🔬 数式を言葉で読み解く

前節の数式に含まれる記号を、 日本語の意味に翻訳する。

• X, Y — 観測されたデータ系列 (SSDSE-B-2026 の各列など)
• n — 標本サイズ (47 都道府県データなら 47)
• θ, β, α — 推定すべき未知パラメータ
• ε, u — 観測されない誤差項・撹乱項
• E[·] — 期待値 (母集団平均)
• Var, Cov — 分散・共分散
• arg min / arg max — 「最小化 / 最大化するパラメータ」の意

histogram の数式は、 これらの記号を組み合わせて「データから未知量を推定する」あるいは「データの構造を要約する」プロセスを記述している。

🧮 ヒストグラムの作り方 — 4ステップ

1. データの範囲を決める：最小値〜最大値
2. ビン（階級）に分ける：通常 5〜30 個
3. 各ビンの頻度を数える：そのビンに入るデータの個数
4. 棒で描画：横軸=ビン、 縦軸=頻度

具体例：東北6県の食料費

仮にデータが [78.1, 79.0, 82.0, 83.8, 84.1, 76.0] とする：

• 範囲：76.0〜84.1（幅 8.1）
• ビン幅：3.0 とする → ビン: [76, 79), [79, 82), [82, 85)
• 頻度カウント：[76,79) → 2件、 [79,82) → 1件、 [82,85) → 3件
• 棒の高さ：2, 1, 3

📏 ビン数の選び方 — 適切な「粒度」を決める

ヒストグラムで最も重要な選択がビン数（または階級幅）。 多すぎても少なすぎても分布の形を見誤ります。

図: 同じ 47 県の食料費（2023 年度）でも、 ビン数 3 では「低い方に多い」ことしか分からず、 40 では 1 県ずつの棒が並ぶだけで形が読めない。 Sturges の 7 や 15 あたりで、 75 千円付近の山と 85 千円付近のもう 1 つの固まり、 右端の埼玉県・東京都が見えてくる。

古典的ルール

実用的判断

• n < 50：5〜10 個のビン
• 50 ≤ n < 500：10〜25 個
• n ≥ 500：25〜50 個
• 外れ値や歪みがある場合：Freedman-Diaconis を試す

Python では

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

import numpy as np
import matplotlib.pyplot as plt

# matplotlib: bins='auto' で Sturges + Freedman-Diaconis の組合せ
plt.hist(data, bins='auto')

# 個別指定
plt.hist(data, bins=20)
plt.hist(data, bins='sturges')
plt.hist(data, bins='fd')   # Freedman-Diaconis
plt.hist(data, bins='scott')

# numpy.histogram_bin_edges で値の境界だけ取得
edges = np.histogram_bin_edges(data, bins='fd')

📈 ヒストグラムで見える分布の形

ヒストグラムは分布の「形」を読み取るための強力なツール。 形から多くの情報が分かります。

図: SSDSE-B-2026 の 2023 年度 47 都道府県から、 形の違う 4 列を並べた。 合計特殊出生率はほぼ対称（歪度 −0.04、 平均 1.29・中央値 1.30）、 最高気温は左に裾（歪度 −0.55、 1 県だけ 31℃ 台に離れる）、 総人口は右に裾で東京都（1,408.6 万人）が飛び地（歪度 2.22、 平均 264.6 万人に対し中央値 154.9 万人）、 外国人延べ宿泊者数は 41 県が最初のビンに集まり東京都（3,437.9 万人泊）が極端に離れる（歪度 4.67）。 47 県では「山が 2 つ」のようなはっきりした多峰性は出にくいので、 多峰性はチェックリストの説明で補う。

診断チェックリスト

• 対称か？ → 正規分布に近い → 平均・標準偏差が代表値として有効
• 右に裾（正の歪度）→ 所得分布、 株価変動 → 中央値が安全
• 左に裾（負の歪度）→ 簡単なテスト点数など → 中央値が安全
• 山が複数（多峰性）→ 集団が混在している可能性
• 端に偏り→ 上限・下限が存在（censoring）
• 飛び地（gap）→ 2つの異なる過程が混在

🎯 頻度 vs 密度 vs KDE

ヒストグラムには「頻度」と「密度」の2種類の表記があります。

頻度 (frequency)

縦軸 = そのビンに入るデータの個数（整数）。 一番直感的。

密度 (density)

