🔖 キーワード索引

「distance」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「distance」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「distance 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 — 同じ 2 点でも測り方で「遠さ」が違う

2 次元平面に 2 つの点 A=(1, 1)、 B=(4, 5) があるとき、 「A と B の距離」は何でしょう？答えは 「どの距離関数で測るか」によって違います。

「碁盤目の街」アナロジー

マンハッタン島の街路は碁盤目で、 タクシーは縦か横にしか進めません。 (1,1) から (4,5) へ行くには、 横に 3 ブロック + 縦に 4 ブロック = 7 ブロック。 これが マンハッタン距離（L1 距離、 タクシー距離）。

鳥なら最短直線 $\sqrt{3^2+4^2}=5$ で飛べる。 これが ユークリッド距離（L2 距離）。

チェスのキングは斜めも 1 手で動けるので、 「8 マス先まで」を測るなら max(縦, 横)。 これが チェビシェフ距離（L∞ 距離）。

距離関数の「ボール」を描いてみると形が違う

原点からの距離が 1 となる点の集合（単位ボール）を描くと、 距離関数の性格が一目で分かります：

• ユークリッド：完全な円
• マンハッタン：菱形（45 度回転した正方形）
• チェビシェフ：正方形
• L_p ノルム（一般）：p が大きくなるほど正方形に近づく

「向き vs 大きさ」のコサイン距離

コサイン距離は 「ベクトルの向き」だけ を見ます。 (1, 1) と (10, 10) は方向が完全に同じなのでコサイン距離 = 0（最大限類似）、 ユークリッド距離は大きく離れる。 テキスト分類や推薦のように「文書の長さ」より「単語の比率」が重要な場面 でコサインが活躍します。

🎨 異常検知でのマハラノビス距離 — 多変量外れ値

マハラノビス距離の最も典型的な応用が 多変量データの外れ値検出。 「単一指標では普通」だが、 「変数の組み合わせで異常」を発見できます。

原理

データ $X \in \mathbb{R}^{n \times d}$ の平均 $\mu$ と共分散 $\Sigma$ を推定し、 各点のマハラノビス距離：

SSDSE での実装

 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 numpy as np
import pandas as pd

# features はこのあとのブロックで作っているので、ここでも用意しておく
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])   # 英字コードの列名を使う
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True).set_index('Prefecture')
features = df.select_dtypes(include=[np.number]).dropna(axis=1)

from scipy.stats import chi2
import numpy as np

# 主要 5 指標を抜粋
# 大学進学率・持家率・平均所得は SSDSE-B-2026 に無いので、実在する 5 指標を使う
features['高齢化率'] = features['A1303'] / features['A1101'] * 100
cols = ['A1101', 'A4101', 'A4200', 'L3221', '高齢化率']
Y = features[cols].values
mu = Y.mean(axis=0)
S = np.cov(Y.T)
S_inv = np.linalg.pinv(S)

# 各県のマハラノビス距離（の二乗）
d2 = np.array([(y - mu) @ S_inv @ (y - mu) for y in Y])

# カイ二乗分布で p 値（自由度 = 5）
p_values = 1 - chi2.cdf(d2, df=5)

result = pd.DataFrame({
    '都道府県': features.index,
    'mahalanobis_d2': d2,
    'p_value': p_values
}).sort_values('p_value')

# p < 0.05 なら統計的に「外れ値」と判定
print('多変量外れ値候補 (p < 0.05):')
print(result[result['p_value'] < 0.05])

典型的な結果

注意：マハラノビス距離は 自分自身を含むデータの共分散から計算するため、 外れ値が共分散推定を歪める「マスキング効果」が問題になることがあります。 対策：Minimum Covariance Determinant (MCD) などロバスト共分散推定を使う。

🎯 距離・類似度の選択ガイド（実務版）

これまでの議論を踏まえ、 実務で「結局どの距離を使うか」を決めるための徹底ガイドを提供します。 3 つの質問に答えれば、 ほぼ自動的に適切な距離が見つかります。

質問 1：データの種類は？

質問 2：次元数は？

• 低次元（d ≤ 10）：ユークリッド、 マハラノビスなど任意の距離関数が機能
• 中次元（d ≤ 100）：標準化必須、 マンハッタン or ユークリッドが安定
• 高次元（d > 100）：高次元の呪いに注意。 コサイン、 マンハッタン、 または次元削減後にユークリッド
• 超高次元（d > 10000、 テキスト・画像埋め込み）：必ずコサイン。 ユークリッドは意味を失う

質問 3：何を測りたい？

• 純粋な「形の近さ」：ユークリッド距離
• 「方向の一致度」（大きさを無視）：コサイン類似度
• 「分布形状を考慮した近さ」：マハラノビス距離
• 「変化のパターン」（時系列）：相関係数距離 $\sqrt{2(1-\rho)}$
• 「順序の近さ」（ランキング比較）：Spearman 順位相関
• 「集合の重なり」：Jaccard 係数
• 「分布間の差」：Wasserstein 距離、 KL ダイバージェンス

典型的な失敗パターンと対処

📈 距離行列の応用 — 可視化と発見

$n$ 個のデータ点から作る $n \times n$ 距離行列は、 単にクラスタリングの入力以上の 「データ構造の宝庫」 です。 様々な可視化手法で、 データの構造的特徴が浮き彫りになります。

ヒートマップ：パターンの一望

距離行列を色付きの行列として描画すると、 自然なグループ構造が浮かび上がります。 行・列を クラスタリングで並べ替え（seriation）すると、 対角線付近に「ブロック」が見え、 これがクラスタの存在を視覚的に示します：

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

import numpy as np
from scipy.spatial.distance import pdist, squareform

# D（距離行列）はこのあとのブロックで作っているので、ここでも用意しておく
X = features[cols].values
D = squareform(pdist(X, metric='euclidean'))

import seaborn as sns

from scipy.cluster.hierarchy import linkage, leaves_list
from scipy.spatial.distance import squareform

# 距離行列を上三角に変換 → 階層的クラスタリング
condensed = squareform(D, checks=False)
Z = linkage(condensed, method='average')
order = leaves_list(Z)

# 並べ替えてヒートマップ
D_sorted = D[order][:, order]
sns.heatmap(D_sorted, cmap='viridis', xticklabels=[prefs[i] for i in order])

樹形図（デンドログラム）：階層構造の発見

距離行列から階層的クラスタリングをすると、 樹形図でデータの階層構造が一目瞭然。 「どの県とどの県が最も近いか」「いつ大グループに統合されるか」が見えます。

島地図・繋がり地図：ネットワーク的可視化

距離が閾値以下のペアだけをエッジとして描き、 ノードを力学的レイアウト（Fruchterman-Reingold 等）で配置すると、 「データの島（密な部分グラフ）」と「橋（島を繋ぐエッジ）」が見えます。 SNS 分析、 共起ネットワークの定番手法。

近傍順位プロット：個別データ点の特性把握

「東京から見た各県の距離順位」のような 個別データ点を中心とした近傍構造を可視化。 推薦結果の説明、 異常検知の根拠提示に有効。

🎮 触って理解する

2 点 A・B をドラッグ（スマホはタップして指でスライド）すると、 同じ 2 点でも ユークリッド・マンハッタン・チェビシェフ・ミンコフスキーの各距離がどう変わるかをリアルタイムで確認できます。 右の図は「中心から距離 1 の点の集合（＝単位球）」で、 距離の種類ごとに形が変わる様子を見られます。

💡 直感 — 「近さ」の測り方は一つではない

同じ A・B でも、 直線で飛べる鳥（ユークリッド）、 碁盤目を歩くタクシー（マンハッタン）、 斜めも 1 歩で進むチェスのキング（チェビシェフ）では「遠さ」が違います。 上の図で A と B を縦一直線・横一直線に並べると 3 つの値が一致し、 斜め 45 度に離すほど差が最大になることを確かめてみてください。 単位球の形（円・菱形・正方形）は、 その距離が「どの方向を優遇するか」を表しています。

⚠️ よくある落とし穴

• スケール依存：ユークリッド／マンハッタン／チェビシェフはいずれも 各軸の単位 に敏感です。 「年収（円）」と「年齢（歳）」を素のまま混ぜると、 数値の大きい年収が距離をほぼ独占します。 事前の標準化（Z 変換）や min-max スケーリングがほぼ必須。
• 高次元の呪い：次元 d が大きくなると、 全ての点対の距離が互いに似通い「最近傍と最遠点の差」が消えていきます。 2D のこの図では差が明瞭でも、 d>100 の世界ではユークリッド距離の「近い／遠い」が意味を失いがち。 次元削減やコサイン類似度への切り替えが有効です。
• p の選び方：p を上げるほど「最大成分」だけが効き（チェビシェフに接近）、 p=1 では全成分が対等に効きます。 外れ値の影響を抑えたいなら小さい p が頑健。

🚀 発展 — マハラノビス距離・コサイン類似度との違い

ここで体感した L1／L2／L∞／Lp は、 いずれも「軸が直交し等方的」という前提の距離です。 実務ではもう一歩踏み込んだ 2 つの指標がよく登場します。

• マハラノビス距離：変数間の 相関と分散 を共分散行列 $\Sigma$ で織り込み、 $d^2=(x-y)^\top\Sigma^{-1}(x-y)$ で測ります。 相関の強い方向を「縮め」、 独立な方向を「伸ばす」ため、 標準化＋相関補正を同時に行った距離とみなせます。 多変量の外れ値検出の定番。
• コサイン類似度：ベクトルの 向き だけを見て大きさを無視します。 A=(1,1) と (10,10) は L2 では遠いがコサインでは完全一致。 文書ベクトルや推薦のように「量より比率」が本質の場面で威力を発揮します。

関連ページ：標準化／ノルム／共分散／コサイン類似度／k-means／k 近傍法。 マハラノビス距離は本ページ内「関連手法・派生」節で詳述します。

📐 数式 — 主要な距離・類似度の定義

2 つの $n$ 次元ベクトル $\mathbf{x} = (x_1, \dots, x_n)$, $\mathbf{y} = (y_1, \dots, y_n)$ について：

🔬 数式を「言葉」で読み解く

ユークリッド距離：「直線距離」を一般化

マンハッタン距離：「絶対値の和」のシンプルさ

コサイン類似度：「向きの一致度」

マハラノビス距離：「相関を考慮した距離」

🔬 「高次元の呪い」を実験で目撃する

「高次元では距離が意味を失う」と教科書は言う。 これは本当か？SSDSE データを使って実証してみます。

実験設計

1. SSDSE-B-2026 から d 個の指標を選び（d = 2, 5, 10, 20, 50, 100）、 47 県の距離行列を作る
2. 各次元数で「最近傍点と最遠点の比」を計算：
   $\text{contrast} = \dfrac{\max_j d(\mathbf{x}_0, \mathbf{x}_j) - \min_j d(\mathbf{x}_0, \mathbf{x}_j)}{\min_j d(\mathbf{x}_0, \mathbf{x}_j)}$
3. contrast が 1 に近づくほど「最近傍と最遠点の区別が消えた」状態

