🔖 キーワード索引

「gini」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「gini」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「gini 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 — ジニ係数 の本質

人口の何% が所得の何% を占めるかを描いたローレンツ曲線と、 45° の完全平等線で囲まれた面積の 2 倍がジニ係数。 0 が完全平等、 1 が完全不平等。 SSDSE-B-2026 で 47 都道府県（2023 年度）の消費支出（L3221）を見ると、 ジニ係数は約 0.04 と小さく、 都道府県間の支出格差はあまり大きくない。 一方で教育費（L322108）のジニは約 0.23 と相対的に大きい。

🎮 触って理解する — 所得バーを動かしてジニ係数を体感

下の 8 人の所得バー（架空データ・万円/年）を上下にドラッグすると、 右のローレンツ曲線がリアルタイムに変形し、 45 度線（均等分配線）との間の「弛み」の面積 A からジニ係数 $G = 2A$ が即座に再計算される。 全員を同じ高さにすると G = 0（曲線が対角線に張り付く）、 1 人に全所得を集めると G は理論上限 $1 - 1/n = 0.875$（n = 8 の場合。 n → ∞ で 1 に近づく）まで跳ね上がる。 「ローレンツ曲線の弛み ＝ 格差」という幾何的直感を、 手を動かして確かめてほしい。

🔬 実験メニュー — 3 つの性質を自分で確認する

1. G = 0 の確認：「平等」プリセットを押す（全員同額）。 ローレンツ曲線が対角線に一致し G = 0.000 になる。
2. G → 1 の確認：「極端」プリセットで 1 人が全所得を持つ。 G = 0.875（= 1 − 1/8）。 標本ジニの上限が 1 − 1/n であることは、 落とし穴セクションの「小標本バイアス」（補正 n/(n−1)）と表裏一体。
3. スケール不変性の確認：適当な形にしてから「所得倍増」を押す。 全員の所得が 2 倍になっても G は 1 桁も変わらない。 ジニ係数は「相対的な取り分の形」だけを見る指標であり、 経済成長で全員が豊かになっても（比率が同じなら）格差指標としての G は動かない——これがスケール不変性で、 「G が下がらない ＝ 生活が良くなっていない」ではない点に注意。

📊 SSDSE-B-2026 実測ジニ係数と比べる（2023 年度・47 都道府県、 Python で事前計算）

上のバーで作った架空分布の G を、 SSDSE-B-2026 の実測値（平均差公式、 Python で照合済み）と並べてみよう。 都道府県「平均値」の分布なので世帯間格差より小さく出る点（本文の県内/県間分解を参照）に注意。

生活必需の食料費は G ≈ 0.04 と均等、 選択的・投資的な教育費は G ≈ 0.23、 総人口は G ≈ 0.47（東京一極集中）。 バーを操作して同じ G を再現すると、 「G = 0.23 とはどのくらい偏った分布か」が肌感覚で分かる。

🧭 触った後に読む — 直感・落とし穴・発展

直感：ジニ係数の本体は「ローレンツ曲線の弛み」である。 弛みが大きいほど「下位の人々が全体のわずかしか持っていない」ことを意味する。 幾何的な背景は ローレンツ曲線 のページ（こちらにも対になる操作ウィジェットがある）で深掘りできる。

落とし穴：上のウィジェットで「上位 1 人だけ突出させた分布」と「下位数人だけ極端に低い分布」を作り比べてほしい。 ほぼ同じ G になるのに分布の形は全く違うことが確認できる。 G は面積という 1 つの数値に潰すため、 トップへの集中とボトムの貧困を区別できない。 また同じ社会でも「世帯単位」か「個人単位」か、 再分配前か後かで G は 0.05 以上動く。 読み比べにはパーセンタイル（上位 10% シェア等）やばらつき指標の併用が必須。

発展：地域や属性グループ「間・内」に格差を分解したいなら タイル指数（Theil、 加法分解可能）、 両極の対比を 1 つの比で示したいなら パルマ比率（上位 10% シェア ÷ 下位 40% シェア）、 政策効果を測るなら「再分配前 G − 再分配後 G」の差（再分配係数）を見る。 産業の地域集中を測る 特化係数（LQ） も「偏りの指標」という点でジニの親戚である。 なお決定木で登場する Gini 不純度 は同名だが別概念（クラス混合度）なので混同しないこと。