縦軸 = 頻度 ÷ (n × ビン幅)。 全体の面積が1になるよう正規化。 異なるビン幅やサンプルサイズのヒストグラムを比較するときに使用。

KDE（カーネル密度推定）

ヒストグラムを「滑らかに」したもの。 ビン幅の影響を受けにくく、 連続的な分布が見える。

図: 縦軸を密度（面積 = 1）にした食料費のヒストグラム（Freedman-Diaconis 則で 6 ビン、 幅 4.45 千円）と、 scipy の gaussian_kde（Scott 則、 バンド幅係数 0.463）の曲線。 KDE の山は 76.5 千円にあり、 85 千円付近に肩、 右に埼玉県・東京都の裾が続く。 KDE は 71〜98 千円の外にも少しはみ出す点に注意。

KDE は scipy.stats.gaussian_kde や seaborn.kdeplot で簡単に描けます。 ヒストグラムと併用するとさらに情報量が増えます。

🆚 群間比較ヒストグラム

2つ以上のグループの分布を重ねて比較できます。 「東日本と西日本では食料費の分布が違うか？」など。

図: 北海道〜愛知の 23 都道県を東日本、 三重〜沖縄の 24 府県を西日本として重ねた（ビン幅 2.5 千円）。 西日本は 72.5〜75 千円に 8 県が集まり、 東日本は 80 千円より右に多く、 90 千円を超えるのは東日本の 2 県（埼玉県・東京都）だけ。 平均は東日本 82.9 千円・西日本 78.4 千円で、 約 4.4 千円の差がある。 仮説検定で確かめるのが次のステップで、 Welch の t 検定では t = 2.76、 p = 0.0087 となる（ただし東京都・埼玉県など首都圏の高い県が東日本の平均を押し上げている点も合わせて見る）。

seaborn での群間比較

 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

import pandas as pd

# ── 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）──
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()].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 費目の正式名は「◯◯費（二人以上の世帯）」。短い別名を付けて使いやすくする
df['食料費'] = df['食料費（二人以上の世帯）']
df['住居費'] = df['住居費（二人以上の世帯）']
df['教育費'] = df['教育費（二人以上の世帯）']
df['光熱費'] = df['光熱・水道費（二人以上の世帯）']
df['消費支出'] = df['消費支出（二人以上の世帯）']
# 「地域」は SSDSE に無いので、地域コードの頭 2 桁（都道府県番号）から作る
def _blk(code):
    n = int(str(code)[1:3])
    return ('北海道' if n == 1 else '東北' if n <= 7 else '関東' if n <= 14
            else '中部' if n <= 23 else '近畿' if n <= 30 else '中国' if n <= 35
            else '四国' if n <= 39 else '九州沖縄')
df['地域'] = df['地域コード'].map(_blk)

import seaborn as sns

# 重ね合わせ
sns.histplot(data=df, x='食料費', hue='地域', alpha=0.5, kde=True)

# 並べる
sns.histplot(data=df, x='食料費', hue='地域', multiple='dodge')

# 積み上げ
sns.histplot(data=df, x='食料費', hue='地域', multiple='stack')

# 確率密度として正規化（群間サイズが違っても比較可）
sns.histplot(data=df, x='食料費', hue='地域', stat='density', common_norm=False)

SSDSE-B-2026 には所得の列が無いので、 実在する列「消費支出（二人以上の世帯、 L3221）」の 2023 年度 47 都道府県の値（千円／月）で度数分布表を作り、 ヒストグラムの手順をたどります。

① 度数分布表（ビン幅 20 千円）

② ビン幅選択則の比較

n = 47、 範囲 = 344.1 − 223.4 = 120.7 千円、 標準偏差 σ = 24.1 千円、 IQR = 307.5 − 279.5 = 28.0 千円の場合：
Sturges：⌈log₂(47)+1⌉ = 7 ビン → 幅 ≈ 120.7 / 7 ≈ 17.2 千円
Scott：3.5σ/n^(1/3) = 3.5 × 24.1 / 3.61 ≈ 23.4 千円
Freedman-Diaconis：2·IQR/n^(1/3) = 2 × 28.0 / 3.61 ≈ 15.5 千円（外れ値に頑健）
Rice：2·n^(1/3) ≈ 7.2 → 8 ビン

③ 分布の特徴

消費支出の分布は人口と違って 左に裾が長い（歪度 −0.52）。 300〜320 千円の階級に 18 県（38.3%）が集まるピークがあり、 最小の愛媛県（223.4 千円）が左に 1 県だけ離れている。 中央値（300.7 千円）が平均（295.9 千円）より大きいのは、 この左の裾が平均を引き下げるため。 右端の 340〜360 千円には東京都（341.3）と埼玉県（344.1）の 2 都県が入る。