実装

 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

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist, squareform
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
df = df[df['年度'] == df['年度'].max()].copy()
df = df.set_index('都道府県')
features_all = df.select_dtypes(include=[np.number]).dropna(axis=1)

dims = [2, 5, 10, 20, 50, 100, features_all.shape[1]]
results = []

for d in dims:
    if d > features_all.shape[1]:
        continue
    cols = features_all.columns[:d]
    X = StandardScaler().fit_transform(features_all[cols])
    D = squareform(pdist(X, metric='euclidean'))
    # 「東京」を基準点に
    i0 = list(features_all.index).index('東京都')
    distances = np.delete(D[i0], i0)
    contrast = (distances.max() - distances.min()) / distances.min()
    print(f'次元 d={d}: max/min = {distances.max():.2f}/{distances.min():.2f}, '
          f'contrast = {contrast:.2f}')
    results.append((d, contrast))

典型的な結果

観察：低次元では contrast = 14 と「最近傍は明らかに最遠点より近い」。 高次元になると contrast が 1.3 まで小さくなり、 「全ての点がほぼ等距離」 という呪いが顕在化します。 47 都道府県 × 数百指標の SSDSE データでこの現象が観察できる点がポイント。

対策

• 次元削減：PCA で寄与率 90% までの次元に絞る
• 特徴選択：分類タスクなら相互情報量、 回帰なら相関の絶対値で上位選択
• マンハッタン距離：ユークリッドより緩やかに contrast が落ちる
• フラクショナル距離（$p \in (0, 1)$ のミンコフスキー）：理論研究では p=0.5 が最良との報告
• コサイン類似度：高次元疎ベクトルで特に有効

🎯 ユースケース別の距離関数カタログ

実務でよく出会う場面ごとに「結局どれを使うか」を整理：

Haversine 距離（球面上の 2 点間）

緯度・経度の 2 点間距離を地球の曲率を考慮して計算：

相関距離（株価・経済指標比較）

2 つの時系列の相関 $\rho$ から距離を作る伝統的方法：

🎓 距離関数の歴史 — ユークリッドから埋め込み学習まで

「距離」を測ることは人類の最も古い数学的営みの 1 つ。 その歴史をたどると、 抽象化と一般化の連続です。

現代の機械学習における「距離」は、 もはや幾何学的な意味を超えて、 「ある問いに対するデータ点の類似性を表す抽象的関数」 として捉えられています。 ニューラルネットワークの埋め込み空間でのコサイン類似度は、 「物理的距離」ではなく「意味的近さ」を表現する道具となっています。

🧬 距離行列から座標を復元 — 多次元尺度法（MDS）

距離行列 $D \in \mathbb{R}^{n \times n}$ だけが与えられているとき、 $n$ 個の点を $k$ 次元空間に「距離関係を保つように」配置する方法が 多次元尺度法（Multidimensional Scaling, MDS）。 距離の逆問題と言えます。

古典的 MDS（Classical / Torgerson MDS）

1. 距離行列 $D$ を二乗 $D^{(2)}$
2. 二重中心化：$B = -\tfrac{1}{2} (I - \tfrac{1}{n}\mathbf{11}^{\top}) D^{(2)} (I - \tfrac{1}{n}\mathbf{11}^{\top})$
3. $B$ の固有値分解：$B = U \Lambda U^{\top}$
4. 上位 $k$ 個の固有ベクトルで座標を構成：$X = U_k \Lambda_k^{1/2}$

古典的 MDS は 距離が正確にユークリッド距離由来なら、 元の座標を正確に復元します。 これは「PCA を距離行列の世界に持ち込んだ」と言っても良い手法で、 PCA と数学的に等価です。

非計量 MDS（Non-metric MDS）

距離の 大小関係（順位）だけ 保存する版。 距離の絶対値が信頼できない場合（アンケート、 心理実験）に有効。 ストレス関数を最小化する反復解法。

SSDSE での MDS 実装例

 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

import pandas as pd
import numpy as np
from sklearn.manifold import MDS
from sklearn.preprocessing import StandardScaler
from scipy.spatial.distance import squareform, pdist
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.family'] = 'Hiragino Sans'   # japanize_matplotlib の代わり

# データ読込
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
df = df[df['年度'] == df['年度'].max()].copy()
df = df.set_index('都道府県')
features = df.select_dtypes(include=[np.number]).dropna(axis=1)

X = StandardScaler().fit_transform(features)

# 古典的 MDS（距離行列 → 2 次元座標）
D = squareform(pdist(X, metric='euclidean'))
mds = MDS(n_components=2, dissimilarity='precomputed', random_state=0)
coords_2d = mds.fit_transform(D)

# 可視化：47 県を 2 次元平面に配置
plt.figure(figsize=(14, 10))
plt.scatter(coords_2d[:, 0], coords_2d[:, 1], s=200, alpha=0.7)
for i, name in enumerate(features.index):
    plt.annotate(name, (coords_2d[i, 0], coords_2d[i, 1]), fontsize=10)
plt.title('多次元尺度法による 47 都道府県の 2D 配置')
plt.xlabel('MDS 第 1 軸')
plt.ylabel('MDS 第 2 軸')
plt.grid(True)
plt.tight_layout()
plt.savefig('mds_prefectures.png', dpi=120)
plt.show()

🔬 距離公理を「言葉で読み解く」 — なぜ三角不等式が大事か

距離 (metric) という言葉は数学的に厳密な定義を持つ。 任意の関数 $d(x,y)$ が「距離」と呼ばれるためには、 以下 4 つの公理を満たさねばならない。 SSDSE-B-2026 で都道府県間の距離を測るときも、 これらが暗黙の前提として効いている。

特に重要なのが ④ 三角不等式。 これが成立するから「東京から大阪への距離」を直接測らなくても、 「東京 → 名古屋 + 名古屋 → 大阪」で上界が言える。 近似最近傍検索（FAISS, Annoy など）の高速化は、 三角不等式を使って探索範囲を刈り込むのが原理。 三角不等式が破れている類似度（例: コサイン類似度そのもの、 半距離）は、 これらの加速構造では扱えない。

擬似距離（pseudo-metric）は ② を緩めたもので、 違う点でも距離 0 が許される。 SSDSE で「同じ高齢化率の県」を同一視するような状況がこれにあたる。 準距離（quasi-metric）は ③ を緩めたもので、 「東京 → 大阪」と「大阪 → 東京」が異なる文脈（例: 道のりが一方通行を含む）に使う。

🔬 数式を言葉で読み解く — マハラノビス距離の幾何学的意味

マハラノビス距離は SSDSE のような多変量データの異常検知で必須の道具。 定義は

$$ d_M(x, y) = \sqrt{(x - y)^\top \Sigma^{-1} (x - y)} $$

ここで $\Sigma$ は共分散行列。 これを「言葉」で読み解くと:

幾何学的には、 マハラノビス距離は「データ雲を球状に変形してから測ったユークリッド距離」と等しい。 SSDSE で「総人口」と「死亡数」のように強く相関する 2 軸を考えると、 普通のユークリッド距離では「対角線方向」が無限に伸びて見える。 マハラノビスは共分散の逆行列を掛けることで「相関の強い方向の差は割引、 弱い方向の差は強調」して測る。

これにより、 異常検知の文脈で「人口が多くて死亡数も多い」は普通だが「人口が少ないのに死亡数が多い」は異常（＝高齢化が突出）、 と判定できる。 普通のユークリッドではこの区別がつかない。

🧮 SSDSE 実データで「東京と最近傍／最遠県」を求める

🧮 SSDSE 実データで「東京と最近傍／最遠県」を求める

SSDSE-B-2026 の最新年から 5 指標を抜粋し、 都道府県間の距離を 4 種類（ユークリッド・マンハッタン・コサイン・マハラノビス）で計算してみます。

STEP 1：標準化（必須！）

「人口（万人）」と「進学率（％）」は桁が違いすぎるので、 そのまま距離を取ると人口だけで決まってしまいます。 各指標を Z 標準化：

STEP 2：東京と各県の距離を計算

解釈の差異：ユークリッド・マンハッタン・マハラノビスはほぼ同じ順位を返す。 一方、 コサイン距離は「ベクトルの向き」だけを見るので、 沖縄（小規模・低所得＋若年比率）と東京の差を強調する。 用途に応じて選ぶこと。

🧮 SSDSE 47 都道府県の「完全距離行列」パイプライン

これまでの議論を踏まえ、 SSDSE-B-2026 から得られる 47×47 距離行列 を 4 種類すべてで計算し、 結果を比較する End-to-End パイプラインを示します。

完全実装

 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
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist, squareform
from sklearn.preprocessing import StandardScaler, RobustScaler
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib
matplotlib.rcParams['font.family'] = 'Hiragino Sans'   # japanize_matplotlib の代わり

# === 1. データ取得・前処理 ===
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
df = df[df['年度'] == df['年度'].max()].copy()
df = df.set_index('都道府県')
features = df.select_dtypes(include=[np.number]).dropna(axis=1)
print(f'データ形状: {features.shape}')  # (47, ~100)

# === 2. 通常標準化 + ロバスト標準化 ===
X_std = StandardScaler().fit_transform(features)
X_rob = RobustScaler().fit_transform(features)  # 中央値・IQR ベース

# === 3. 4 種類の距離行列 ===
prefs = list(features.index)
metrics = ['euclidean', 'cityblock', 'cosine', 'chebyshev']
distance_dfs = {}
for m in metrics:
    D = squareform(pdist(X_std, metric=m))
    distance_dfs[m] = pd.DataFrame(D, index=prefs, columns=prefs)

# === 4. 東京の Top 10 近傍を比較 ===
print('\\n=== 東京都の最近傍 Top 10（4 つの距離関数で比較）===')
for m, df_d in distance_dfs.items():
    top10 = df_d['東京都'].sort_values().head(11).iloc[1:]  # 自分自身を除く
    print(f'\\n[{m}]')
    print(top10.round(3))

