🔖 キーワード索引

「複合グラフ・2軸グラフ」を取り巻く中核キーワード群です。 検索やインデックス作成で参照する際の手がかりにしてください。 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ります。

🎨 直感で掴む

1 つのグラフに 2 つの目盛り（左右）を入れることで、 絶対値と比率 のような異質な情報を並べられます。

• 左軸：売上（円） — 棒
• 右軸：成長率（%） — 折れ線

「売上は伸びている」「でも成長率は鈍化」のような 2 つのストーリーを 1 枚で 語れる。 反面、 左右の軸の取り方で印象が大きく変わるため、 倫理的配慮が必要。

🎨 概念図で押さえる

複合グラフ・2軸グラフ は「異なる単位の指標」を 1 枚に重ねる可視化。 ここでは「2軸グラフの正しい構造」「棒+折れ線の重ね方」「やってはいけない 2 軸スケール詐術」を視覚化する。

📝 理解度チェック（練習問題）

複合グラフの核を本当に掴めたかを 6 問で確認する。 すべて 1 分以内で答えられる粒度。 「自分で」答えを口に出して言える状態を目指したい。

Q1. 複合グラフが必要になる典型シーン 3 つ

Q2. 2 軸グラフ最大の詐術とは

Q3. 棒グラフと折れ線グラフを重ねるときの色選び

Q4. 積み上げ棒と並列棒、 どう使い分けるか

Q5. SSDSE-B-2026 で「人口（棒）+ 高齢化率（折れ線）」を 47 県で描くときの注意

Q6. ヒートマップ + 帯グラフ複合の典型用途

これらの問題に詰まった項目があれば、 「複合グラフの 3 パターン」「2 軸の詐術」セクションへ戻ろう。 複合グラフは強力だが、 軸操作で印象を捏造できる「諸刃の剣」でもある。 必ず「正直なスケール」を心がけたい。

📐 数式または定義

複合グラフ・2軸グラフに固有の「数式」は、 2 つの系列を同じ描画領域に写像するためのスケール変換である。 左軸の系列と右軸の系列は、 それぞれ独立な線形変換で描画位置 (高さ) に変換される。

$$h(v) = \frac{v - v_{\min}}{v_{\max} - v_{\min}} \times H$$

ここで $v$ は系列の値、 $[v_{\min},\ v_{\max}]$ はその軸の表示範囲、 $H$ は描画領域の高さ。 左軸と右軸で $[v_{\min},\ v_{\max}]$ を別々に選べる — これが 2 軸グラフの表現力の源泉であり、 同時に「範囲の恣意的な選択で 2 系列の見かけの関係を操作できる」という最大の弱点でもある。 具体的な値での計算例は実値で計算してみるを参照。

🔬 記号・要素の読み解き

🔬 2 軸グラフの構成を言葉で読み解く

2 軸グラフは「左軸 = 量 (絶対値)」「右軸 = 率 (比率・割合)」の役割分担が定石。 SSDSE-B-2026 なら、 左軸に A1101 (総人口) の棒、 右軸に A4103 (合計特殊出生率) の折れ線を対応させる。 読むときは次の 3 点を必ず確認する：

1. どの系列がどちらの軸か — 凡例と軸ラベル・色の対応を見る
2. 各軸の表示範囲は 0 起点か — 特に右軸が狭い範囲に切られていないか
3. 右軸の範囲に根拠があるか — caption や注記で説明されているか

⚖️ 複合グラフの組合せパターン比較

※ 積み上げ棒の詳細は積み上げ棒グラフ、 誤読リスクの体系は誤解を招くグラフを参照。

この章の要点

2 軸グラフを見たら、必ず次の 3 手順を踏んでください。 本章の家計データの例では、この手順で「見た目は無関係、実は −0.668」という発見にたどり着きました。

3 手順すべてで符号が一致したときだけ、「関係がある」と書いてよい—— これくらい慎重でちょうどよいと考えてください。 2 軸グラフはこの 3 手順の入口にすぎず、それ自体は何も証明しません。