🧮 SSDSE-B-2026 で「ビン数の影響」を体感する

SSDSE-B-2026 の 47 都道府県の総人口（A1101）を題材に、 ビン数を 5・10・20・40 と変えてヒストグラムの形がどう変わるかを観察します。

🐍 3 つの法則で SSDSE-B のビン数を計算

このコードでやること：SSDSE-B-2026 の 47 県の総人口 A1101 に対し、 Sturges / Scott / Freedman-Diaconis の 3 法則で推奨ビン数を計算し、 比較する。

📥 入力データ：SSDSE-B-2026.csv、 47 県の総人口 A1101（最小 54 万、 最大 1409 万）。

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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['Code'].str.startswith('R') & (df['SSDSE-B-2026'] == 2023)]
y = df['A1101'].values
n = len(y)

sturges = np.ceil(np.log2(n) + 1).astype(int)
sigma = y.std()
iqr = np.percentile(y, 75) - np.percentile(y, 25)
range_ = y.max() - y.min()
scott_h = 3.5 * sigma / n**(1/3)
fd_h = 2 * iqr / n**(1/3)
scott_k = np.ceil(range_ / scott_h).astype(int)
fd_k = np.ceil(range_ / fd_h).astype(int)

print(f'n={n}, σ={sigma:,.0f}人, IQR={iqr:,.0f}人, レンジ={range_:,.0f}人')
print(f'Sturges: {sturges} ビン')
print(f'Scott: {scott_k} ビン (h={scott_h:,.0f}人)')
print(f'FD: {fd_k} ビン (h={fd_h:,.0f}人)')

📤 実行例：

💬 3 法則で ビン数が 7・6・16 と違う。 SSDSE-B の歪んだ分布では FD（16 ビン）が「東京が右端で 1 県ぽつん」を浮かび上がらせ、 Sturges（7 ビン）は「ほとんどが左端の 1 ビンに集中」と見せる。 同じデータが、 ビン数選択で別の話に見える典型例。

🧮 数式に値を入れて手で計算する: ヒストグラム階級と度数

合成データ [2,5,7,12,18,22,25,28,33,40] を 4 階級に分割する。

Step 1: 階級設定

Step 2: 度数

合計 = 10

🐍 Python で再現

1
2
3
4
5

import numpy as np
x = np.array([2,5,7,12,18,22,25,28,33,40])
hist, bins = np.histogram(x, bins=[0,10,20,30,40])
print(f"度数: {hist}")
print(f"階級境界: {bins}")

📤 実行結果

💬 手計算 (Step 2) [3,2,3,2] と Python 出力が完全一致。

🐍 matplotlib・seaborn・numpy の 3 種実装比較

Python でヒストグラムを描く方法は複数あります。 用途別に使い分けると効率的です。

🐍 matplotlib の素朴な hist

📥 入力データ：SSDSE-B-2026 の A1101（総人口）。

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
plt.rcParams['font.family'] = ['Hiragino Sans', 'IPAexGothic', 'DejaVu Sans']  # 日本語のラベルを豆腐にしない

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['Code'].str.startswith('R') & (df['SSDSE-B-2026'] == 2023)]
y = df['A1101']

fig, ax = plt.subplots(figsize=(8, 5))
ax.hist(y, bins='fd', edgecolor='black')  # Freedman-Diaconis
ax.set_xlabel('総人口 (人)')
ax.set_ylabel('都道府県数')
ax.set_title('SSDSE-B-2026 47県の総人口分布（FD法）')
plt.tight_layout()
plt.savefig('histogram_fd.png', dpi=120)
print('保存完了: histogram_fd.png')

📤 実行例：

🐍 seaborn の histplot で KDE を重ねる

📥 入力データ：同じ SSDSE-B-2026 の A1101。 対数変換版 np.log10(y) も併記。

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

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['Hiragino Sans', 'IPAexGothic', 'DejaVu Sans']  # 日本語のラベルを豆腐にしない

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['Code'].str.startswith('R') & (df['SSDSE-B-2026'] == 2023)]
y_log = np.log10(df['A1101'])

fig, ax = plt.subplots(figsize=(8, 5))
sns.histplot(y_log, bins=12, kde=True, ax=ax)
ax.set_xlabel('log10(総人口)')
ax.set_ylabel('都道府県数')
ax.set_title('SSDSE-B-2026 対数人口の分布 + KDE')
plt.tight_layout()
plt.savefig('histogram_log_kde.png', dpi=120)
print('保存完了: histogram_log_kde.png')

📤 実行例：

matplotlib（基本）

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

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
df = df[df['年度'] == 2023]          # 2023 年度の 47 都道府県（絞らないと 12 年度分 564 件が混ざる）