# === 5. マハラノビス距離（共分散から）===
cov = np.cov(X_std.T)
inv_cov = np.linalg.pinv(cov)

D_mah = np.zeros((len(prefs), len(prefs)))
for i in range(len(prefs)):
    diff = X_std - X_std[i]
    D_mah[i] = np.sqrt(np.sum((diff @ inv_cov) * diff, axis=1))

mah_df = pd.DataFrame(D_mah, index=prefs, columns=prefs)
print('\\n[mahalanobis]')
print(mah_df['東京都'].sort_values().head(11).iloc[1:].round(3))

# === 6. 距離行列の相関を見る（手法選択の参考）===
print('\\n=== 4 距離関数の上三角ベクトル間の相関 ===')
def upper_tri(D):
    return D.values[np.triu_indices_from(D.values, k=1)]

methods = list(distance_dfs.keys()) + ['mahalanobis']
vecs = [upper_tri(distance_dfs[m]) for m in methods[:-1]] + [upper_tri(mah_df)]
corr = pd.DataFrame(np.corrcoef(vecs), index=methods, columns=methods)
print(corr.round(3))

# === 7. ヒートマップ可視化 ===
fig, axes = plt.subplots(2, 3, figsize=(22, 14))
for ax, m in zip(axes.ravel(), metrics + ['mahalanobis']):
    df_d = mah_df if m == 'mahalanobis' else distance_dfs[m]
    sns.heatmap(df_d, ax=ax, cmap='viridis', xticklabels=False, yticklabels=False)
    ax.set_title(f'{m} 距離行列')
axes[1, 2].axis('off')
plt.tight_layout()
plt.savefig('distance_matrices.png', dpi=120)
plt.show()

典型的な結果（解釈つき）

4 距離関数の相関係数（典型値）

解釈：ユークリッドとマンハッタンは r ≈ 0.97 とほぼ同等。 コサインは他の距離と r ≈ 0.7〜0.8 でやや異なる順位を返す。 マハラノビスは独自性が最も強く、 共分散構造の取り込みが効いている。

同じ都道府県データに対し、 ユークリッド・マンハッタン・コサイン・チェビシェフの 4 つの距離を計算し、 「東京の最近傍 Top 5」がどう変わるかを観察する。 距離選択が結果に与える影響を一望できる。

📥 使うデータ:

4 距離の最近傍 Top 5（東京から）:

💬 読み方: ① L2 と L1 は同じ結果（首都圏 3 県＋大阪・愛知）、 ② コサインは「ベクトル方向」を測るので順位が入れ替わり、愛知が top5 から外れて福岡が入る、 ③ L∞ は「最大成分の差」だけを見るので顔ぶれは L2 と同じだが順位が入れ替わる。 SSDSE の都道府県データのように「全変数が人口比例で動く」ケースでは、 L1/L2/L∞ は近い結果を返すが、 コサインだけが本質的に違う情報を返す。

🧮 数式に値を入れて手で計算する: 3 種の距離

合成 2D 点 p=(1,2), q=(4,6) でユークリッド/マンハッタン/チェビシェフ距離を計算する。

Step 1: 差ベクトル

Step 2: 各距離

🐍 Python で再現

1
2
3
4
5
6
7

import numpy as np
p = np.array([1, 2])
q = np.array([4, 6])
d = q - p
print(f"L2: {np.linalg.norm(d):.3f}")
print(f"L1: {np.abs(d).sum()}")
print(f"L∞: {np.abs(d).max()}")

📤 実行結果

💬 手計算 (Step 2) 5/7/4 と Python 出力が完全一致。

🐍 Python 実装 — SSDSE-B で多種距離行列を作る

① 基本：scipy.spatial.distance

 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
from scipy.spatial.distance import pdist, squareform
from sklearn.preprocessing import StandardScaler

# データ読込
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
df = df[df['年度'] == df['年度'].max()].copy()
df = df.set_index('都道府県')
features = df.select_dtypes(include=[np.number]).dropna(axis=1)

# 標準化
X = StandardScaler().fit_transform(features)

# 距離計算（pdist は上三角の condensed form を返す）
d_euc = squareform(pdist(X, metric='euclidean'))
d_man = squareform(pdist(X, metric='cityblock'))
d_cos = squareform(pdist(X, metric='cosine'))
d_che = squareform(pdist(X, metric='chebyshev'))
d_mah = squareform(pdist(X, metric='mahalanobis',
                         VI=np.linalg.pinv(np.cov(X.T))))  # n<d で共分散が特異なため擬似逆行列を明示

# DataFrame 化
prefs = features.index
euc_df = pd.DataFrame(d_euc, index=prefs, columns=prefs)
print('東京と各県のユークリッド距離（昇順 Top10）:')
print(euc_df['東京都'].sort_values().head(10))

② sklearn での pairwise 距離

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

from sklearn.metrics.pairwise import euclidean_distances, manhattan_distances, cosine_distances

D_euc = euclidean_distances(X)
D_man = manhattan_distances(X)
D_cos = cosine_distances(X)

# 東京（インデックス 13 番目を想定）の最近傍 5 県
i_tokyo = list(prefs).index('東京都')
nearest = np.argsort(D_euc[i_tokyo])[1:6]  # 自分自身を除く
print('東京の最近傍:', [prefs[j] for j in nearest])

farthest = np.argsort(D_euc[i_tokyo])[-5:]
print('東京の最遠県:', [prefs[j] for j in farthest])

③ マハラノビス距離（共分散行列を明示的に）

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

from scipy.spatial.distance import mahalanobis

# 共分散と逆行列
cov = np.cov(X.T)
inv_cov = np.linalg.pinv(cov)  # 特異性対策で擬似逆行列

# 47×47 のマハラノビス距離行列
n = X.shape[0]
D_mah = np.zeros((n, n))
for i in range(n):
    for j in range(n):
        D_mah[i, j] = mahalanobis(X[i], X[j], inv_cov)

mah_df = pd.DataFrame(D_mah, index=prefs, columns=prefs)
print('東京と各県のマハラノビス距離（昇順）:')
print(mah_df['東京都'].sort_values().head(10))

④ ハミング距離（カテゴリデータ用）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 数値をビン分割してカテゴリ化、 ハミング距離で類似度を測る
from sklearn.preprocessing import KBinsDiscretizer

discretizer = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='quantile')
X_cat = discretizer.fit_transform(features).astype(int)

D_ham = squareform(pdist(X_cat, metric='hamming'))
ham_df = pd.DataFrame(D_ham, index=prefs, columns=prefs)
print('東京とのハミング距離（カテゴリ化後）:')
print(ham_df['東京都'].sort_values().head(10))

⑤ 距離行列のヒートマップ可視化

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

import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib
matplotlib.rcParams['font.family'] = 'Hiragino Sans'   # japanize_matplotlib の代わり

fig, axes = plt.subplots(1, 2, figsize=(20, 9))
sns.heatmap(euc_df, ax=axes[0], cmap='viridis', xticklabels=False)
axes[0].set_title('ユークリッド距離行列（47×47）')
sns.heatmap(d_cos_df := pd.DataFrame(D_cos, index=prefs, columns=prefs),
            ax=axes[1], cmap='magma', xticklabels=False)
axes[1].set_title('コサイン距離行列')
plt.tight_layout()
plt.show()

🐍 Python 実装 — SSDSE 距離行列で階層クラスタリング

🎯 このコードでやること: SSDSE-B-2026 の都道府県データを標準化し、 ユークリッド距離行列を計算した上で scipy.cluster.hierarchy.linkage で階層クラスタリングし、 dendrogram で 47 都道府県の関係を可視化する。 距離選択が結果（cluster tree の形）にどう影響するかを実感できる。

📥 入力データ:

 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

import pandas as pd
import numpy as np
from scipy.cluster.hierarchy import linkage, dendrogram, fcluster
from scipy.spatial.distance import pdist
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# SSDSE-B-2026 を読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]   # 最新年（2023）の 47 都道府県に絞る
prefs = df['Prefecture'].values

# ドメイン知識ベースの 8 列を選択
cols = ['A1101', 'A1303', 'A4101', 'A4200', 'A5101', 'A5102', 'C3301', 'C3302']
X = df[cols].astype(float).values
X = StandardScaler().fit_transform(X)

# 距離行列とリンケージ（Ward 法）
D = pdist(X, metric='euclidean')
Z = linkage(D, method='ward')

# Dendrogram 描画
plt.figure(figsize=(14, 6))
dendrogram(Z, labels=prefs, leaf_rotation=90, leaf_font_size=10)
plt.title('47 都道府県の階層クラスタリング（ユークリッド距離 + Ward 法）')
plt.tight_layout()
plt.savefig('cluster_dendrogram.png', dpi=120)

# クラスタを 5 群に切る
clusters = fcluster(Z, t=5, criterion='maxclust')
for c in sorted(set(clusters)):
    print(f'Cluster {c}:', list(prefs[clusters==c]))

📤 実行すると次の出力が得られる:

💬 結果の読み方: ユークリッド距離 + Ward 法での 5 群分割は、 ほぼ「人口規模」階層に対応する。 東京（特異点＝単独クラスタ）、 大都市圏（埼玉・千葉・神奈川・愛知・大阪）、 政令市を持つ大規模県（北海道・兵庫・福岡）、 地方中核県、 人口減少地域、 という階層が自然に現れる。 もしコサイン距離を使えば「規模」が消えて「人口構造のプロファイル」で分類されるので、 沖縄（若年層多）と東京（一人世帯多）が異なる cluster に分かれる、 などの結果になる。 距離関数の選択 = 分類軸の選択である。

🐍 Python 実装 — 距離行列を heatmap で可視化

🎯 このコードでやること: SSDSE 47 都道府県の距離行列を heatmap で可視化。 seaborn の clustermap を使うと、 距離が近い県が自動的に隣り合うようにソートされ、 構造が一目で分かる。

📥 入力データ:

 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

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from scipy.spatial.distance import pdist, squareform
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]   # 最新年（2023）の 47 都道府県に絞る
prefs = df['Prefecture'].values
cols = ['A1101','A1303','A4101','A4200','A5101','A5102','C3301','C3302']
X = StandardScaler().fit_transform(df[cols].astype(float).values)

# ユークリッド距離行列
D = squareform(pdist(X, metric='euclidean'))
D_df = pd.DataFrame(D, index=prefs, columns=prefs)

# clustermap （距離が近い県がクラスタ毎に隣接）
g = sns.clustermap(D_df, cmap='YlOrRd_r', figsize=(12, 12),
                   annot=False, xticklabels=True, yticklabels=True)
g.fig.suptitle('47 都道府県の距離行列（clustermap）', y=1.02)
plt.savefig('distance_clustermap.png', dpi=120, bbox_inches='tight')