🧮 実値で計算してみる

都道府県の人口（棒・左軸）と TFR（折れ線・右軸）を 2 軸グラフで表示する設計：

1. 人口の単位：万人。 左軸 0〜1500
2. TFR の単位：人。 右軸 0.8〜2.0
3. 棒色：薄いグレー、 折れ線色：濃い赤（注目させたいほうを目立たせる）
4. 軸ラベルに 単位を明示し、 凡例で色対応を示す
5. 副軸のスケールを 恣意的に設定しない（誤読防止）

🧮 数式に値を入れて手で計算する: 右軸レンジと「見かけの高さ」

右軸 (合計特殊出生率 A4103) に値 1.21 (SSDSE-B-2026 の 2023 年度における福島県・奈良県の実測値) を描くとき、 表示範囲の取り方で描画位置がどれだけ変わるかを、 スケール変換 $h(v) = (v - v_{\min}) / (v_{\max} - v_{\min})$ で計算する。 なお 0.99 は 2023 年度の全国最小値 (東京都)、 最大値は 1.60 (沖縄県)。

Step 1: 自然な範囲 0.8〜2.0 の場合

Step 2: 恣意的に狭めた範囲 0.99〜1.21 の場合

🐍 Python で再現

def h(v, vmin, vmax):
    """軸範囲 [vmin, vmax] に対する値 v の相対的な描画位置 (0〜1)"""
    return (v - vmin) / (vmax - vmin)

v = 1.21  # 例: 合計特殊出生率 (A4103)。2023 年度の福島県・奈良県の実測値
print(f"自然な範囲 0.8〜2.0  : {h(v, 0.8, 2.0):.2f}")
print(f"狭めた範囲 0.99〜1.21: {h(v, 0.99, 1.21):.2f}")

📤 実行結果

💬 手計算 (Step 1・Step 2) と Python 出力が一致。 同じ 1.21 という値が、 右軸の範囲次第で「下から 1/3」にも「最上端」にもなる — これが 2 軸グラフ最大の落とし穴 (スケール操作) の正体である。

実データ演習 — 消費支出（棒）とエンゲル係数（線）

2 軸グラフの典型例をもう 1 つ、SSDSE-B-2026 の家計データで作ります。 棒に消費支出（二人以上の世帯、月額・円）、線にエンゲル係数（食料費 ÷ 消費支出 × 100、%）。 円と % なので単位が違い、桁も 29 万 vs 27 と 4 桁違うので、まさに 2 軸の出番に見えます。 値はいずれも 47 都道府県の平均です。

2 軸グラフにすると、棒はほぼ横ばい（28.7 万〜29.6 万）なのに、線だけが 23.3 → 27.2 と右上がりになります。 ここから読み手が受け取る物語は「支出は変わらないのに食費の比率が上がった＝生活が苦しくなった」でしょう。 実際、食料費は 66,705 → 80,598 円と +20.8% 増えており、 同じ期間に消費支出全体は +3.2% しか増えていません。 この読み取り自体は正しいのですが、それは 2 軸グラフのおかげではなく、 食料費という 3 本目の系列を別途確認したからです。

水準の相関が弱く、差分の相関が強い例

消費支出とエンゲル係数の相関を 2 通りで計算すると、興味深い結果になります。

💬 ここが重要です。 水準では見えなかった関係が、差分では −0.668 とはっきり現れました。 エンゲルの法則（所得が増えると食費の比率は下がる）が、年ごとの変動として実際に確認できたわけです。 2 軸グラフを眺めているだけでは、この関係には絶対にたどり着けません。 棒が横ばいで線が右上がりなら、多くの人は「関係なし」か「逆相関」と判断してしまうからです。

