ができることが目標です。

🔍 近接概念との比較

同じ 可視化 カテゴリにある近接概念と、 カラースケール はどう違うのか？ 混同しがちなポイントを整理します。

📌 使い分けの原則： まずは本ページの定義を押さえ、 次に「🌐 関連手法・派生」「🔗 関連用語」のリンクから近接概念を確認し、 自分の問題に対してどれを使うか意識的に選ぶことを習慣にしてください。

❓ よくある質問 (FAQ)

本サイトの教材を読み進めるなかで、 受講者からよく質問される項目をまとめました。

✅ 実務チェックリスト

分析作業のなかで カラースケール を使うときは、 以下のチェックリストを上から順に確認してください。 抜けがあると後工程で痛い目に遭います。

① 分析設計フェーズ

• □ 目的を 1 文で書けるか？ (「何を、 どうしたいか」)
• □ カラースケール がその目的に 本当に合っているか？
• □ 必要なデータの種類・量・期間を見積もったか？
• □ 結果をどう報告・意思決定に使うか、 事前に決めたか？

② データ準備フェーズ

• □ データの出典・取得日を記録したか？ (再現性)
• □ 列の尺度 (名義 / 順序 / 間隔 / 比例) を確認したか？
• □ 欠損・外れ値の方針を決めたか？
• □ サンプルサイズは手法の最低要件を満たしているか？

③ 分析実行フェーズ

• □ 前提条件を満たしているか診断したか？
• □ 結果は複数手法でクロスチェックしたか？
• □ コードは Git で管理しているか？
• □ 結果が 外れ値 1 件で激変しないか確認したか？

④ 解釈・報告フェーズ

• □ 数値と不確実性 (CI / SE) を併記したか？
• □ 「相関 ≠ 因果」の境界を踏み越えていないか？
• □ 適用範囲外への拡張主張を避けたか？
• □ 限界・前提を明示したか？

📝 レポート・論文での書き方

論文・社内レポート・ステークホルダー報告書で カラースケール を扱うとき、 含めるべき項目とテンプレートをまとめました。

必須記載項目

🎓 深掘り：シナリオで身につける

ここまで定義・計算・落とし穴を見てきました。 ここでは カラースケール をより深く理解するための思考フレームと実務シナリオを、 ストーリー形式で整理します。 用語そのものより、 「どんなときに思い出して、 どう使うか」を体に染み込ませることが、 教材を読む真の目的です。

シナリオ A：研究室での卒論データ分析

「卒業研究で 47 都道府県のデータを分析したい」。 そんなとき カラースケール はどう登場するでしょうか。 担当の先生から「データを見たうえで、 関連する手法を 1 つ選んで適用してきて」と言われたとします。 まずデータの性質 (量・尺度・期間) を確認し、 「カラースケール がこの問題に合っているか」を本ページの 30 秒結論で照らし合わせます。 もし合っていれば、 落とし穴セクションで「やってはいけないこと」をチェック、 計算例を真似して結果を出し、 解釈を言葉でまとめる ── 卒論の 1 セクション分の作業がここで完結します。

シナリオ B：データサイエンスのインターン

企業のインターンで「過去 3 年の顧客データから来期の予測モデルを作って」と任された。 上司は カラースケール を当然知っている前提で話します。 言葉が通じないと議論についていけません。 そこで本ページの「定義・数式」「Python 実装」を 30 分で 押さえ、 上司の使う用語に追随する ── ジャストインタイム学習の典型シーンです。 後日、 自分でも実装した結果を上司に説明するとき、 「レポート・論文での書き方」テンプレートに沿って書けば、 過不足なく伝えられます。

シナリオ C：論文を読んでつまずいたとき

本サイトのトップから論文一覧をたどり、 ある論文を読んでいたら カラースケール が出てきた。 「これ、 なんだっけ？」と思った瞬間、 本ページに飛んでくる ── これが ジャストインタイム型教材の使い方です。 30 秒結論を読み、 「あ、 そういう意味か」と納得したら、 元の論文に戻ります。 必要に応じて落とし穴セクションだけ読んで、 著者の解釈が妥当か批判的に確認することも可能です。

よくある誤解 3 連続

意思決定フレーム：使う？使わない？

🎯 このページのまとめ

🧭 サイト内ナビゲーション

本ページは、 統計・データ解析コンペティションの再現論文集に付随する用語解説の 1 ページです。 カラースケール 以外の用語も、 同じフォーマットで以下からたどれます。

• 📚 用語集トップ — 514 用語の一覧
• 🗺 概念マップ — 用語間の関係を視覚化
• 📖 論文一覧へ戻る — 約 160 本の再現論文ハンズオン

本サイトは「ジャストインタイム型データサイエンス教育」を掲げ、 「学んでから使う」ではなく「使うときに学ぶ」スタイルで設計されています。 ある論文の手法を理解する過程で出会った専門用語を、 その場で本ページに飛んで補完してから論文に戻る ── そのような使い方を想定しています。