# 基本ヒストグラム
plt.figure(figsize=(10, 5))
plt.hist(df['食料費（二人以上の世帯）'], bins=15, color='steelblue', edgecolor='white')
plt.xlabel('食料費（二人以上の世帯）')
plt.ylabel('頻度')
plt.title('食料費の分布（2023 年度・47 都道府県）')
plt.show()

# pandas の直接機能
df['食料費（二人以上の世帯）'].hist(bins=15, color='steelblue', edgecolor='white')

# 平均と中央値を線で
plt.axvline(df['食料費（二人以上の世帯）'].mean(), color='red', linewidth=2, label='平均')
plt.axvline(df['食料費（二人以上の世帯）'].median(), color='orange', linestyle='--', label='中央値')
plt.legend()

seaborn（高機能）

 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

import pandas as pd

# ── 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）──
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()].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 費目の正式名は「◯◯費（二人以上の世帯）」。短い別名を付けて使いやすくする
df['食料費'] = df['食料費（二人以上の世帯）']
df['住居費'] = df['住居費（二人以上の世帯）']
df['教育費'] = df['教育費（二人以上の世帯）']
df['光熱費'] = df['光熱・水道費（二人以上の世帯）']
df['消費支出'] = df['消費支出（二人以上の世帯）']
# 「地域」は SSDSE に無いので、地域コードの頭 2 桁（都道府県番号）から作る
def _blk(code):
    n = int(str(code)[1:3])
    return ('北海道' if n == 1 else '東北' if n <= 7 else '関東' if n <= 14
            else '中部' if n <= 23 else '近畿' if n <= 30 else '中国' if n <= 35
            else '四国' if n <= 39 else '九州沖縄')
df['地域'] = df['地域コード'].map(_blk)

import seaborn as sns

# 1変数 + KDE
sns.histplot(df['食料費（二人以上の世帯）'], kde=True, color='steelblue')

# 群別
sns.histplot(data=df, x='食料費（二人以上の世帯）', hue='地域', element='step')

# 密度プロット
sns.kdeplot(df['食料費（二人以上の世帯）'], fill=True)

# 結合プロット
sns.jointplot(x='食料費（二人以上の世帯）', y='教育費（二人以上の世帯）',
              data=df, kind='hist')

plotly（インタラクティブ）

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

import plotly.express as px

fig = px.histogram(df, x='食料費', nbins=15, marginal='box')
fig.write_html('hist_food.html')          # ブラウザで開くと操作できる図（ノートブックなら fig.show()）

# 群別
fig = px.histogram(df, x='食料費', color='地域', barmode='overlay')
fig.write_html('hist_food_region.html')

# 図に描かれる値を数字でも確かめる
s = df['食料費']
print(f"県数 {len(s)} / 最小 {s.min():,.0f} 円（{df.loc[s.idxmin(), '都道府県']}）"
      f" / 中央値 {s.median():,.0f} 円 / 最大 {s.max():,.0f} 円（{df.loc[s.idxmax(), '都道府県']}）")
print('地域別の県数:', df['地域'].value_counts().to_dict())

💬 図は hist_food.html などに書き出し、画面には図に描かれる値だけを出した。2023 年度 47 都道府県の食料費（二人以上の世帯、月額）は愛媛県 71,088 円から東京都 97,776 円まで、中央値 79,939 円。15 本のビンに 47 県を振り分けると 1 本あたり平均 3 県ほどしか入らず、地域で色分けした 2 枚目の図では北海道 1 県・四国 4 県のように 1〜9 県ずつの群を重ねることになるので、形の違いを読み取るのは難しい。

🤖 機械学習でのヒストグラム

① EDA（探索的データ分析）の第一歩

機械学習プロジェクトの最初に、 各特徴量のヒストグラムを描く。 分布の形から：

• 外れ値があるか → 除去・変換が必要
• 歪んでいるか → log 変換、 Box-Cox 変換が必要
• カテゴリが偏っていないか → クラス不均衡対策が必要

② Histogram-based Gradient Boosting

LightGBM や XGBoost は、 連続値を高速処理するためにヒストグラムベースのアルゴリズム（Hist GBDT）を採用。 ビン化が高速化の鍵。

③ 画像処理（色のヒストグラム）

画像の RGB 各チャンネルの分布を見る。 ヒストグラム均等化（histogram equalization）は古典的なコントラスト向上手法。

④ オートエンコーダの入力分布

生成モデルの学習時、 入力データの分布と再構成データの分布をヒストグラムで比較。 ずれていれば学習不足。

🚧 ヒストグラムの落とし穴

1️⃣ ビン数で印象が変わる

同じデータでもビン数を変えると分布の見え方が変わる。 複数のビン数で確認、 KDE を併用するのが安全。

2️⃣ サンプルサイズが小さいと不安定

n=10 程度ではヒストグラムの形は安定しません。 KDE や箱ひげ図のほうが情報損失が少ない。

3️⃣ 軸のスケールを忘れない

裾の長い分布（所得、 株価）では対数軸が見やすい：plt.xscale('log')