しかも 2023 年の 47 都道府県断面でも −0.562。 エンゲル係数は愛媛県 31.82% が最高、岐阜県 23.89% が最低で、 8 ポイント近い地域差があります。 時間方向でも地域方向でも同じ符号の関係が確認できる—— これで初めて「支出とエンゲル係数には実質的な関係がある」と言えます。 2 軸グラフはこの結論を示す図ではなく、結論を探すきっかけにすぎません。

なお前ページの複合グラフの例（出生数と婚姻件数）では逆に、 水準で +0.972 と強かった相関が差分で −0.169 に消えました。 水準と差分のどちらが強いかは、データによって逆転します。 「差分をとれば真実が出る」わけでもなく、 両方を計算して食い違いを検討するプロセスそのものが必要だ、というのが教訓です。

🎮 触って理解する

2 軸グラフの怖さは「同じデータでも右軸の目盛りの取り方だけで、 2 系列が連動して見えたり無関係に見えたりする」こと。 下のグラフは SSDSE-B-2026 の 2023 年度・実測値で、 左軸に総人口 (A1101) の棒、 右軸に合計特殊出生率 (A4103) の折れ線を重ねた複合グラフ。 右軸の最小値・最大値スライダーを動かして、 折れ線の「見かけの激しさ」がどう変わるか体感しよう。 データは一切変わっていないのに、 印象だけが激変する。

この体感からの学び

• 広い右軸 (0〜2.0)：出生率 0.99〜1.29 が広い範囲の中に埋もれ、 折れ線はほぼ横ばい → 「人口と出生率は無関係に見える」。
• 狭い右軸 (0.95〜1.30)：わずか 0.3 の差が画面いっぱいに拡大され、 折れ線が激しく上下 → 「人口が減ると出生率が跳ね上がる、 強い逆相関に見える」。
• 同一スケールに揃えると、 両系列を 0〜1 に正規化した本当の姿が見える。 この 8 都市では相関係数 r ≒ −0.82 (人口が多い都市ほど出生率が低い、 47 都道府県全体でも r ≒ −0.56)。 これが「真の関係」で、 右軸を絞って作った「激しさ」は演出にすぎない。

2 軸グラフの正当な使いどころ vs 誤用

単位が同じ (どちらも「率」など) なら、 わざわざ 2 軸にせず同一軸で並べるのが誠実。 2 軸が本当に必要なのは「万人」と「無次元の率」のように単位が違って同じ軸に載せられないときだけ。 迷ったら基準化 (最初の年=100 の指数など) して 1 軸にまとめるか、 折れ線グラフを上下 2 段に分けるスモールマルチプルを検討しよう。 相関を主張したいなら 2 軸グラフではなく誤解を招くグラフで扱う散布図・回帰が本筋。

🐍 Python での扱い

最小再現コード。 SSDSE-B のような実データを前提に、 4〜8 行で動く例です：

1
2
3
4
5
6
7
8
9

import pandas as pd, matplotlib.pyplot as plt
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].sort_values('A1101', ascending=False).head(10)
fig, ax1 = plt.subplots(figsize=(10,5))
ax1.bar(d['Prefecture'], d['A1101'] / 1e4, color='lightgray', label='総人口')
ax2 = ax1.twinx()
ax2.plot(d['Prefecture'], d['A4103'], 'r-o', label='合計特殊出生率')
ax1.set_ylabel('総人口 (万人)'); ax2.set_ylabel('合計特殊出生率')
plt.savefig('complex_graph.png')

補足：ライブラリのバージョンや前処理状態によって出力は変わります。 自分の環境で動かすときは pip list でバージョンを確認し、 入力 CSV のパス・列名を実態に合わせてください。

🐍 Python 完全コード（4 要素ナレーション付き）

コード：SSDSE-B-2026 で「総人口 (棒・左軸) × 合計特殊出生率 (折れ線・右軸)」

🎯 このコードでやること：2023 年度の人口上位 10 都道府県について、 左軸に総人口の棒、 右軸に合計特殊出生率の折れ線を重ねた 2 軸グラフを描く。 両軸とも 0 起点にして錯覚を防ぐ。