# 東京の最近傍と最遠県を確認
i_tokyo = list(prefs).index('東京都')
nearest = np.argsort(D[i_tokyo])[1:6]
farthest = np.argsort(D[i_tokyo])[-5:]
print('東京の最近傍 5県:', [prefs[j] for j in nearest])
print('東京の最遠 5県:', [prefs[j] for j in farthest])

📤 実行すると次の出力が得られる:

💬 結果の読み方: ① 東京の最近傍は首都圏 + 大阪・愛知（大都市圏）、 ② 最遠は人口最小級の県。 clustermap を見ると「大都市圏」「地方中核」「人口減少地域」の 3 群が明瞭に浮かび上がる。 距離行列の可視化は、 数値的な分析の前段階として「データの全体像を掴む」最高の手段。

✅ 距離・類似度 実務チェックリスト

• □ 分析の目的（クラスタリング・推薦・異常検知）に合わせて距離関数を選んだ
• □ StandardScaler や RobustScaler で前処理した
• □ 欠損値・非数値カラムを除外または補完した
• □ 高次元（d > 50）の場合、 PCA・特徴選択で次元を落とした
• □ 距離行列の対称性・非負性を確認した
• □ 結果を「最近傍 Top 5」「最遠 Top 5」「ヒートマップ」で必ず可視化した
• □ ドメイン知識と照合し、 結果が直感に反する場合は距離関数を変えて検証した
• □ 距離関数の選択理由をレポートに明記した

❓ 距離・類似度 深掘り FAQ

Q1. なぜ「コサイン距離」と呼ぶのに距離公理を満たさない？

A. 厳密には「コサイン類似度」が cos θ を返し、 1 - cos θ を「コサイン距離」と呼ぶ。 しかしこれは三角不等式を満たさないので、 数学的には「距離」ではなく「非類似度」。 距離公理を満たすバージョンが必要なら arccos(s)（角距離）を使う。

Q2. SSDSE のようなテーブルデータでマハラノビスは過剰？

A. データが少ない（n=47）と共分散行列の推定が不安定になる。 d=8 程度なら問題ないが、 d > 20 になると np.linalg.pinv の擬似逆行列を使うか、 縮約推定（Ledoit-Wolf shrinkage）を併用すべき。 SSDSE で 5〜10 列なら普通のマハラノビスで OK。

Q3. K-means で「最初からマンハッタン距離」を使えない？

A. K-means の「平均」操作はユークリッド距離の最適化と数学的に対応するので、 マンハッタンを使いたいなら K-medoids（中央値ベース）か、 sklearn の KMeans を捨てて自前実装する必要がある。 簡単にはマンハッタン版を使いたいなら sklearn_extra.cluster.KMedoids を試す。

Q4. 「Wasserstein 距離」「Earth Mover's Distance」とは？

A. これらは「2 つの確率分布間の距離」で、 「一方の分布を他方に変えるコスト」と解釈される。 SSDSE で「東京の年齢分布」と「沖縄の年齢分布」を比べたいとき、 通常のユークリッド・コサインだと意味が薄いが、 Wasserstein なら「年齢構成のどれだけ動かす必要があるか」を直接測れる。 scipy.stats.wasserstein_distance で計算可能。

Q5. 文字列の距離はどう測る？

A. Levenshtein 距離（編集距離）が最も基本。 「東京都」と「東京府」のように 1 文字違いは距離 1。 python-Levenshtein ライブラリで計算できる。 単語レベルの類似度なら Jaccard 係数（共通単語 / 全単語）、 文章レベルなら cosine + TF-IDF が標準。

📌 まとめ — 距離・類似度の「7 つの鉄則」

1. 「何を測りたいか」を最初に言語化する — 位置/プロファイル/異常度
2. 必ず標準化してから距離を計算する — スケール差が結果を支配する
3. 距離公理（非負・同一・対称・三角）を意識する — 加速構造を壊さないため
4. 結果を可視化して直感と照合する — 「東京の最近傍」が異常なら距離選択を疑う
5. 高次元の崩壊に注意 — d > 50 なら次元削減を先行する
6. ドメイン知識と組み合わせる — 機械的に選ばず、 業務的意味で選ぶ
7. 距離学習も視野に入れる — ラベル情報があればデータから良い距離を学べる

距離・類似度はデータサイエンスの「物差し」。 何を測るかが分析の根幹を決める。 SSDSE-B-2026 のような小規模・多変量データでは、 ① 標準化、 ② ユークリッドかコサインの選択、 ③ 可視化、 の 3 ステップを基本に据えれば、 多くの分析が安全に動く。

🐍 R286 補完: 距離・類似度の Python 実装パターン 4 連発

🔬 数式を言葉で読み解く

距離関数の代表 (Euclidean / Manhattan / Mahalanobis / Cosine) を SSDSE-B-2026 で計算し、 同じ「47 都道府県」 でも距離尺度を変えると「近い県」 が大きく変わる事実を確認します。 数式は $d_E = \sqrt{\sum (x_i - y_i)^2}$、 $d_M = \sum |x_i - y_i|$、 $d_{Mh} = \sqrt{(x-y)^T \Sigma^{-1} (x-y)}$、 $\cos\theta = x \cdot y / (\|x\| \|y\|)$。

① このコードでやること：SSDSE-B-2026 の 2023 年データから (総人口 A1101, 出生数 A4101, 死亡数 A4200) の 3 次元ベクトルを作り、 標準化して距離計算の準備をします。

📥 入力データ（SSDSE-B-2026、 2023 年抜粋）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
X = df[['A1101', 'A4101', 'A4200']].values.astype(float)
prefs = df['Prefecture'].values
Xs = StandardScaler().fit_transform(X)
print(f'X shape : {X.shape}')
print(f'Xs mean : {Xs.mean(axis=0).round(4)}')
print(f'Xs std  : {Xs.std(axis=0).round(4)}')

📤 実行例：

💬 標準化により各変数の平均 0・分散 1 に揃ったので、 単位の違い（人 vs 億円）に起因する距離の歪みが解消されます。

② このコードでやること：東京都を基準に Euclidean / Manhattan 距離で「東京に最も近い 5 県」 を表示し、 距離尺度の違いによる順位変化を見ます。

📥 入力データ：標準化済み Xs と prefs。

1
2
3
4
5
6
7
8

tokyo_idx = np.where(prefs == '東京都')[0][0]
ref = Xs[tokyo_idx]
d_euc = np.linalg.norm(Xs - ref, axis=1)
d_man = np.abs(Xs - ref).sum(axis=1)
top5_euc = np.argsort(d_euc)[1:6]
top5_man = np.argsort(d_man)[1:6]
print('Euclidean top5 :', [(prefs[i], round(d_euc[i], 3)) for i in top5_euc])
print('Manhattan top5 :', [(prefs[i], round(d_man[i], 3)) for i in top5_man])

📤 実行例：

💬 上位 5 県は両尺度で顔ぶれ・順位とも一致（総人口・出生・死亡の規模が大きい大都市圏の県）。 ただし Manhattan の方が距離値が大きく出るのは「各次元の絶対偏差を足す」 という定義から自然です。

③ このコードでやること：Mahalanobis 距離で相関構造を考慮し、 Euclidean と順位がどう変わるかを比較します。

📥 入力データ：標準化済み Xs、 共分散行列 Σ。

1
2
3
4
5
6
7

from scipy.spatial.distance import mahalanobis
cov = np.cov(Xs.T)
inv_cov = np.linalg.inv(cov)
d_mh = np.array([mahalanobis(x, ref, inv_cov) for x in Xs])
top5_mh = np.argsort(d_mh)[1:6]
print('Mahalanobis top5:', [(prefs[i], round(d_mh[i], 3)) for i in top5_mh])
print(f'corr(d_euc, d_mh) = {np.corrcoef(d_euc, d_mh)[0, 1]:.4f}')

📤 実行例：

💬 Mahalanobis では順位が大きく変わり、 Euclidean で首位だった大阪府が top5 から外れて京都府が入る（相関構造を考慮した結果）。 Euclidean との相関は 0.56 と中程度で、 相関を補正すると「近い県」の評価が変わることが分かります。

④ このコードでやること：Cosine 類似度で「ベクトルの向き」 だけで類似性を測り、 規模（スケール）に依存しない距離を確認します。

📥 入力データ：標準化前の X（規模情報を残したまま使う）。

1
2
3
4
5
6
7

from sklearn.metrics.pairwise import cosine_similarity
ref_raw = X[tokyo_idx].reshape(1, -1)
cs = cosine_similarity(X, ref_raw).ravel()
top5_cs = np.argsort(-cs)[1:6]
print('Cosine top5 :', [(prefs[i], round(cs[i], 6)) for i in top5_cs])
print(f'min cosine = {cs.min():.4f}')
print(f'max cosine (excl. self) = {np.sort(cs)[-2]:.4f}')

📤 実行例：

💬 規模を無視するとほぼ全ての県が東京と「ベクトル方向が似ている」（最小でも 0.99995）。 これは 3 変数（総人口・出生数・死亡数）がいずれも人口規模と強く相関しているためで、 向きだけを見る Cosine では県の差がほとんど出ず、 ここでは Euclidean を使うべき事例です。 距離尺度の選択は分析目的次第と痛感できます。

⚠️ 距離・類似度の 5 つの落とし穴

⚠️ 距離・類似度のさらなる落とし穴（深堀り 6 件）

落とし穴 1: 「ユークリッド距離 = いつでも正解」幻想

ほとんどの入門書がユークリッド距離から始めるため、 「何も指定しなければユークリッド」と思い込みがち。 SSDSE のように「人口」のスケール差が 100 倍ある変数では、 標準化前のユークリッドは人口列だけが効くという問題に直結する。 対処: 距離を計算する前に必ず StandardScaler を通す。

落とし穴 2: 「高次元の崩壊」

高次元（d > 50）では「全ペアの距離がほぼ同じ」になる現象が起きる（curse of dimensionality）。 SSDSE は 125 列あるので、 全列を入力すると最近傍検索が無意味化する。 対処: PCA・特徴選択で次元を 10〜20 に落としてから距離計算。

落とし穴 3: スケール非依存と思い込み

コサイン類似度は「方向だけ」を見るので「スケール非依存」とよく言われるが、 これは「全変数の同時スケーリング」に限った話。 個別変数の単位が違うと（人口 vs 出生率など）、 やはり標準化が必要。 対処: コサインでも StandardScaler は省略しない。

落とし穴 4: 距離行列の対称性誤読

「東京 → 大阪」と「大阪 → 東京」を別の値として保存している場合（pandas の groupby 結果など）、 距離公理の対称性が壊れて多くの手法が動かない。 対処: squareform や (D + D.T) / 2 で対称化する。