4️⃣ 縦軸の頻度 vs 密度を混同しない

群間比較する時、 サイズが違うグループは「密度」で描く必要があります（生の頻度だと比較不能）。

5️⃣ 0からの軸を保つ

棒グラフ・ヒストグラムは縦軸を 0 から始めるのが原則。 切り取ると差が誇張されます。

6️⃣ 名義変数には使わない

「血液型」「性別」のようなカテゴリ変数には棒グラフ（bar chart）を使う。 ヒストグラムは連続値用。

📜 ヒストグラムの歴史

• John Graunt（1662）：死亡記録の最初の頻度表（ヒストグラム的可視化）
• William Playfair（1786）：棒グラフの発明
• Karl Pearson（1891）：「histogram」という用語を提唱
• Rosenblatt（1956）、 Parzen（1962）：KDE の発明 → ヒストグラムの理論的後継
• Sturges（1926）、 Scott（1979）、 Freedman & Diaconis（1981）：ビン数選択の数学的ルールを次々と提案

🐍 Python 実装バリエーション — matplotlib / seaborn / pandas / plotly

① matplotlib（基本、 細かい制御）

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

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df = df[df['年度'] == 2023]               # 2023 年度の 47 都道府県
col = '消費支出（二人以上の世帯）'         # SSDSE-B に所得の列は無いので、世帯の月間消費支出（円）を使う
plt.hist(df[col], bins=10, edgecolor='black', alpha=0.7)
plt.xlabel('消費支出（円／月）')
plt.ylabel('度数')
plt.title('都道府県別 消費支出の分布（2023 年度）')
plt.grid(axis='y', alpha=0.3)
plt.show()

# ビン幅自動選択
plt.hist(df[col], bins='fd')  # Freedman-Diaconis

② seaborn（KDEと組み合わせ、 美しい統計可視化）

1
2
3
4
5
6
7
8
9

import seaborn as sns
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df = df[df['年度'] == 2023]               # 2023 年度の 47 都道府県
col = '消費支出（二人以上の世帯）'
sns.histplot(df[col], kde=True, bins=15, color='skyblue')
# rugplotで生データ位置を表示
sns.rugplot(df[col], color='red', height=0.05)

③ pandas（DataFrameで全数値列を一括）

1
2
3
4
5
6
7

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df = df[df['年度'] == 2023]               # 2023 年度の 47 都道府県
df[['総人口', '消費支出（二人以上の世帯）', '食料費（二人以上の世帯）']].hist(bins=10, figsize=(12, 4), layout=(1, 3))
# Series単独で hist
df['消費支出（二人以上の世帯）'].plot(kind='hist', bins=15)

④ numpy（数値計算用、 度数表だけ欲しい時）

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)
df = df[df['年度'] == 2023]               # 2023 年度の 47 都道府県
counts, bin_edges = np.histogram(df['消費支出（二人以上の世帯）'], bins=10)
print('度数:', counts)
print('境界:', bin_edges.round(0))
# 累積分布
cum = np.cumsum(counts) / counts.sum()
print('累積相対度数:', cum.round(3))

💬 消費支出を 10 本のビンに分けると、295,824〜307,891 円のビンに 17 県が集まり、累積相対度数はそこで 0.404 から 0.766 へ一気に上がる。最低のビンには愛媛県（223,423 円）1 県だけが入り、次のビンは 0 県と空いているので、左側に 1 県だけ離れた外れ値がある形になっている。ビン幅は (344,092 − 223,423) / 10 ≈ 12,067 円で、境界を少しずらすだけで 17 県の山が 2 つに割れることもある。

⑤ plotly（インタラクティブ）

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

import plotly.express as px
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
df = df[df['年度'] == 2023]          # 2023 年度の 47 都道府県（絞らないと 12 年度分 564 件が 1 本のヒストグラムに混ざる）
col = '消費支出（二人以上の世帯）'    # 月あたりの世帯消費支出（円）。所得ではない
fig = px.histogram(df, x=col, nbins=15, marginal='box',
                   title='都道府県別 消費支出（二人以上の世帯）の分布（2023 年度）')
fig.show()

s = df[col]
print('県数:', len(s))
print(f'最小 {s.min():,} 円（{df.loc[s.idxmin(), "都道府県"]}） / 中央値 {s.median():,.0f} 円 / 最大 {s.max():,} 円（{df.loc[s.idxmax(), "都道府県"]}）')