📥 入力データ：SSDSE-B-2026 (2012〜2023 年度 × 47 都道府県 = 564 行)。 使用列は SSDSE-B-2026 (先頭列 = 年度)・Prefecture・A1101 (総人口)・A4103 (合計特殊出生率)。

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d  = df[df['SSDSE-B-2026'] == 2023].sort_values('A1101', ascending=False).head(10)

fig, ax1 = plt.subplots(figsize=(10, 5))
ax1.bar(d['Prefecture'], d['A1101'] / 1e4, color='#B0BEC5', label='総人口 (万人)')
ax1.set_ylabel('総人口 (万人)')
ax1.set_ylim(0, None)               # 棒はゼロ起点が原則

ax2 = ax1.twinx()
ax2.plot(d['Prefecture'], d['A4103'], color='#D32F2F', marker='o',
         label='合計特殊出生率')
ax2.set_ylabel('合計特殊出生率')
ax2.set_ylim(0, 2.0)                # 右軸も 0 起点で誇張を防ぐ

h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc='upper right')
plt.title('人口上位 10 都道府県: 総人口と合計特殊出生率 (2023 年度)')
plt.tight_layout()
plt.savefig('complex_graph.png', dpi=100)

📤 実行結果：

💬 結果の読み方：人口の多い大都市圏ほど出生率が低めに見える傾向が読み取れる (2023 年度・47 都道府県全体で総人口と合計特殊出生率の相関係数は r ≒ −0.56、 最小は東京都 0.99・最大は沖縄県 1.60)。 ただしこれは「相関」であって「因果」ではない点に注意 (よくある落とし穴参照)。 右軸を 0〜2.0 に固定したので折れ線の変動は控えめに見える — これが「正直なスケール」。 右軸を狭い範囲に切ると、 同じデータでも劇的な変動に見えてしまう。

実装メモ — 主要ライブラリでの 2 軸グラフ

2 軸グラフの「見た目」を数値で裏取りする

このコードでやること：消費支出とエンゲル係数について、 年ごとの変化量（前年差）を並べ、水準の相関と差分の相関を比べます。 2 軸グラフを見て「関係がなさそう」と判断する前に必ずやるべき確認です。

📥 入力データ（SSDSE-B-2026、47 都道府県 × 12 年の家計項目）:

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

# 2 軸グラフでは見えない関係を、差分で確かめる
import pandas as pd

df = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932", header=1)
df = df[df["地域コード"].astype(str).str.match(r"^R\d{5}$", na=False)].copy()
C, F = "消費支出（二人以上の世帯）", "食料費（二人以上の世帯）"
for c in [C, F]:
    df[c] = pd.to_numeric(df[c], errors="coerce")
df["年度"] = pd.to_numeric(df["年度"], errors="coerce")

nat = df.groupby("年度")[[C, F]].mean()        # 47 都道府県の平均
nat["エンゲル係数"] = nat[F] / nat[C] * 100

diff = nat.diff().dropna()                     # 前年差をとる
print("年ごとの変化（2 軸グラフでは読み取れない部分）")
for y, r in diff.iterrows():
    print(f"  {int(y)}: Δ消費支出 {r[C]:+8.0f} 円   Δエンゲル係数 {r['エンゲル係数']:+6.2f} pt")

print()
print(f"水準の相関 : {nat[C].corr(nat['エンゲル係数']):+.3f}")
print(f"差分の相関 : {diff[C].corr(diff['エンゲル係数']):+.3f}  ← こちらが本当の関係")

📤 実行結果:

💬 読み方：表を上から追うと、符号の対応がはっきり見えます。 消費支出が大きく減った 2015 年（−3,961 円）と 2020 年（−8,837 円）は、 エンゲル係数が大きく上がっています（+1.05 pt、+1.48 pt）。 逆に支出が大きく増えた 2021・2022 年は、エンゲル係数が下がりました（−0.35、−0.22 pt）。 これがエンゲルの法則そのものです。