📐 数式または定義 — ジニ係数 の形式的表現

直感で全体像を掴んだら、 次は厳密な定義を見ます。 数式は短いものでも、 「何を入力にして、 何を出力するのか」を意識して読むと早く慣れます。

🔬 数式を言葉で読み解く — ジニ係数 の記号辞書

上の数式に出てくる各記号が何を表すかを、 言葉で翻訳します。 1 つずつ自分の言葉で言い換えられるようになると、 論文や教科書のスピードが一気に上がります。

🧮 SSDSE-B 実値計算例：47都道府県の経済格差をジニ係数で測る

SSDSE-B-2026 の 2023 年度データで、 都道府県別の「総人口」「消費支出」「食料費」「住居費」「教育費」の不平等度をジニ係数で比較します。

📊 ステップ1：各指標のジニ係数（SSDSE-B-2026 2023 年度 実測値）

💡 洞察：生活必需の食料費はジニ 0.04 と極めて均等な一方、 教育費はジニ 0.23 と家計項目のなかで最も格差が大きい。 「必需的な支出ほど地域差が小さく、 選択的・投資的な支出（教育）ほど地域差が大きい」という構造が読み取れる。 教育投資の地域差は次世代の所得格差の再生産につながりうる。 また総人口のジニ 0.47 は東京一極集中を反映し、 同じ地域を「総量」で見るか「1 世帯あたり」で見るかでジニが大きく変わることを示す。

📊 ステップ2：他の格差指標との比較

同じ「格差」でも指標で値が違う。 政策レポートでは複数指標を併記するのが透明性の高い手法。

🧮 実値で計算してみる — SSDSE-B-2026 で ジニ係数 を体感

数式だけでは「分かった気になる」だけで終わりがち。 ここで SSDSE-B-2026（教育用標準データセット — 47 都道府県 × 100+ 指標、 2018-2023 年度）の実値を当てはめて、 ジニ係数 の挙動を電卓的に追体験します。

SSDSE-B-2026 は 統計センターの SSDSE 配布ページ から CSV を直接ダウンロードできます。 本サイトでは data/raw/SSDSE-B-2026.csv に配置している前提でコードを書いています。

🧮 ローレンツ曲線とジニ係数の幾何学的関係（上級補論）

ジニ係数 G は ローレンツ曲線と 45 度線（完全平等線）で囲まれる面積 A を、 45 度線下の三角形面積（0.5）で割った値として定義される: $G = A / 0.5 = 2A$。 つまり「不平等の三角形」を「最大不平等の三角形」で割った比率である。

式で書けば次のとおり。 ここでは正規化された累積人口比 $p \in [0,1]$ と累積所得比 $L(p) \in [0,1]$ を考える:

数式を言葉で読み解く: ローレンツ曲線 $L(p)$ が 45 度線にぴったり一致するとき（完全平等）、 積分は 0.5 となり $G = 0$。 逆に最も歪むとき（1 人が全所得を持つ）、 $L(p) \approx 0$ なので $G \to 1$。 つまり「45 度線から曲線がどれだけ垂れ下がるか」を 0〜1 に正規化したものがジニ係数である。

🐍 SSDSE-B-2026 47 都道府県の消費支出で Lorenz 曲線を描く

🎯 このコードでやること: SSDSE-B-2026 の都道府県別「消費支出（L3221、 二人以上の世帯）」を昇順ソートし、 累積人口比と累積支出比から Lorenz 曲線を描画して台形公式でジニ係数を計算する。

📥 入力データ（SSDSE-B-2026 抜粋、 2023 年度）:

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

import pandas as pd
import numpy as np

# SSDSE-B-2026 を読み込み（1 行目=コード, 2 行目=日本語名なので skiprows=[1]）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]              # 2023 年度の 47 都道府県
x = np.sort(d['L3221'].astype(float).values)   # 消費支出を昇順ソート
n = len(x)

# 累積人口比と累積支出比 → Lorenz 曲線
cum_pop = np.arange(1, n + 1) / n
cum_exp = np.cumsum(x) / x.sum()

# 台形公式で Lorenz 曲線下の面積 B を求め、G = 1 - 2B
B = np.trapz(cum_exp, cum_pop)
G = 1 - 2 * B
print(f'47 都道府県 消費支出 Gini = {G:.4f}')

📤 実行例:

💬 結果の読み方: 都道府県別の消費支出の格差は Gini=0.044 と低い（家計調査の世帯間 Gini は 0.30 前後）。 これは「県平均値」での比較なので、 県内の世帯ばらつきが平均化されて消えているため。 県内/県間分解の重要性が分かる。