📚 カラースケール選択チートシート

🧮 さらに実用: bins (区分数) の決め方

連続カラースケールを離散化 (例: 5 階級) して使うコロプレスでは、 階級数 $k$ が情報量を決めます。 経験則として $k = \lceil 1 + \log_2 n \rceil$ (Sturges の式) が出発点。 SSDSE-B-2026 の 47 都道府県なら $k \approx 6.55 \to 7$ 階級が目安。 ただし、 受け手の認知負荷を考えると 5 〜 7 階級で打ち止めるのが実務的です。

階級分けの基準は、 等間隔 (equal interval)、 等頻度 (quantile)、 自然分位 (Jenks natural breaks) が代表的。 人口のように歪んだ分布では equal interval だと「東京 1 階級 + 他 46 県すべて最低階級」になりがちで、 quantile か Jenks を選ぶのが鉄則です。

📰 失敗事例から学ぶカラースケール設計

ケース 1: 気象庁・天気図のレインボーカラー

気温分布図で長く赤-緑-青の rainbow カラースケールが使われてきました。 しかし「同じ赤でも 28℃ と 32℃ で色が連続的に変化しない (緑帯で人工的バンドが入る)」という問題があり、 2010 年代以降は viridis 系へ徐々に移行しています。 公的データ可視化のスタンダードは「知覚的均等 + CUD 対応」が要件化されつつあります。

ケース 2: 新型コロナ感染者数マップ

パンデミック初期、 多くの自治体が「白→濃赤」の sequential を使いましたが、 数値レンジが日々急変するため、 同じ赤でも昨日と今日で意味が違うケースが頻発しました。 固定スケール (例: 0-1000 で固定)と 動的スケール (毎日 max を変更)を区別して併記するのが視覚化倫理です。

ケース 3: 学術論文の Excel ヒートマップ

古い論文で Excel の conditional formatting がそのまま使われ、 緑→黄→赤の信号機色が頻出します。 これは P/D 型色覚で判別できず、 投稿先によっては掲載拒否の原因にもなります。 reproducibility (再現性) を高めるためには、 図中に 使用 cmap 名 (例: viridis) を明記するのが推奨されます。

🗺 概念マップ

「カラースケール」を中心に、 連続スケール (viridis/cividis)・カテゴリスケール・発散スケール (RdBu)・jet/rainbow の不適切さ・コントラスト比 4.5:1 の WCAG 基準を結びつけた俯瞰図。 色覚多様性配慮を含めて選択する地図。

上の概念マップは「カラースケール」を中心に、 viridis / cividis (知覚均等で色覚多様性に配慮) と「jet/rainbow は使うな」(視覚誤誘導の典型) を対比した俯瞰図である。 単に綺麗な色を選ぶのではなく、 「順序データには連続スケール、 カテゴリにはカテゴリカルスケール、 ゼロを境に正負があるなら発散スケール」という 3 種の使い分けが本質である。

🔗 隣接手法への橋渡し

「カラースケール」は数値 → 色の写像で、 上流のデータ範囲・分布の把握 (例: 歪み) と下流の色覚多様性配慮を組まないと、 平均的読者と色弱読者で別解釈が生まれる事故になる。

• 上流: カラースケール の入力となるA1101 人口を都道府県地図にカラーマッピング を整える前処理 (データクレンジング、 欠損値処理)
• 並列: 類似目的を持つ代替手法 (ヒートマップ、 棒グラフ) と比較・併用
• 下流: 出力結果の評価・解釈 (データ可視化、 箱ひげ図)

上流でデータ範囲とスケール (順序/発散/質的) を判断し、 並列の matplotlib/Plotly cmap を比較し、 下流で color blindness simulator により可読性を検証すれば、 SSDSE 都道府県マップを誰でも正しく読めるよう仕上げられる。

🌳 手法選択フロー

「カラースケール」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. 表したい量に方向はあるか
   大小だけなら明度が一方向に変わる連続スケール（viridis）。 基準値からのプラス・マイナスなら中央を白にする発散スケール（RdBu_r）で center=0。 順序の無いカテゴリなら色相で区別する。
2. 基準となる値はどこか
   相関なら 0、 増減率なら 0、 偏差値なら 50。 基準を中央に置かないと、 わずかな差が濃い色になって誇張される。
3. 複数の図を並べて比べるか
   比べるなら vmin／vmax を全図で固定する。 固定しないと、 同じ色が図ごとに違う値を意味してしまう。
4. 色覚特性と印刷に耐えるか
   赤緑だけの区別は避け、 グレースケールにしても順序が残るかを確認する。 viridis 系は明度が単調なので、 白黒印刷でも大小が読める。