落とし穴 5: 欠損値の影響

距離関数は欠損値を許容しない。 SSDSE のように一部欠損がある列を扱うと、 行を削除（dropna）するか補完（fillna）する必要がある。 不適切な補完は距離行列を歪める。 対処: 欠損率の高い列は除外、 残った欠損は中央値補完を試す。

落とし穴 6: 「カテゴリ変数を数値化」の落とし穴

「県コード」を数値として距離計算に入れると、 「北海道(01) と 沖縄(47) は遠い」「北海道(01) と 青森(02) は近い」という無意味な距離が生まれる。 対処: カテゴリ変数は除外するか one-hot encoding 後に Hamming 距離など適切な距離を使う。

📌 距離関数の選び方 — 質問形式チャート

どの距離を使えばよいか迷ったら、 以下を上から順に確認する:

1. データはベクトル形式か？
   • YES → 次へ
   • NO（文字列） → Levenshtein 距離、 NO（グラフ） → グラフ編集距離
2. 変数のスケールは揃っているか？
   • NO → まず StandardScaler で標準化、 その後次へ
   • YES → 次へ
3. 変数間に強い相関があるか？
   • YES → マハラノビス距離を検討
   • NO → 次へ
4. 方向（プロファイル）を測りたいか、 大きさを含む位置を測りたいか？
   • 方向 → コサイン
   • 大きさ含む → 次へ
5. 外れ値に頑健にしたいか？
   • YES → マンハッタン (L1)
   • NO → ユークリッド (L2)（デフォルト）

SSDSE-B-2026 で 47 都道府県を分析するとき、 90% のケースで「StandardScaler + ユークリッド」がベスト初手。 高度な分析（プロファイル比較・異常検知）に進んだ段階でコサイン・マハラノビスに切り替えるのが定石。

🌐 関連手法・派生

距離関数の全体マップ

距離をベースにする主要なアルゴリズム

• k-NN（k-最近傍法） — クエリ点に近い k 点で分類・回帰
• k-means クラスタリング — クラスタ中心とのユークリッド距離で割当
• 階層的クラスタリング — 距離行列をボトムアップにマージ
• DBSCAN — ε-近傍密度ベース、 距離関数を任意選択可
• スペクトラルクラスタリング — 類似度グラフのラプラシアン固有ベクトル
• 異常検知 — マハラノビス距離による多変量外れ値判定
• 推薦システム — ユーザー・アイテム間のコサイン類似度

🧩 距離関数の選び方フローチャート

「結局どれを使えばいいの？」に答える実用ガイド：

🌐 カーネル法と距離 — 高次元での内積

「距離」と「内積」は表裏一体。 ベクトルの内積 $\langle x, y\rangle$ が大きければ、 距離 $\|x - y\|$ は小さい：

カーネル関数：「高次元での内積」を直接計算

$\phi: X \to \mathcal{H}$ を非線形写像、 $K(x, y) = \langle \phi(x), \phi(y)\rangle_{\mathcal{H}}$ をカーネル関数と呼ぶ。 重要なのは $\phi$ を明示せずに $K$ だけ計算できること（カーネルトリック）。

代表的なカーネル

カーネル法を使うアルゴリズム

• SVM（サポートベクトルマシン）— カーネルで非線形分類
• カーネル PCA— 非線形次元削減
• カーネル k-means— 非線形クラスタリング
• ガウス過程回帰— ベイズ的非線形回帰
• スペクトラルクラスタリング— カーネル PCA + k-means と等価

🌐 距離・類似度の応用：データサイエンス 8 領域

距離・類似度はデータサイエンスのほぼ全領域で使われている。 以下の表は、 各領域でどの距離関数が「定番」かをまとめたもの。

SSDSE 文脈での実用例: ① 47 都道府県の K-means クラスタリング → ユークリッド、 ② 都道府県の「人口プロファイル類似度」検索 → コサイン、 ③ 産業構造の外れ値検出 → マハラノビス、 という対応がデフォルト選択。

🌐 距離と類似度の相互変換 — どう翻訳するか

「距離」と「類似度」は表裏一体。 一方から他方へ変換する公式と、 どの変換が解析上扱いやすいかをまとめる。

注意: 「コサイン類似度 1 - cos(θ)」は三角不等式を満たさないので、 厳密には「距離」ではなく「非類似度」。 KD-tree などの加速構造で使いたいなら、 「角距離 arccos(s)」に変換する必要がある。 sklearn の BallTree は 'cosine' をサポートしないのはこのため（代わりに 'haversine' など真の距離を使う）。

🎓 距離学習（Metric Learning） — 教師あり情報から「良い距離」を作る

ここまで紹介した距離は「予め決まった式」だったが、 実は距離そのものをデータから学習する方法がある。 これが Metric Learning（距離学習）。

主要アルゴリズム 3 つ

SSDSE 文脈での例: 「政令市あり/なし」「太平洋側/日本海側」のようなカテゴリ情報を教師にして「政令市あり同士が近くなる距離」を学習できる。 こうした文脈依存の距離は、 一般的なユークリッドより数倍精度が上がることが多い。

🌐 L_p ノルム族 — マンハッタンからチェビシェフまでを統一的に理解

マンハッタン (L1)・ユークリッド (L2)・チェビシェフ (L∞) は、 実は同じ族（family）に属する距離。 $L_p$ ノルムという統一フレームで一望すると、 個別暗記が不要になる。

$$ \|x - y\|_p = \left( \sum_{i=1}^{n} |x_i - y_i|^p \right)^{1/p} $$

SSDSE で $p=1$ と $p=2$ を切り替えると、 「東京・大阪のような巨大都市」の影響が変わる。 ユークリッドは差の二乗を取るので外れ値の影響が増幅され、 マンハッタンは絶対値なので頑健。 「東京を外れ値扱いせずに、 他県の構造を尊重したい」場合はマンハッタンが向いている。

🔗 関連用語（前提・並列・発展）

📥 前提

🔁 並列

🚀 発展・応用

📚 関連グループ教材

距離・類似度は 「線形代数」「クラスタリング」「機械学習基礎」 のグループに属します。

このサイト内で関連する論文再現

• クラスタリング系論文 — 都道府県を距離ベースでグループ化する例多数
• 異常検知系 — マハラノビス距離による外れ値判定
• テキスト分析系 — TF-IDF + コサイン類似度
• 推薦系 — ユーザー・アイテム類似度

推奨書籍

• 『パターン認識と機械学習』（C. M. Bishop、 丸善）— 距離と類似度の数学的基礎
• 『はじめてのパターン認識』（平井有三、 森北出版）— 日本語入門書
• 『Pattern Classification』（Duda, Hart, Stork）— 古典的名著
• 『Distance Metric Learning for Large Margin Nearest Neighbor Classification』（Weinberger & Saul, JMLR 2009）— LMNN の原論文

オンライン資源

• scipy.spatial.distance（docs.scipy.org）— 30+ の距離関数実装
• sklearn.metrics.pairwise（scikit-learn.org）— 機械学習用 pairwise 距離
• metric-learn（contrib.scikit-learn.org/metric-learn）— 距離学習ライブラリ
• FAISS（github.com/facebookresearch/faiss）— Facebook の高速近似最近傍検索

📚 追加内容

🔖 キーワード索引（補強）

本ページで扱う主要キーワード： 追加内容 / 概念マップ / ユークリッド距離 / マンハッタン距離 / ミンコフスキー距離 / チェビシェフ距離 / マハラノビス距離 / コサイン類似度 / Jaccard 係数 / ハミング距離 / 編集距離 / Levenshtein / DTW / Earth Mover's Distance / KL ダイバージェンス / 距離公理 / 擬距離 / 次元の呪い / 標準化 / z-score / min-max / RBF カーネル / 類似度行列 / 距離行列 / 階層クラスタリング / k-NN / SSDSE-B-2026 / 都道府県データ。 これらの用語は本文中の対応する節で詳述しており、 関連用語として cosine-similarity、 clustering、 k-NN、 standardization、 dimension-reduction を併せて参照すると、 「距離 → 類似度 → クラスタ → 推薦・検索」の連鎖を体系的に理解できる。 特に高次元データでは UMAP / t-SNE 等の距離保存型可視化と組み合わせて使うのが定石。

⚠️ 条件・限界・誤解回避（補強）

距離・類似度を実務に用いる際は (1) 距離公理（非負・恒等・対称・三角不等式）を満たすか、 擬距離か、 単なる類似度かを明示する、 (2) スケール・単位の差を吸収する標準化が事前に施されている（総人口を「人」、 消費支出を「円」のまま混ぜるとユークリッド距離が桁の大きい変数に支配される）、 (3) 次元の呪い（高次元ではすべての点が等距離になる現象）への対処（次元削減・特徴選択）を行う、 という前提が必要。 限界として、 ユークリッド距離は外れ値に弱い、 コサイン類似度はベクトル長を無視する（極端な疎ベクトルでは不安定）、 マハラノビス距離は共分散行列の逆行列を要し $n < p$ では特異、 編集距離（Levenshtein）は計算量が $O(nm)$ という弱点がある。 SSDSE-B-2026 の都道府県データでは、 必ず z-score 標準化または min-max 正規化を行ってから距離計算する。

よくある誤解として、 「コサイン類似度 = 1 - コサイン距離は距離公理を満たす」 は誤り（三角不等式を満たさない場合があるので擬距離扱い）、 「ユークリッド距離は常に直感に合う」 も誤り（高次元では sparse な空間で距離分布が圧縮される）、 「マンハッタンとユークリッドは結果が大差ない」 も誤り（クラスタリング結果が変わる典型例として SSDSE の都道府県分類で確認できる）。 また 「類似度＝距離の逆数」 は単純化しすぎで、 $\text{sim} = e^{-d^2/2\sigma^2}$ のような RBF 変換、 $\text{sim} = 1/(1+d)$ の単調変換、 などが用途によって使い分けられる。 推薦・検索・クラスタリングのいずれでも、 距離選択は最終結果を左右する設計判断であり、 「とりあえずユークリッド」を避ける。

🎨 概念図

📚 理解度チェック

1. 距離公理（非負性・恒等性・対称性・三角不等式）を満たさない「擬距離」の例を 3 つ挙げ、 それぞれ違反する公理を述べよ。
2. SSDSE-B-2026 で「総人口」「出生数」「年平均気温」「消費支出」の 4 指標を用いて都道府県間距離を計算するとき、 標準化を省略するとどうなるか具体的に説明せよ。
3. マハラノビス距離 $d_M(x,y) = \sqrt{(x-y)^\top S^{-1}(x-y)}$ がユークリッド距離より優れる場面と、 使えない場面を述べよ。
4. コサイン類似度と Jaccard 係数の使い分けを、 「ベクトル表現が密か疎か」「ベクトル長の意味」の 2 観点で説明せよ。
5. 高次元データ（$p \gg n$）における「次元の呪い」を、 ユークリッド距離の比 $d_{\max}/d_{\min}$ の収束として数式で表せ。