💬 2023 年度に絞った 47 県の世帯消費支出は、最小が愛媛県の 223,423 円、中央値 300,652 円、最大が埼玉県の 344,092 円で、東京都（341,320 円）より埼玉県の方が高い。年度で絞らずに描くと 12 年度分 564 件が 1 本のヒストグラムに混ざり、同じ県が 12 回数えられてしまう。また、この列は世帯の所得ではなく支出である。marginal='box' の箱ひげ図で、下側に離れた県があるかどうかを確かめる。

⑥ 2群比較（男女・地域別）

 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

import pandas as pd

# ── 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）──
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()].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 費目の正式名は「◯◯費（二人以上の世帯）」。短い別名を付けて使いやすくする
df['食料費'] = df['食料費（二人以上の世帯）']
df['住居費'] = df['住居費（二人以上の世帯）']
df['教育費'] = df['教育費（二人以上の世帯）']
df['光熱費'] = df['光熱・水道費（二人以上の世帯）']
df['消費支出'] = df['消費支出（二人以上の世帯）']
# 「地域」は SSDSE に無いので、地域コードの頭 2 桁（都道府県番号）から作る
def _blk(code):
    n = int(str(code)[1:3])
    return ('北海道' if n == 1 else '東北' if n <= 7 else '関東' if n <= 14
            else '中部' if n <= 23 else '近畿' if n <= 30 else '中国' if n <= 35
            else '四国' if n <= 39 else '九州沖縄')
df['地域'] = df['地域コード'].map(_blk)

import seaborn as sns

# SSDSE-B に「平均所得」の列は無いので、実在する消費支出で代用する
sns.histplot(data=df, x='消費支出', hue='地域', element='step',
             stat='density', common_norm=False)
# stat='density'で確率密度に正規化、 common_norm=Falseで群ごとに正規化

⚠️ ヒストグラムの 5 つの落とし穴

ヒストグラムは最も素朴な可視化ですが、 落とし穴も多い手法です。 SSDSE-B-2026 を題材に 5 つ示します。

1. ビン幅選択による印象操作：ビン数を 5 にすると分布が滑らかに見え、 50 にするとデコボコに見える。 同じデータでもビン幅で「形」が変わる。 単一のビン幅で結論を出さず、 複数のビン幅で確認するか、 KDE（密度推定）と併用するのが賢明。 Sturges は古典的だが大標本でビン数不足になりがちなので、 Scott や Freedman-Diaconis を使うと良い。
2. 連続データと離散データの混同：離散値（評価点1〜5など）にビン幅を勝手に決めると、 2ポイント以上が同じビンに入って意味が崩れる。 離散データには棒グラフ（bar chart）を使う。 ヒストグラムは連続変数、 棒グラフはカテゴリ、 という使い分けを明確に。
3. 累積度数と確率密度の混同：plt.hist の density=True は 面積が1 になるように規格化された確率密度を出す。 縦軸を「確率」と勘違いしないこと。 ビン幅 × 高さの面積がその範囲に入る割合。 累積分布関数（ECDF）とは別物。
4. 対数スケールの誤用：所得や売上のような右に裾の長いデータをそのままヒストグラムにすると、 ピークが左に偏って詳細が見えない。 横軸を対数スケール（log）にするか、 対数変換後の値でヒストグラムを描く。 ただし負値や0には対数が取れないので log(x+1) などの工夫が必要。
5. 2群の比較で重ね合わせを誤る：男女別ヒストグラムを単純に重ねると見えにくい。 alpha=0.5 で半透明にする、 stacked=True で積み上げる、 step型で輪郭のみ表示、 など状況に応じた選択を。 違いを際立たせたいなら正規化（density=True）して同じスケールに揃える。
6. 小標本でのギザギザ問題：n が小さい（<30）と、 たまたまそのビンに値が入るかどうかでヒストグラムが不安定になる。 KDE のような滑らかな推定を使うか、 ジッタープロット（rugplot）併用で生データも見せる。
7. 3D・派手な装飾の罠：3D棒グラフや影付きヒストグラムは「印象的」だが、 比較が困難で誤読を招く。 シンプルな2D棒で、 グリッド線・色合いを抑えるのが優れたヒストグラムの基本。