カラースケールは「どの値を基準に、 どちらへ濃くするか」を決める作業。 既定のまま使うと、 データではなくライブラリの都合が図の印象を決めてしまう。

🧭 解説深化 — パレット選びの陰に隠れた「スケール関数」: 値→[0,1] の写像が 47 県の見え方を決める

💡 直感 — カラースケールは「色の質」の前に「二段の写像」である

本ページ本文は「viridis か jet か」というパレット(色の質)の議論を厚く扱った。 だが読み手が地図やヒートマップから最初に受け取る印象を決めているのは、 実は色そのものではなく 数値を [0,1] に畳み込む写像関数 のほうだ。 カラースケールは常に二段構えで動く ── まず 値 → [0,1](正規化 normalize)、 次に [0,1] → 色(パレット colormap)。 パレットをどれだけ丁寧に選んでも、 一段目の写像が歪んでいれば、 47 都道府県の大半が同じ色に潰れてしまう。 逆に言えば、 同じ viridis のままでも 写像を線形から対数・分位へ切り替えるだけで、 見える情報量は激変する。 だから批判的な読み手は「何色を使ったか」より先に「どんな関数で値を色に割り当てたか」を疑う。

⚠️ 落とし穴(重要) — 歪んだ実データを線形スケールに載せると、色帯が「1 県の外れ値」に独占される

本文の落とし穴節は「jet の知覚非均等」「階級数の過多」「vcenter=0 の指定漏れ」を扱ったが、 未定量だったのが 右に歪んだ分布を線形正規化したときの色帯の崩壊だ。 SSDSE-B-2026 の A1101 総人口(2023年・47都道府県) で実測すると、 最小の 鳥取県 537 千人 から最大の 東京都 14,086 千人 まで 26.2 倍の開きがある(2 位は神奈川県 9,229、 3 位は大阪府 8,763)。 この列をそのまま線形正規化 (x − min)/(max − min) にかけると、 東京都だけが 1.0 を独占し、 残りは下端に押し潰される。 実測した内訳が次の表だ(すべて data/raw/SSDSE-B-2026.csv からの計算値)。

線形では 47 県中 28 県が色帯の下位 10% に、 37 県が下位 20% に潰れる。 パレットが viridis だろうと jet だろうと、 この 28 県はほぼ同じ暗色になり、 地図上で読み分けられない。 対数正規化に替えるだけで下位 10% は 5 県まで減り、 45 都道府県が識別可能な色差を持つ。 同じ問題は離散化(階級分け)でも起きる。 5 階級のコロプレスを作るとき、 等間隔(equal interval)で切ると階級人数は {最下位:37, 4, 3, 2, 最上位:1} ── 最下位階級に 37 県が押し込まれ、 最上位は東京 1 県のみ。 一方、 分位(quantile)で切れば {10, 9, 9, 9, 10} と各階級ほぼ均等になる(いずれも実測値)。 「どのパレットか」ではなく「どの写像・どの階級境界か」を明示しない図は、 都合の良い結論を無自覚に演出する。 これが色による嘘の最頻出パターンだ。

🚀 発展 — 「東京をどう扱うか」で写像を選ぶ 3 つの定石

歪んだ実データに対する写像の選択は、 結局外れ値(この例では東京都)をどう遇するかの問題に帰着する。 実務では次の 3 手を使い分ける。 (1) 対数正規化(LogNorm) ── 桁差そのものが意味を持つ量(人口・所得・面積)に。 東京を含めた全県を 1 枚の連続スケールに収めたいとき。 (2) ロバスト・クリッピング ── 下位 2%・上位 98% パーセンタイルで vmin/vmax を固定し、 東京は「振り切れ(≥上限)」として別色または数値ラベルで併記。 中間層の解像度を最大化したいとき。 (3) 分位・Jenks 離散化 ── 連続色をやめ、 各階級に等人数(または自然分断)で県を割り当てる。 「順位グループ」を伝えたいとき。 いずれの場合も、 凡例に写像方式(linear/log/quantile)と境界値を明記するのが誠実な作法だ。 なお発散(diverging)スケールを「全国平均との差」に使うときは、 この写像問題に加えて中心値の固定(本文の vcenter=0)も同時に効くので、 正規化と中心固定は別々の設定であることを意識したい。

🔗 関連ページ

• ヒートマップ ── 二次元の色写像。 行列全体で vmin/vmax を共有するか行・列ごとに正規化するかで、 本節と同じ「写像の崩壊」が起きる。
• データ可視化 ── 図を「エンコード→デコード」の往復として疑う視点。 色写像は最もデコード誤差を生みやすいチャネルの一つ。
• 外れ値 ── 本節の色帯独占の主因。 外れ値の検出・扱いを決めてから写像を選ぶと迷わない。
• 標準化 ── 値→[0,1] 写像の親戚。 z 化・min-max・対数の違いは、そのまま色の見え方の違いになる。
• 対数スケール / コロプレス地図 の専用ページは本教材内に未整備のため、 当面は本ページ本文の「実践レシピ E(コロプレス)」と上表を参照のこと。