🧪 距離・類似度設計の典型ワークフロー（10 ステップ）

SSDSE-B-2026 を用い、 都道府県の類似度行列を構築するための標準ステップ。

1. 目的設定：「都道府県の経済構造類似性」「都道府県の社会指標類似性」など、 距離が何を測るかを定義する。
2. 変数選定：総人口・出生数・年平均気温・消費支出など、 目的に応じた特徴を選ぶ。 多重共線性を見越して PCA / VIF を併用。
3. 欠測値処理：中央値補完または KNN 補完。 補完前後で距離分布がどう変わるかを必ず確認する。
4. 標準化：z-score または min-max。 ロバストにしたければ MAD ベースの標準化を採用。 単位混在のまま距離計算するのは禁忌。
5. 距離尺度の選択：ユークリッド / マンハッタン / コサイン / マハラノビスを試し、 階層クラスタリングの結果が安定しているかを比較。
6. 次元削減：$p \gg n$ なら PCA で次元削減してから距離計算するか、 UMAP / t-SNE で可視化用低次元に埋め込む。
7. 距離行列の生成：from scipy.spatial.distance import pdist, squareform で計算。 距離行列を保存し、 ヒートマップで可視化する。
8. 解釈と検証：「東京と神奈川が近い」「沖縄と他県が離れている」といった地理的直感と矛盾しないかを確認。 矛盾があれば設計を見直す。
9. 下流タスクへの接続：階層クラスタリング、 k-NN 推薦、 異常検知などに距離行列を供給する。 距離尺度を変えると下流結果も変わるので感度分析を行う。
10. レポート化：使用した距離尺度・標準化・次元削減手法・距離行列のサイズを再現可能な形で記録する。 乱数を使った手法（UMAP）は seed を保存。

📖 距離・類似度の代表的ケーススタディ（5 件）

• Mahalanobis (1936)：マハラノビス距離の提案。 インド統計学者 P. C. Mahalanobis が階級分類に提案した相関補正距離。 多変量正規分布での尤度比に対応。
• Levenshtein (1965)：編集距離。 文字列間の挿入・削除・置換の最小操作回数を距離とする。 自然言語処理、 DNA 配列比較、 スペルチェックの基盤。
• Salton (1971)：コサイン類似度。 情報検索の Vector Space Model で文書ベクトル間の角度を類似度として導入。 検索エンジン・推薦系の最重要尺度。
• Sakoe & Chiba (1978)：Dynamic Time Warping。 時系列の伸縮を許す距離。 音声認識・ジェスチャ認識・株価チャート分析の標準手法。
• Rubner, Tomasi & Guibas (2000)：Earth Mover's Distance。 確率分布間の「土の移動量」として距離を定義。 Wasserstein 距離と等価で、 現代の生成モデル（WGAN）の理論的基盤。

🛡 距離設計時の安全策（チェックリスト）

• 変数のスケールを必ず確認し、 標準化なしで距離計算しない。
• 距離尺度の選択は下流タスクと結果が一致するかで検証する。
• $p \gg n$ では事前次元削減を行い、 次元の呪いを回避する。
• 「コサイン類似度の 1 引き算」を距離として使う場合は擬距離扱いで、 三角不等式に依存するアルゴリズム（k-d tree）は使わない。
• 距離行列の対称性・対角ゼロを必ずチェック（実装バグの早期発見）。
• 結果の解釈時に、 距離が大きい＝関係が薄い、 と単純化しすぎない（多重関係・非線形構造を見落とす）。

🌐 応用分野別の距離設計指針

距離・類似度の選択は応用分野と密接に結びついている。 SSDSE-B-2026 の都道府県データを題材に、 主要分野別の使い分けを整理する。 クラスタリング・分類では、 標準的に z-score 標準化後のユークリッド距離 + Ward 法または k-Means が定番。 ただし「カテゴリ変数を含む」場合は Gower 距離（連続・順序・名義の混合に対応）、 「外れ値が多い」場合はマンハッタン距離 + 中央値（k-Medoids）が頑健。 SSDSE で「都道府県を地域経済タイプで 5 クラスタに分類」する場合、 都市型・農業型・観光型などの解釈可能性を重視するなら Ward 法、 計算速度を重視するなら k-Means。

情報検索・推薦ではコサイン類似度が圧倒的に主流。 文書ベクトル（TF-IDF、 BERT 埋め込み）、 ユーザー行動ベクトルなど、 ベクトル長が「文書の長さ」や「行動回数」に依存する場合に、 方向だけを見るコサイン類似度が直感に合う。 SSDSE で「指標プロファイルが似ている都道府県」を探すなら、 標準化後のコサイン類似度を用いる。 自然言語処理では編集距離（Levenshtein）が単語類似度・スペル校正に、 BERT/Sentence-BERT 埋め込み + コサイン類似度が文章類似度に使われる。 画像・音声では DTW（Dynamic Time Warping）が時系列パターン比較、 Earth Mover's Distance（Wasserstein 距離）が分布比較・生成モデル（WGAN）に使われる。

異常検知ではマハラノビス距離が線形相関を考慮するため標準。 ただし $n < p$ では共分散行列が特異になるので、 縮約推定（shrinkage）や正則化（Graphical Lasso）を併用。 遺伝学・バイオインフォマティクスでは Jaccard 係数（DNA 配列の OR 集合比較）、 ハミング距離（離散配列比較）、 編集距離（配列アライメント）が標準。 ネットワーク分析では「グラフ上の最短経路距離」「コミュニティ間距離（Resistance Distance）」など、 グラフ構造を反映した距離が用いられる。 SSDSE を「都道府県間の経済交流ネットワーク」と見立てると、 グラフ距離も応用可能。

📊 距離・類似度の数学的特性まとめ

距離尺度の数学的特性を整理する。 距離公理は (1) 非負性 $d(x,y) \ge 0$、 (2) 恒等性 $d(x,y) = 0 \iff x=y$、 (3) 対称性 $d(x,y) = d(y,x)$、 (4) 三角不等式 $d(x,z) \le d(x,y) + d(y,z)$ の 4 条件。 ユークリッド・マンハッタン・チェビシェフ・ハミング・編集距離は全 4 条件を満たす「真の距離（metric）」。 一方、 コサイン類似度の 1 引き算（cosine dissimilarity = $1 - \cos\theta$）、 KL ダイバージェンス、 Bray-Curtis 距離などは三角不等式を満たさない「擬距離（pseudo-metric / dissimilarity）」。

これらの特性は実装上重要で、 真の距離なら k-d tree、 Ball tree、 LSH などの効率的近傍探索アルゴリズムが使えるが、 擬距離では使えない（線形探索 $O(n)$ が必要）。 また、 ユークリッド距離は 内積空間を構成し、 PCA / カーネル法 / SVM の理論的基盤となる。 マハラノビス距離は 共分散構造を持つ内積空間と等価で、 線形変換（白色化）によりユークリッドに帰着できる。 コサイン類似度は 角度ベースであり、 ベクトル長を無視するという欠点と利点を併せ持つ。 SSDSE-B-2026 のような連続多変量データでは、 主役はユークリッドとマハラノビスで、 補助的にマンハッタン（外れ値耐性）とコサイン（プロファイル比較）を使い分ける、 という二段構えが基本戦略。

🎓 教育的演習：SSDSE-B-2026 を用いた距離自由問

1. SSDSE-B の 10 指標を z-score 標準化し、 47 都道府県のユークリッド距離行列を生成せよ。 ヒートマップで可視化し、 地理的近接性と一致するクラスタが現れるかを確認せよ。
2. 同じデータでマンハッタン距離・チェビシェフ距離・コサイン類似度の距離行列を作り、 階層クラスタリング（Ward 法）の結果がどう変わるかを Dendrogram で比較せよ。
3. マハラノビス距離を計算するため、 共分散行列の逆行列を求めよ。 もし特異であれば、 縮約推定（shrinkage）を適用して再計算せよ。 ユークリッド距離との差異を比較。
4. SSDSE を 20 指標に拡張（$p=20$、 $n=47$）し、 次元の呪いを実証せよ：$d_{\max} / d_{\min}$ の比をユークリッドとマンハッタンで計算。
5. UMAP で 2 次元埋め込みを作成し、 元の距離行列との相関（Stress、 Shepard プロット）を評価せよ。 距離保存型可視化の精度を定量的に検証する。

📜 距離・類似度の理論的根拠（補足）

距離関数の理論的基盤は metric space（距離空間）の概念にあり、 Frechet（1906）が公理化した。 4 つの距離公理を満たす集合 $(X, d)$ では、 開球・収束・連続性・コンパクト性などの位相的概念がすべて定義でき、 解析学の道具立てが揃う。 ユークリッド距離は内積空間 $\mathbb{R}^n$ の自然な距離で、 PCA・SVM・カーネル法の理論的基盤。 マンハッタン距離は $L^1$ ノルムから派生し、 Lasso 回帰・スパース推定で重要。 チェビシェフ距離は $L^\infty$ ノルムから派生し、 ロバスト最適化と関係。 これらはすべて $L^p$ ノルムの特殊ケースで、 ミンコフスキー距離 $d_p(x,y) = (\sum |x_i - y_i|^p)^{1/p}$ で統一される。

マハラノビス距離は多変量正規分布の対数尤度から導出され、 「共分散構造を考慮した内積空間」の自然な距離となる。 共分散行列 $\Sigma$ を逆行列 $\Sigma^{-1}$ に変換することで、 各方向の標準偏差で割る効果と、 相関を補正する効果が同時に得られる。 これは「データの楕円分布を球面分布に変換する」白色化（whitening）と等価で、 PCA を別の角度から見たもの。 $n < p$ では $\Sigma^{-1}$ が存在しないため、 縮約推定（Ledoit-Wolf 2004）や正則化（Glasso 2008）が必要。

コサイン類似度は文書・ベクトル空間モデル（Salton 1971）から発展した尺度で、 「ベクトルの方向のみを考慮し、 長さを無視」する点に特徴がある。 これは情報検索における「文書の長さに依存しない類似度」として理論的に正当化され、 TF-IDF・word2vec・BERT 埋め込みの標準的類似度となった。 ただし、 コサイン類似度の 1 引き算は三角不等式を満たさず擬距離。 近年の angular distance $d_a(x,y) = \arccos(\cos\theta)/\pi$ は真の距離で、 三角不等式を満たすため近傍探索アルゴリズムが使える。 これは「コサイン類似度の理論的拡張」として注目されている。