🌐 累積ヒストグラムと経験累積分布関数（ECDF）

🔬 数式を言葉で読み解く

• $\mathbf{1}_{\{x_i \le x\}}$：指示関数。 $x_i$ が $x$ 以下なら 1、 そうでなければ 0。
• $\frac{1}{n}\sum$：平均を取る → 「$x$ 以下のサンプル割合」となる。
• $F_n(x)$：ある $x$ で「サンプルの何%が $x$ 以下か」を返す関数。 $x = $ 中央値で 0.5、 $x = $ 最大値で 1.0。
• ヒストグラムとの違い：ヒストグラムは「ある区間に何個」、 ECDF は「ある値以下に何%」。 ECDF は ビン幅を選ぶ必要がない、 中央値・四分位を直接読める、 という利点。

🐍 SSDSE-B-2026 で ECDF を描く

📥 入力データ：SSDSE-B-2026 の A1101 列。

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

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['Hiragino Sans', 'IPAexGothic', 'DejaVu Sans']  # 日本語のラベルを豆腐にしない

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['Code'].str.startswith('R') & (df['SSDSE-B-2026'] == 2023)]
y = np.sort(df['A1101'].values)
n = len(y)
ecdf_x = y
ecdf_y = np.arange(1, n+1) / n

fig, ax = plt.subplots(figsize=(8, 5))
ax.step(ecdf_x, ecdf_y, where='post')
ax.axhline(0.5, color='red', linestyle='--', label='中央値')
ax.axhline(0.25, color='orange', linestyle=':', label='Q1')
ax.axhline(0.75, color='orange', linestyle=':', label='Q3')
ax.set_xlabel('総人口 (人)'); ax.set_ylabel('累積割合')
ax.set_xscale('log'); ax.legend()
plt.tight_layout(); plt.savefig('ecdf.png', dpi=120)
print(f'中央値 (Q2): {np.median(y):,.0f} 人')
print(f'Q1: {np.percentile(y, 25):,.0f} 人')
print(f'Q3: {np.percentile(y, 75):,.0f} 人')

📤 実行例：

🔗 関連用語ネットワーク — 前提・並列・発展（各4個以上）

🔻 前提となる用語

• 度数分布表 — ヒストグラムの数値版。 階級と度数の対応表。
• 平均 — ヒストグラムの「中心」を一語で表す代表値。
• 中央値 — 累積度数50%の点。 ヒストグラムの真ん中。
• 変数の尺度 — 連続/離散の区別がビン設計の前提。
• 確率密度 — density=True 時の縦軸の意味。

🔺 並列の用語（他の分布可視化）

• カーネル密度推定（KDE） — ヒストグラムを滑らかにした密度曲線。
• 箱ひげ図（boxplot） — 四分位・外れ値を視覚化。
• バイオリンプロット — KDEを左右に並べた図。 群間比較に便利。
• 累積分布関数（ECDF） — ビン幅の影響を受けない代替手段。
• ドットプロット / ジッタープロット — 個別の点を表示。 小標本向き。

🔼 発展的な用語

• 分布の歪度・尖度 — 形状を数値化する高次モーメント。
• 2次元ヒストグラム — 2変数の同時度数を色で表現（heatmap）。
• 分布の正規性検定 — Shapiro-Wilk、 Anderson-Darling など。
• 分位点プロット（Q-Qプロット） — 理論分布との一致度を可視化。
• 確率密度関数の推定 — KDE のバンド幅選択、 Parzen 窓。

📚 関連トピック一覧

「histogram」と関連する基礎統計・データ分析の主要トピックを横断的に参照できる。 各リンクから対応する用語ページへジャンプして、 体系的な学習を進められる。

• 相関
• 回帰分析
• 平均
• 分散
• 標準偏差
• 中央値
• 正規分布
• 仮説検定
• p 値
• 信頼区間
• NumPy
• pandas
• 箱ひげ図
• 散布図
• データクレンジング
• データ収集

🗺️ 概念マップ — 3つの視点で体系を理解する

ヒストグラム がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 記述統計 › 可視化 › ヒストグラム

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に ヒストグラム を置き、 そこから 散布図・箱ひげ図・正規分布・外れ値・平均・回帰直線 など 計 10 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「ヒストグラム」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「ヒストグラム」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは ヒストグラム の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → 可視化 → ヒストグラム という入れ子の位置を示します。 「可視化には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🔗 隣接手法への橋渡し

「ヒストグラム」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流: 入力データの前処理・整備 — 度数分布 ・ 階級分け
• 並列: 類似目的を持つ代替手法 — カーネル密度推定 (KDE) ・ 箱ひげ図
• 下流: 出力結果の評価・解釈 — 確率分布の推定 ・ Sturges 公式 / Scott 公式