2 軸グラフでは、棒（消費支出）の 8,837 円の凹みは 29 万円のスケールでは 3% 程度の変化にすぎず、 ほとんど目に見えません。線のほうも右上がりのトレンドに埋もれます。 図では見えない関係が、差分をとった瞬間に −0.668 として現れる—— これが「2 軸グラフは仮説を立てる道具であって、検証する道具ではない」ということの実例です。

ちなみに 2023 年だけは、支出が +6,226 円と増えたのにエンゲル係数も +0.80 pt 上がっており、 法則から外れています。食料費が 76,598 → 80,598 円と 5.2% 上がった影響で、 支出の増加分以上に食費が伸びたためです。 相関 −0.668 は「全体の傾向」であって、すべての年に当てはまるわけではありません。 外れた年を見つけて理由を考えるところに、本当の分析があります。

⚠️ よくある落とし穴

複合グラフ・2軸グラフ を実務で扱うとき、 多くの分析者が同じところでつまずきます。 代表的な失敗パターンを先回りで押さえておくと、 後工程のトラブルを大幅に減らせます。

※ 上記 5 件は SSDSE-B-2026 (12 年度 × 47 都道府県 = 564 行、 112 列) で 2 軸グラフを描く際に実際に起こる事故パターン。 「総人口 (A1101) × 合計特殊出生率 (A4103)」「延べ宿泊者数 (G7101) × 消費支出 (L3221)」など単位の異なる 2 量を重ねるたびに、 この 5 点をチェックする。

🧠 よくある誤解 — 2 軸グラフの「読み方」で騙されないために

作り手だけでなく読み手も知っておくべき誤解パターン。 本編の 5 件と合わせてチェックリストとして活用してください。

🌐 関連手法・派生

• Small Multiples：複合の代替、 同種図の並列表示
• Sparklines：文中に埋め込む小さな折れ線
• Bubble Chart：3 変数を 1 枚に（X・Y・サイズ）
• Parallel Coordinates：多変量を平行軸で
• Radar Chart：複数指標の総合比較

❓ よくある質問

🔗 関連用語 — 前提・並列・発展

「複合グラフ・2軸グラフ」をより深く理解するには、 周辺の用語を セットで 押さえるのが効率的です。 以下は前提（先に知っておくべき）、 並列（兄弟概念）、 発展（次に学ぶべき）の関係にある用語群：

クリックで各用語の詳細ページへ移動します。 全用語の体系は 用語集トップ または 概念マップ から俯瞰できます。

📚 関連グループ教材

「複合グラフ・2軸グラフ」は単独で完結する概念ではなく、 より大きな分野の一部です。 上位カテゴリの教材を読むことで、 この用語の 位置づけ が立体的に見えてきます：

• 📚 グループ教材：データ可視化 — このカテゴリの体系的解説

📚 参考文献・出典

• Tufte, E. R. (2001). The Visual Display of Quantitative Information (2nd ed.). Graphics Press.
• Few, S. (2008). Dual-Scaled Axes in Graphs: Are They Ever the Best Solution? Perceptual Edge — Visual Business Intelligence Newsletter.
• Cairo, A. (2016). The Truthful Art: Data, Charts, and Maps for Communication. New Riders.
• matplotlib 公式ドキュメント Axes.twinx. https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html
• Plotly 公式: Multiple Axes in Python. https://plotly.com/python/multiple-axes/
• 独立行政法人統計センター. 教育用標準データセット SSDSE-B-2026 (CC BY 4.0). https://www.nstac.go.jp/use/literacy/ssdse/

🗺 概念マップ

「複合グラフ・2軸グラフ」を中心に、 Small Multiple・Sparklines・Bubble Chart・Parallel Coordinates・Radar Chart・落とし穴 (二重 Y 軸の誤解) を 6 方向で配置した俯瞰図。 単一グラフでは表せない多変量関係を複合 vs 代替案で比較する地図。