🔬 距離空間理論の最新動向

距離理論の研究は 21 世紀に入り、 最適輸送理論（Optimal Transport, OT）として大きな進展を見せている。 Wasserstein 距離（Earth Mover's Distance、 Kantorovich 距離）は確率分布間の距離で、 「ある分布を別の分布に変換するための最小コスト」として定義される。 これは画像処理、 機械学習（特に WGAN）、 経済学（市場マッチング）で広く応用され、 Cuturi（2013）の Sinkhorn 距離による高速計算が実用化を加速した。 SSDSE で「2 つの都道府県の指標分布」を比較するなら、 単純距離ではなく Wasserstein 距離が理論的に洗練されている。

グラフ距離・トポロジカル距離も活発な研究領域で、 ネットワーク科学・トポロジカルデータ解析（TDA）の中心。 ノード間の最短経路距離、 ラプラシアン固有ベクトル距離（Diffusion Distance）、 持続図距離（Persistence Distance）など、 構造を反映した距離が次々に提案されている。 機械学習では 表現学習の文脈で、 「学習されたベクトル空間における距離」が中心問題となる。 Sentence-BERT、 SimCSE、 CLIP などはすべて「距離が意味的近似を反映する空間」を構築する手法であり、 「距離 = 意味」という現代の前提を作っている。

🧮 距離行列の計算量・スケーラビリティ

距離計算の 計算量は実務上重要な観点である。 $n$ 件のデータ点全ペアのユークリッド距離行列を構築すると、 計算量は $O(n^2 p)$、 メモリは $O(n^2)$ を要する。 SSDSE-B-2026 の $n=47$ では問題ないが、 $n=10^4$ で約 1 億ペア、 $n=10^5$ で 100 億ペアとなり、 メモリ・時間の双方が壁になる。 この問題を解決するため、 近似最近傍探索（Approximate Nearest Neighbor, ANN）が発達した。 LSH（Locality-Sensitive Hashing、 Indyk-Motwani 1998）、 HNSW（Hierarchical Navigable Small World、 Malkov & Yashunin 2018）、 FAISS（Facebook 開発）、 Annoy（Spotify 開発）、 ScaNN（Google 開発）が主要実装。

これらは「距離計算の近似 + インデックス構造」により、 $O(\log n)$ 程度で近似最近傍を探索できる。 推薦システム・画像検索・自然言語類似度検索では FAISS が事実上の標準で、 $10^9$ 件の埋め込みベクトルから 100ms 以内に近傍を返す。 SSDSE のような小規模データでは ANN は不要だが、 概念として「全ペア距離計算は富裕層の贅沢、 ANN が大衆の標準」という認識を持つことが、 将来的なスケール展開に役立つ。 また 距離保存型埋め込みとして、 MDS（Multidimensional Scaling、 1950 年代）、 t-SNE（van der Maaten 2008）、 UMAP（McInnes 2018）、 PHATE（Moon et al. 2019）などが、 「高次元距離を低次元で近似的に保存する」手法として広く使われる。

📘 距離尺度の選択指針（業界実務）

業界実務における距離尺度の選択は、 「データの性質 × タスクの目的」のマトリックスで決まる。 まず 連続値・数値特徴のみなら、 z-score 標準化後のユークリッド距離（汎用）、 マンハッタン距離（外れ値耐性）、 マハラノビス距離（相関補正）から選ぶ。 カテゴリ変数混在なら Gower 距離（連続・順序・名義の混合対応）が標準で、 R の cluster::daisy、 Python の gower パッケージで実装可能。 テキスト・文書なら TF-IDF + コサイン類似度、 または BERT/Sentence-BERT 埋め込み + コサイン類似度が黄金パターン。

画像なら CNN 埋め込み（ResNet、 EfficientNet）+ ユークリッド距離 or コサイン類似度、 音声なら MFCC + DTW（Dynamic Time Warping）or wav2vec 埋め込み + コサイン類似度、 時系列なら DTW、 Soft-DTW、 Frechet 距離、 Edit Distance for Real Sequences（EDR）など多数の選択肢がある。 グラフ・ネットワークなら最短経路距離、 ラプラシアン埋め込み距離、 Node2Vec / GraphSAGE 埋め込みの距離が標準。 これらの選択肢を「タスク特異的に組み合わせる」のが実務の腕の見せ所であり、 SSDSE で各種距離の長所・短所を体験しておくと、 実産業データへの応用力が育つ。

🎯 距離研究の最新動向

距離研究の現代的フロンティアは、 (1) 学習可能な距離（learned metric）、 (2) 確率分布間の距離（OT / Wasserstein）、 (3) 公平性を考慮した距離の 3 方向で展開している。 学習可能な距離は Metric Learning（Weinberger & Saul 2009）で確立され、 顔認識・画像検索・推薦システムの基盤となった。 Triplet Loss（FaceNet 2015）、 Contrastive Loss、 InfoNCE（CLIP 2021）などが代表的。 これらは「距離をデータから学習」する発想で、 古典的距離（ユークリッド・コサイン）を上回るタスク特異的性能を達成。

Wasserstein 距離（最適輸送）は深層学習でも中核的に使われ、 WGAN（Arjovsky et al. 2017）、 Sliced Wasserstein Distance、 Sinkhorn Loss（Cuturi 2013）が代表的応用。 SSDSE で「2 つの都道府県の指標分布の距離」を Wasserstein で測れば、 単純なユークリッドより理論的に正しい比較ができる。 公平性を考慮した距離は、 「異なる人口属性グループ間の距離が公平に保たれる」という性質を持つ。 Demographic Parity 距離、 Equalized Odds 距離など、 機械学習の公平性指標から派生した距離が複数提案されている。 これは EU AI Act、 日本の AI 事業者ガイドライン等の規制対応として 2020 年代後半に急速に重要性を増している研究領域である。

📊 距離尺度のソフトウェア対応表

主要言語・ライブラリでの距離尺度実装の対応表を示す。 Pythonでは scipy.spatial.distance（pdist、 cdist、 squareform）が基盤で、 ユークリッド・マンハッタン・チェビシェフ・マハラノビス・コサイン・Jaccard・ハミング・Bray-Curtis など 30 種類以上の距離・類似度を実装。 sklearn.metrics.pairwise はコサイン・ユークリッド・マンハッタン・ハーバシン（地理）・カーネル系を提供。 scipy.stats.wasserstein_distance は 1 次元 Wasserstein 距離、 多次元なら POT（Python Optimal Transport）パッケージ。 文字列距離は python-Levenshtein、 jellyfish、 rapidfuzz。

Rでは stats::dist が基本（ユークリッド・マンハッタン・チェビシェフ等）、 cluster::daisy が Gower 距離（混合変数対応）、 proxy::dist が 70 種類以上の距離をサポート。 大規模・近似最近傍では FAISS（Facebook、 C++/Python）、 Annoy（Spotify）、 ScaNN（Google）、 HNSWlib（HNSW 実装）、 NMSLIB が代表的。 これらは数億〜数十億ベクトルから 100ms 以内に近傍を返せる。 SSDSE のような小規模データではこれらは過剰だが、 将来的な実務スケールアップを想定して名前と用途を覚えておくと、 業務現場での技術選択が早くなる。 距離研究は「素朴な数学から始まり、 計算機科学・機械学習を巻き込んで、 産業実装の中核技術へと展開した」典型的なテーマである。

🎓 距離・類似度学習のまとめ

本ページの学習内容を整理する。 距離・類似度は (1) 距離公理（非負性・恒等性・対称性・三角不等式）を満たす真の距離と、 公理を満たさない擬距離・類似度の 2 系統がある、 (2) ユークリッド・マンハッタン・チェビシェフ・マハラノビス・コサイン・Jaccard・ハミング・編集距離・DTW・Wasserstein など、 用途に応じて多様な選択肢がある、 (3) 標準化・次元削減・選択尺度の 3 ステップ設計を踏まないと「単位の支配」「次元の呪い」「擬似的なクラスタ構造」のリスクがある、 (4) クラスタリング・推薦・検索・異常検知・生成モデルなど、 機械学習の多くの応用が距離設計と切り離せない、 (5) 現代では Metric Learning・Wasserstein 距離・グラフ距離が研究の最前線で、 古典距離 + 学習距離のハイブリッドが標準。 SSDSE-B-2026 で z-score 標準化 + ユークリッド距離 + 階層クラスタリングの基本パイプラインを実装すれば、 距離設計の本質的理解が身につく。

🔗 関連トピックへの橋渡し

距離・類似度の理解を深めるための関連トピックを示す。 まず数学的基盤として 線形代数（ノルム・内積・固有値）、 位相空間論（収束・開集合・距離化）、 関数解析（ヒルベルト空間・カーネル法）が理論面で必須。 次に応用面として クラスタリング、 k-NN 分類・回帰、 推薦システム、 異常検知、 情報検索、 次元削減といった機械学習の主要応用がすべて距離概念に依存する。 これらの関連トピックを併せて学ぶことで、 「距離 = データの形を測る言語」という統一的視点が獲得できる。 SSDSE での実装演習を通じて、 距離概念がデータ分析全般の中核技術であることを実感的に理解できる。

📚 距離・類似度の参考文献（5 件）

(1) Deza & Deza (2016)：Encyclopedia of Distances — 距離の包括的事典、 2000 以上の距離・類似度を網羅。 (2) Cuturi (2013)：Sinkhorn Distances — Wasserstein 距離の高速計算手法、 機械学習への OT 応用を加速。 (3) van der Maaten & Hinton (2008)：t-SNE — 距離保存型可視化の代表手法。 (4) McInnes et al. (2018)：UMAP — t-SNE 後継、 局所・大域構造の両立で広く採用。 (5) Weinberger & Saul (2009)：Distance Metric Learning for Large Margin Nearest Neighbor Classification, JMLR — Metric Learning の出発点となった論文、 学習可能な距離の理論基盤。

🗺 距離空間の数学的位置づけ — 公理と性質

🗺 距離空間の数学的位置づけ — 公理と性質

「距離」と呼ぶには 4 つの公理 を満たす必要があります（距離関数 $d: X \times X \to \mathbb{R}_{\ge 0}$）：

公理を満たすもの／満たさないもの

• 完全な距離：ユークリッド、 マンハッタン、 チェビシェフ、 マハラノビス、 ハミング、 レーベンシュタイン
• 「擬距離（pseudometric）」：同一性以外を満たす。 例：「絶対値の差」
• 「ダイバージェンス」：対称性・三角不等式を満たさない。 KL ダイバージェンスは $D_{KL}(P\|Q) \ne D_{KL}(Q\|P)$。 「距離」とは呼ばない
• コサイン距離：三角不等式を満たさない（注意！）。 ただし「角度距離」 $\arccos(\cos)$ なら満たす