🧮 県内/県間ジニ分解（Theil 分解の Gini 版）

ジニ係数は厳密には加法分解できない（Theil 指数と違う）ため、 「県間 Gini」「県内 Gini 加重平均」「重なり項」の 3 成分に分かれる:

政策的含意: 日本の所得格差の大部分は「県間」ではなく「県内」で生じている。 全国一律の地域間移転だけでは Gini はほとんど下がらず、 県内の所得再分配（累進課税・社会保障）が効く。 SSDSE 県平均だけ見て「日本は平等」と結論するのは危険。

🖼 補足: Gini 係数を「ローレンツ曲線の幾何」として視覚化する

Gini 係数 $G$ は単独の数値だが、 実体は ローレンツ曲線と 45 度の完全平等線が囲む面積を 2 倍したものである。 ここでは 3 枚の図と 1 つの Python 実装で、 SSDSE-B-2026 の所得分布から Gini を再構成する流れを視覚化する。

図 1: ローレンツ曲線と Gini の幾何（lorenz_gini.png）

横軸に人口の累積比、 縦軸に所得の累積比を取った曲線がローレンツ曲線。 完全平等線（対角線）との間の三日月形の面積 $A$ に対し $G = A/(A+B) = 2A$ となる。 SSDSE 都道府県データでは曲線がほぼ対角線に重なり、 Gini ≈ 0.07 程度の小さな値になる。

図 2: 分布の形状確認（hist_basic.png）

Gini の計算前に「分布が右に長く伸びる対数正規型」か「ほぼ対称」かを把握しておく必要がある。 ヒストグラムでスケールを確認し、 必要なら対数変換を入れる。 SSDSE の県別消費支出は分布が比較的対称で、 Gini が小さく見えるのは「県別平均が分母」になっていることが効いている。

図 3: 散布図で人口と所得の関係を確認（scatter_basic.png）

Gini は分布の不平等を 1 つの値に潰すが、 散布図で「人口の少ない県も多い県も同じ程度の所得水準にあるか」をまず眺めるのが安全。 散布図で外れ値（東京）の影響を把握してから Gini を解釈する。

📊 表 1: Gini 係数の典型的な値と国際比較

🐍 Python 実装: SSDSE-B-2026 から Gini を計算する

このコードでやること: SSDSE-B-2026 の 47 都道府県「総人口（A1101）」から ローレンツ曲線の面積を台形則で求めて Gini 係数を計算する。

📥 入力データ (SSDSE-B-2026 抜粋、 2023 年度):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
x = np.sort(d['A1101'].astype(float).values)   # 県別の総人口（合計値）
n = len(x)
cum = np.cumsum(x) / x.sum()
B = np.trapz(cum, dx=1/n)
G = 1 - 2 * B
print(f'n={n} 総人口 Gini={G:.4f}')

📤 実行すると次の出力が得られる:

💬 総人口の Gini=0.47 は「県別の人口総数」の不均衡が大きいことを示している。 東京・神奈川・大阪などに人口が集中する構造を反映した値。 一方で「1 世帯あたりの消費支出」の Gini は 0.04 程度（前述の表）に下がる。 同じ地域データでも「総量で見るか、 1 人／1 世帯あたりで見るか」で Gini が大きく変動する点に注意。

✅ 理解度チェック (Gini 係数)

1. ローレンツ曲線が対角線にぴったり重なるとき、 Gini 係数は何になるか？ また、 1 人が全所得を持つときは？
2. SSDSE-B-2026 で「県別の総人口」と「1 世帯あたりの消費支出」の Gini が大きく違うのはなぜか、 50 字で説明できますか？
3. Gini=0.33 と Gini=0.40 のとき、 ローレンツ曲線の「ふくらみ面積」は何倍違うか？（A=G/2 で計算）
4. 所得を 2 倍に上げる再分配を全員に行ったとき、 Gini はどう変化するか？（相対的不平等の概念）
5. Gini と Theil 指数、 Atkinson 指数の違いを 80 字以内で述べてみよう。

⚠️ Gini 係数を実務で使うときの落とし穴 (3 件)