上の概念マップは「複合グラフ・2 軸グラフ」を中心に、 Small Multiple (小分割反復)・Sparklines (極小グラフ)・Bubble Chart (大きさで第 3 変数)・Parallel Coordinates (多変量平行軸)・Radar Chart (極座標多軸)・落とし穴 (2 軸の縦軸スケール乱用) を 6 方向に展開した俯瞰図である。 単一グラフでは表現しきれない多変量関係を表す代替案として、 「複合グラフ以外の選択肢」を常に思い出すための地図でもある。

🔗 隣接手法への橋渡し

「複合グラフ」は異なる尺度の系列を 1 枚に重ねる図で、 上流の単位・スケール整理と下流の二重 Y 軸の誤解リスク評価を組まないと「相関があるように見える」錯覚を生む。

• 上流: 複合グラフ の入力となるA1101 総人口と A4103 合計特殊出生率を二軸グラフで描画 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 (棒グラフ、 折れ線グラフ) と比較・併用
• 下流: 出力結果の評価・解釈 (誤解を招くグラフ、 ゲシュタルトの法則)

上流で系列の単位・尺度を確認し、 並列の小倍数 (Small Multiples) を代替案として検討し、 下流で読者の誤解 (相関を演出してしまう) を回避する設計を入れれば、 SSDSE 経時データの複数指標比較を歪みなく伝えられる。

🌳 手法選択フロー

「複合グラフ・2軸グラフ」を実際の課題に当てはめるとき、 状況別に何を選ぶかを 3 段階で判定する。

1. 目的が明確か? Yes → 次へ、 No → まず 文脈 — どこで出会うか を確認
2. 単位の異なる 2 系列を重ねる必要があるか? Yes → 複合グラフ・2軸グラフ を適用、 No → 棒グラフや折れ線グラフ単体、 前処理はデータクレンジングを先行
3. 結果の解釈は? 単独で判断せず、 関連用語 (small multiples 等の代替案) と組み合わせる

上記は 複合グラフ を 「A1101 (総人口) と A4103 (合計特殊出生率) を 2 軸グラフで描画」する課題に適用するときの典型フロー。 都道府県データ特有の小標本(n=47)・地域固有のサンプリング誤差を考慮し、 必要に応じて分析設計を調整する。

🎨 直感を深める — なぜ「第2軸」という発明が要るのか

第2軸は「1枚の紙に、住所の違う2つの世界を貼り合わせる」発明だと考えると腑に落ちます。 左軸の住所は「万人」、 右軸の住所は「無次元の率」。 両者はそもそも別の物差しなので、 同じ高さに並んでいても「高さの比較」には意味がありません。 「棒より折れ線が上にある＝出生率が人口より大きい」といった読み方は無意味です。

では第2軸は何を与えるのか。 それは「横軸（都道府県や年）を共有させ、 2系列の動き方だけを見比べる」機会です。 SSDSE-B-2026 なら、 都道府県という同じ横軸の上で「総人口 (A1101・万人)」と「合計特殊出生率 (A4103・無次元)」の増減パターンを並べて眺める — これが正当な使い方です。 見るのは「高さ」ではなく「向きと変化」だけ、 と割り切るのが第2軸を正しく読むコツです。

だから第2軸を使う条件はただ1つ、 「横軸（観測対象）は共有できるが、 縦軸の単位が根本的に違う」ときだけです。 逆に、 2系列がどちらも「率」や「円」など同じ単位なら第2軸は不要で、 同一軸に並べるほうが誠実です（高さを直接比較できるため）。 「2つのストーリーを1枚で」という利点の裏返しとして、 第2軸は「2つの物差しを分けて描く」という契約でもあります。 読者にその契約（左はこれ、 右はこれ）を明示する義務が作り手に生じる — 図Aのように軸の色を系列の色に一致させるのは、 その契約書に判子を押す行為なのです。