距離空間 → 計量空間 → ヒルベルト空間の階層

数学的には、 距離空間（metric space）の特殊例として：

• 計量空間＝距離公理を満たす集合 $X$
• ノルム空間＝計量空間 + 線形構造（ベクトル空間）。 距離 $d(x, y) = \|x - y\|$
• 内積空間＝ノルム空間 + 内積。 内積から $\|x\| = \sqrt{\langle x, x\rangle}$ が誘導
• ヒルベルト空間＝完備な内積空間。 機械学習でカーネル法の理論的基盤

🎓 距離学習（Metric Learning）— 「良い距離」をデータから学ぶ

古典的距離（ユークリッド等）は 「全次元を平等に扱う」 ため、 タスクに関係ない次元のノイズに弱い。 たとえば顔認証で 背景の色 は顔の同一性と無関係なのに、 そのまま距離計算すると誤判定の原因になる。 距離学習はこれを克服します。

代表的手法

距離学習は 深層学習時代の標準的アプローチです。 「データから良い類似度関数を学ぶ」発想が、 古典的距離関数の選択問題を一段抽象化しました。

「距離・類似度」を取り巻く概念群を 3 つの視点で整理し、 体系の中の位置づけを掴む。

• 上位概念: ベクトル空間 / ベクトル演算 — 距離の公理（非負・対称・三角不等式）を満たす数学構造
• 並列概念: コサイン類似度 / クロスエントロピー / 相関係数 — 「近さ」を測る異なるパラダイム
• 下位・派生概念: 共分散 (マハラノビス基礎) / 文字列類似度 / 編集距離 (文字列類似度) / 確率分布の比較 (KDE) — 用途別に特殊化された距離

この概念マップを意識することで、 「距離・類似度」を孤立した知識ではなく、 距離空間の公理を共有する体系の一点として理解できる。 ユークリッド距離は L2 ノルムに、 マンハッタン距離は L1 ノルムに、 マハラノビスは標準化された L2 に対応するという「ノルム族」の視点も同時に獲得できる。

🔗 隣接手法への橋渡し

距離・類似度は単独の関数定義に留まらず、 正規化・特徴量設計・モデル選択を貫く設計判断である。 ユークリッド・cosine・jaccard・マハラノビスのどれを選ぶかで、 クラスタリングや k-NN の挙動が一変する。

• 上流（前処理・データ整備）: 標準化 / 欠損値処理 / 次元削減
• 並列（代替・補完手法）: コサイン類似度 / コサイン類似度 / 相関
• 下流（評価・解釈・応用）: クラスタリング / k-means / k-NN 分類

距離・類似度は「2 点がどれくらい離れているか」を定義する関数群で、 上流の正規化が違えば順位が逆転し、 並列の cosine・jaccard とユークリッドでは強調する側面が異なり、 下流のクラスタリングや k-NN の挙動を決定づける。

🌳 手法選択フロー

「距離・類似度」を扱う際の手法選択は、 状況に応じて以下のフローで判断すると迷いが減る。

1. Step 1: 目的は記述か予測か?
   • 記述 (現状把握・要約) → 集計・可視化・要約統計量で全体像を掴む
   • 予測 (未知データへの推定) → モデル構築・検証フェーズへ移行
2. Step 2: データの種類・規模は?
   • 数値データ・小〜中規模 → 「距離・類似度」やその拡張手法を直接適用
   • カテゴリデータ → 文字列類似度 と組み合わせ
   • 大規模・高次元 → 次元削減 など計算効率重視の派生を選択
3. Step 3: 結果の解釈・共有は?
   • 専門家向け → 数値指標・統計検定で精緻に評価
   • 非専門家向け → 可視化・自然言語での要約を重視

このフローに沿って判断することで、 「距離・類似度」を中核とした適切な手法選択ができる。

📝 直感・落とし穴・発展をさらに深掘り（補足）

本節は既存の解説を壊さない追記の補足です。 上の各章で触れた「直感／落とし穴／発展」を、 SSDSE-B-2026（2023 年・47 都道府県）の実測値と最小限の反例で、 一段深く掘り下げます。 数値のうち都道府県間距離は実データからの実測、 反例ベクトルは「架空」と明記します。

🎨 直感（補足）— 「距離を選ぶ」とは「どの方向の差を重く見るか」を選ぶこと

ユークリッド・マンハッタン・ミンコフスキー・マハラノビスは、 いずれも「各次元の差 $\Delta_i = x_i-y_i$ をどう重み付けして束ねるか」の違いにすぎません。 上の 🎮 触って理解する の単位球（円・菱形・正方形）は、 まさに「どの方向を優遇するか」の地図です。

そして「距離」を名乗るための契約書が距離の公理（非負性・同一性・対称性・三角不等式）です。 契約のどれを破るかで呼び名が変わります。

📊 実測（SSDSE-B-2026）— ユークリッドとマハラノビスで「東京の最遠県」が入れ替わる

「相関を無視するユークリッドの誤りをマハラノビスが補正する」を、 実データで一撃で見せる例です。 8 主要列（A1101 総人口／A1303 65歳以上人口／A4101 出生数／A4200 死亡数／A5101 転入／A5102 転出／C3301 着工建築物数／C3302 着工床面積）を z 標準化し、 東京から各県への距離を計算しました。

💬 読み方：ユークリッドは「東京は鳥取と最も違う」と言い、 マハラノビスは「東京は愛知や北海道のような大規模県と最も違う」と言う。 さらに順位が逆転します — 東京から鳥取は L2 で最遠（14.0）なのにマハラノビスでは 6.89、 逆に神奈川は L2 で最近傍級（5.62）なのにマハラノビスでは 7.84 と鳥取より遠い。 理由：総人口・出生・死亡・移動といった大都市系の 8 軸は互いに強く相関しているため、 マハラノビスは「みんな同じ向きに小さい」という地方県の差を割り引き、 「規模の割に○○が突出」という独立成分の差だけを拾う。 「東京 vs 地方の小ささ」は共分散で説明できるありきたりな差、 「東京 vs 愛知」は共分散で説明しきれない特異な差、 というわけです。

※ 上の値は SSDSE-B-2026.csv（cp932, skiprows=[1], 2023 年 47 県）を z 標準化して算出した実測。 標準化前の生値で計算すると、 桁の大きい総人口・床面積だけで距離がほぼ決まり、 この構造は見えなくなります（＝下の落とし穴①）。

⚠️ 落とし穴（補足）— コサイン距離は「距離」ではないことがある

コサイン距離 $d_{\cos}=1-\cos\theta$ は三角不等式を満たさない（半距離）。 これは抽象論ではなく、 2 次元の架空ベクトル 3 つで即座に破れます。

結果として、 コサイン距離では KD-tree・Ball-tree・多くの近似最近傍（三角不等式で探索を刈り込む）が正しく使えない。 回避策は、 (1) ベクトルを L2 正規化してからユークリッド距離を使う（正規化ベクトルでは $\|x-y\|=\sqrt{2\,d_{\cos}}$ の単調変換で、 これは真の距離）、 または (2) 角距離 $d_a=\arccos(\cos\theta)/\pi$ を使う（これは三角不等式を満たす真の距離）。

他の補足的落とし穴：

• スケール依存（再掲・実証）：上の東京–鳥取の構造は z 標準化して初めて見える。 生値のままだと総人口（数百万）と着工数（数千）が混在し、 距離は事実上「総人口の差」になる。 標準化は選択肢ではなく前提。
• 次元の呪い：🔬 数式読み解きの実験どおり、 SSDSE の列を増やすと東京の「最近傍と最遠点の比（contrast）」が 1 に収束する。 高次元では距離の大小そのものが情報を失う → 次元削減や コサインへ。
• 外れ値感度：L2 は差を二乗するので東京 1 県が距離行列を支配しやすい。 外れ値が多いなら L1（マンハッタン）か中央値・MAD ベースのロバスト標準化。
• カテゴリ変数：都道府県コード（01〜47）を数値として距離に入れると「北海道(01) と 沖縄(47) は遠い」という無意味な距離が生じる。 名義尺度はワンホット化してハミング距離／Jaccard 係数、 連続・カテゴリ混在なら Gower 距離を使う。

🚀 発展（補足）— 距離を「決める」から「学習する」へ

ここまでは人間が距離関数を選んできましたが、 現代では距離そのものをデータから学習します。

• 計量学習（Metric Learning）：マハラノビス距離の $\Sigma^{-1}$ を「タスクに合うように」学習で決める発想。 LMNN（Weinberger & Saul 2009）は「同クラスは近く、 異クラスは遠く」なる $M$（半正定値行列）を学習し、 $d_M(x,y)=\sqrt{(x-y)^\top M(x-y)}$ とする。 深層版が Triplet Loss（FaceNet）・Contrastive Loss・InfoNCE（CLIP）で、 顔認証・画像検索・推薦の基盤。
• 編集距離・ハミング距離の位置づけ：ベクトルでない系列・記号のための距離。 ハミング距離は「長さが同じで、 何箇所違うか」（誤り訂正符号・One-hot 比較）、 レーベンシュタイン（編集距離）は「挿入・削除・置換の最小回数」で長さが違ってもよい（スペル訂正・DNA アライメント）。 どちらも距離公理を満たす真の距離。
• 埋め込み空間の距離：単語・文・画像を 埋め込みベクトルに変換すると、 「意味の近さ」が幾何的な距離になる。 word2vec・Sentence-BERT・CLIP はいずれも「コサイン類似度が意味的近似を表す空間」を作る手法。 現代の距離は「物理的な近さ」ではなく「意味的な近さ」を測る道具へ拡張された。
• 使い分けの軸（再整理）：k-NNは「クエリの近傍 k 点」を距離で選ぶので距離設計がそのまま分類境界になる。 k-meansは本質的にユークリッド（重心＝L2 最小化点）前提なので、 コサインを使いたいなら球面 k-means や事前 L2 正規化が必要。 階層的クラスタリングは任意の距離行列を入力にできるが、 連結法（Ward は L2 前提）との相性に注意。

🔗 関連ページ（補足リンク）

本節の話題に対応する用語ページ（サイト内実在ページのみ）：

※ 「マハラノビス距離」の単独ページはサイト内に未整備のため、 本ページ内 関連手法・派生および 数式読み解き節を参照してください。