• 異なる集計単位の Gini は比較不可: 個人所得・世帯所得・県別平均所得で計算される Gini は意味が違う。 SSDSE-B-2026 の県平均で 0.07 だからといって「日本は平等」と結論するのは誤り。 OECD の標準は「等価世帯可処分所得」での個人レベル Gini であり、 そこでは 0.33 前後となる。 比較するなら同じ集計単位、 同じ所得定義、 同じ再分配前後を揃える必要がある。
• 分布の形が違っても同じ Gini になり得る: Gini は「ローレンツ曲線が描く面積」を 1 つの値に潰すため、 異なる形状の不平等が同じ値になる場合がある。 たとえば「中間層が薄く両極端が厚い分布」と「右に長い裾を持つ単峰分布」が偶然同じ Gini になり得る。 Lorenz dominance（ローレンツ優越）を確認しないと不平等の優劣は判定できない。 Theil 指数・分位数比などを併用するのが望ましい。
• 小標本で過小推定されやすい: サンプル数 n が小さいと Gini は系統的に過小推定される（Deltas 2003）。 n=47 の都道府県データで Gini を計算する場合、 「真の不平等」より低めに出る傾向がある。 補正係数 $n/(n-1)$ を掛けるのが標準だが、 それでも n が極端に小さい場合（n<20）はブートストラップ信頼区間を併記すべきである。

📜 Gini 係数の歴史的背景と理論的位置づけ

Gini 係数は 1912 年にイタリアの統計学者 Corrado Gini が論文 "Variabilità e mutabilità" で提案した不平等指標である。 元々は「平均差（mean absolute difference）」を平均所得で正規化した量として定義された。 後に Max Lorenz が 1905 年に提案したローレンツ曲線（Lorenz curve）との幾何的関係が明らかになり、 「45 度線とローレンツ曲線が囲む面積の 2 倍」という直観的解釈が確立した。 Gini が広く使われる理由は (1) 0-1 の範囲に収まり国際比較しやすい、 (2) スケール不変（所得を 2 倍にしても Gini は変わらない）、 (3) 集団平均と独立、 という性質を満たすからである。 一方で「集団間と集団内に Gini を分解できない（直接加法的でない）」という弱点もあり、 これを解消する Theil 指数や Atkinson 指数も併用される。 経済学・公衆衛生学・教育格差・所得移転政策の評価など、 不平等を扱う全分野で標準指標として用いられている。

🧪 Gini の実務的なベストプラクティス

実務で Gini を使うときの標準的手順は以下のとおり。 (1) 集計単位を明確化する（個人 / 世帯 / 等価世帯 / 県）。 (2) 所得定義を明確化する（再分配前 / 再分配後 / 可処分）。 (3) Lorenz 曲線を描いて分布の形を確認する。 (4) 補正係数 $n/(n-1)$ を掛ける。 (5) ブートストラップで 95% 信頼区間を併記する。 (6) Theil 指数（集団間・集団内分解可能）、 P90/P10 分位数比、 Palma 比（上位 10% / 下位 40%）を併記する。 (7) 時系列比較なら同じ調査方法・同じ調査対象を維持する。 (8) 国際比較なら OECD の SNA08 基準に揃える。 これらを怠ると「同じ Gini=0.33」が異なる意味を持つことになり、 政策提言の妥当性を損なう。

🧮 数式に値を入れて手で計算する: ジニ係数

合成 5 人の所得からジニ係数を計算する。

Step 1: 所得 (ソート済)

Step 2: 差の平均/2 平均 公式

1
2
3
4
5
6
7

import numpy as np
x = np.array([10, 20, 30, 40, 100], dtype=float)
n = len(x)
x_sorted = np.sort(x)
idx = np.arange(1, n+1)
G = (np.sum((2*idx - n - 1) * x_sorted)) / (n * x.sum())
print(f"ジニ係数: {G:.3f}")

 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

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
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()
df['年度'] = pd.to_numeric(df['年度'], errors='coerce')
df = df[df['年度'] == df['年度'].max()]
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

# 見本でよく使われる仮の列名を、実データから作っておく
df['income'] = df['消費支出（二人以上の世帯）']
df['population'] = df['総人口']
_region = {'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'}
df['region'] = df['都道府県'].map(_region).fillna('その他')
df['地域'] = df['region']

import numpy as np
def gini(x):
    x = np.sort(np.asarray(x))
    n = len(x)
    return (2 * np.arange(1, n+1) @ x - (n+1) * x.sum()) / (n * x.sum())
print(gini(df['income']))

1
2
3

from inequality.gini import Gini
g = Gini(df['income'])
print(g.g)  # ジニ係数

 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

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
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()
df['年度'] = pd.to_numeric(df['年度'], errors='coerce')
df = df[df['年度'] == df['年度'].max()]
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