⚠️ 落とし穴を深める — 2軸グラフはこうして嘘をつく

本編の落とし穴を、 「どの操作が」「どんな錯覚を」生むかで分解します。 いずれもデータを1文字も変えずに、 印象だけを操作する手口です。 このページ上部の 🎮 触って理解する と 実値で計算してみる で、 1番目の手口は実際に体感できます。

🚦 いつ2軸グラフを「避ける」べきか

2軸は強力ですが、 次のいずれかに当てはまるなら使わないほうが誠実です。

• 単位が同じとき (両方「率」、 両方「円」など) → 素直に同一軸に並べる。 高さを直接比較できる。
• 2系列の関係・相関・因果を主張したいとき → 2軸ではなく散布図＋回帰／相関で示す。 2軸の見かけのシンクロは関係の証拠にならない。
• 横軸が離散カテゴリで系列が3つ以上のとき → 小倍数図 (small multiples) に分割する。 3軸以上は実質読めない。
• 読者が非専門家、 または一瞬しか見ないとき → 誤読リスクが情報密度の利得を上回る。 1軸を2枚 (上下パネル) に分けるほうが安全。

※ 相関の演出という「軸そのものによる欺瞞」の体系は誤解を招くグラフ、 読者の知覚を利用した誤読 (近接・共通運命) はゲシュタルトの法則を参照。

🌱 発展 — 2軸を使わずに、 同じことをより正直に

2軸グラフの目的（「単位の違う2系列の動きを見比べる」）は、 多くの場合もっと誤読の少ない方法で達成できます。 代表的な3つの代替表現を押さえておきましょう。

1. 基準化 (標準化)：各系列を平均0・標準偏差1のzスコアに変換すれば、 単位が消えて同一軸に載る。 「平均から何σ離れているか」で動きを直接比較できる。 詳細は標準化。
2. 指数化 (基準年＝100)：時系列でとくに強力。 基準年の値を100として各年を相対値に直せば、 単位の違う系列を1本の軸に統一できる。
3. 小倍数図 (small multiples)：同型の小パネルを上下・左右に並べる。 軸スケールを揃えられ、 3系列以上でも破綻しない。 Tufte が2軸の代替として推奨する定番。 折れ線グラフを上下2段に分ければ実現できる。

🧮 指数化の実例（SSDSE-B-2026 実測・東京都 2012→2023）

「万人」と「無次元の率」という別単位の2系列も、 2012年＝100の指数に直せば同じ軸に正直に並べられます。 東京都の実測値で確かめます。

2軸グラフなら「人口の棒」と「出生率の折れ線」を別々の物差しで眺めるしかありませんでしたが、 指数化すれば同一軸で「人口は微増・出生率は明確に減少」を高さごと直接比較できます。 これが「単位が違うから2軸」ではなく「単位を揃えてから1軸」という発想の転換です。

import pandas as pd

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

base = tk[tk['SSDSE-B-2026'] == 2012].iloc[0]   # 基準年 2012
tk = tk.assign(
    pop_idx=tk['A1101'] / base['A1101'] * 100,   # 総人口の指数
    tfr_idx=tk['A4103'] / base['A4103'] * 100,   # 合計特殊出生率の指数
)
print(tk[['SSDSE-B-2026', 'pop_idx', 'tfr_idx']].tail(1).round(1))
# → 2023: pop_idx 106.4 / tfr_idx 90.8 （同じ「2012=100」軸に載る）

🧭 適切な複合表現の選び方

🔗 さらに深めるための関連ページ

本ページと合わせて読むと理解が立体的になる、 用語集内の実在ページです：積み上げ棒グラフ／棒グラフ／折れ線グラフ／散布図／相関／誤解を招くグラフ／ゲシュタルトの法則／カラースケール／標準化／尺度水準／合計特殊出生率／高齢化率／時系列／グループ教材：データ可視化。

※ 「小倍数図 (small multiples)」「指数 (index number)」の独立ページは用語集に未収録のため、 本ページ内の解説を参照してください（リンクなし）。