# 見本でよく使われる仮の列名を、実データから作っておく
df['income'] = df['消費支出（二人以上の世帯）']
df['population'] = df['総人口']
_region = {'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'}
df['region'] = df['都道府県'].map(_region).fillna('その他')
df['地域'] = df['region']

import numpy as np
x = np.sort(df['income'].values)
cum_pop = np.arange(1, len(x)+1) / len(x)
cum_inc = np.cumsum(x) / x.sum()
# cum_pop と cum_inc をプロット → ローレンツ曲線

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

import pandas as pd

# ── この抜粋だけで動くように、47 都道府県・最新年度を読み込む ──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023]
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier

X = _d[['A4101', 'A1303', 'L3221']].astype(float).values   # 出生数・65歳以上人口・消費支出
y = (_d['A1101'] > _d['A1101'].median()).astype(int).values  # 総人口が中央値より多いか

tree = DecisionTreeClassifier(criterion='gini', random_state=0).fit(X, y)
# 「ジニ不純度」は 1 - Σpᵢ²
print('学習データ正解率:', round(tree.score(X, y), 3))
print('木の深さ:', tree.get_depth())

 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

# ── この抜粋で使うデータを用意します（SSDSE-B の 47 都道府県・最新年度）──
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()
df['年度'] = pd.to_numeric(df['年度'], errors='coerce')
df = df[df['年度'] == df['年度'].max()]
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

# 見本でよく使われる仮の列名を、実データから作っておく
df['income'] = df['消費支出（二人以上の世帯）']
df['population'] = df['総人口']
_region = {'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'}
df['region'] = df['都道府県'].map(_region).fillna('その他')
df['地域'] = df['region']

import numpy as np
def theil_t(x):
    x = np.asarray(x)
    m = x.mean()
    return np.mean((x/m) * np.log(x/m))
print(theil_t(df['income']))

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

# ジニ係数 を SSDSE-B-2026 で確かめる最小コード
import pandas as pd
import numpy as np

# 1) SSDSE-B-2026（教育用標準データセット）を読み込み
#    1 行目=英数字コード, 2 行目=日本語列名 → skiprows=[1] で日本語行だけ除外
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
print('shape:', df.shape)        # (564, 112) — 47 都道府県 × 複数年度

# 2) 直近年度（2023 年度）に絞る（年度は先頭列 'SSDSE-B-2026'）
d = df[df['SSDSE-B-2026'] == 2023].copy()
print('rows in 2023:', len(d))   # 47

# 3) 不平等を測る列（消費支出 L3221）を昇順に並べる
x = np.sort(d['L3221'].astype(float).values)
n = len(x)

# 4) ジニ係数 の本処理（このページの主題）= ローレンツ曲線 → G = 1 - 2B
cum = np.cumsum(x) / x.sum()
G = 1 - 2 * np.trapz(cum, dx=1 / n)
print('---- ジニ係数 結果 ----')
print('n =', n, '/ 消費支出 Gini =', round(G, 4))

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

# 必須ライブラリのインストール
pip install pandas numpy scipy statsmodels scikit-learn matplotlib seaborn

# 標準的なインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

# 日本語表示の設定（matplotlib）
plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# データ読み込み（SSDSE は cp932 エンコーディング）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df.shape)
print(df.head())
print(df.describe())

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

def quick_eda(df, target=None):
    """探索的データ分析の基本テンプレート"""
    print(f"Shape: {df.shape}")
    print(f"\nColumn types:\n{df.dtypes}")
    print(f"\nMissing values:\n{df.isnull().sum()}")
    print(f"\nBasic stats:\n{df.describe()}")

    # 数値列の可視化
    numeric_cols = df.select_dtypes(include=[np.number]).columns
    df[numeric_cols].hist(bins=20, figsize=(15, 10))
    plt.tight_layout()
    plt.show()

    # 相関ヒートマップ
    if len(numeric_cols) > 1:
        plt.figure(figsize=(12, 10))
        sns.heatmap(df[numeric_cols].corr(), annot=True, fmt='.2f',
                    cmap='RdBu_r', center=0)
        plt.show()

    # ターゲットがあれば散布図行列
    if target and target in df.columns:
        sns.pairplot(df[numeric_cols[:5]], hue=target if df[target].dtype == 'O' else None)
        plt.show()