上流のビン幅選択 (Sturges・Freedman-Diaconis 法) で離散化を設計し、 並列のカーネル密度推定 (KDE)・箱ひげ図と分布表現を比較し、 下流の正規性検定 (Shapiro-Wilk)・歪度・尖度で分布特性を定量化する。 ヒストグラムはビン幅次第で見え方が激変するため、 必ず複数ビン幅と KDE を併用して結論を出す。

🌳 手法選択フロー

ヒストグラムを使うべき場面: (1) 1 変数の分布形状確認 — 正規・対数正規・二峰性・歪みを目視で判断、 (2) 外れ値の発見 — 右の裾だけ長い場合は log 変換を検討、 (3) ビン幅の決定 — Sturges (k = log2(n)+1)、 Scott (h = 3.5σ/n^(1/3))、 Freedman-Diaconis (h = 2 IQR/n^(1/3)) のいずれかを採用。

ヒストグラム以外を選ぶべき場面: (a) n < 30 のとき → 個別の点を見せる stripplot / dotplot、 (b) 2 群の比較が主目的 → boxplot / violinplot で並べる、 (c) 滑らかな密度推定が必要 → KDE (Kernel Density Estimation, sns.kdeplot)、 (d) 累積分布の確認 → ECDF プロット (Empirical CDF, sns.ecdfplot) — ビン幅選びの問題を回避できる。

実務フロー: 「まずデフォルト bins=10 で形状確認 → 二峰性が疑われたら bins=30 や 50 で再確認 → ビン幅を Freedman-Diaconis や np.histogram_bin_edges('fd') で自動決定 → 必要に応じて KDE / ECDF と併用」の 4 ステップが現代的な分布探索の定石。 SSDSE-B-2026 で「47 都道府県の人口分布」をヒストグラム化すると、 東京・神奈川・大阪が極端な右の外れ値として浮かび上がり、 log10 変換 (sns.histplot(df['人口'], log_scale=True)) で正規分布に近い形になることが視認できる。

👁️ 直感をもう一段深める — ヒストグラムは「連続データの地図」

ヒストグラムの本質は、 連続した数直線を 階級（ビン）という区間に区切り、 各区間に落ちたデータの件数（度数）を棒の高さに変換することです。 バラバラの点の集まりだった生データが、 「どこにデータが集まり、 どこがスカスカか」という密度の地図に変わります。 一枚の図から、 分布の 4 つの特徴 が同時に読み取れるのが最大の価値です。

なぜ棒グラフ（bar chart）ではなくヒストグラムなのか。 棒グラフはカテゴリ（順序のない離散）を横に並べるため棒の間に隙間を空けますが、 ヒストグラムは連続量を区間で区切るため棒は隙間なく密着します。 この「棒がくっついているか離れているか」が両者の見分け方であり、 横軸が数直線（連続）ならヒストグラム、 横軸がラベル（離散カテゴリ）なら棒グラフと覚えると混同しません。

また、 縦軸には 度数（count）と 密度（density）の 2 種類があります。 度数はそのビンに入った件数そのもの、 密度は「棒の面積の合計が 1 になるよう正規化」した高さです。 ビン幅が不揃いのときや、 サンプルサイズの違う 2 群を重ねて比較するときは、 必ず密度に正規化しないと高さの比較が意味を持ちません（詳しくは下の落とし穴節）。

⚠️ さらなる落とし穴 — ビン境界の恣意性と「密度 vs 度数」

上の「🎮 触って理解する」と「⚠️ 5 つの落とし穴」を踏まえ、 実務で特に事故が多いポイントを実測値とともに整理します。

① ビン幅とビン境界の恣意性 — 同じデータが別の話に見える

ヒストグラム最大の弱点は、 ビン幅（何本に区切るか）と ビン境界（どこから区切り始めるか）という 2 つの任意パラメータで見え方が激変する点です。 ビン数を減らせば構造が平滑化されて消え、 増やせばノイズでガタガタになる。 さらにビン数を固定しても、 境界を半ビン分ずらすだけで山の位置や高さの印象が変わります（端点効果）。 「二峰性があるように見えた／見えなくなった」の多くは、 データではなくビン設定のアーティファクトです。

② ビン幅選択則の比較（SSDSE-B-2026 総人口・実測）

恣意性を減らす客観基準が Sturges / Scott / Freedman-Diaconis の 3 法則です。 SSDSE-B-2026 の 2023 年・47 都道府県の 総人口（A1101）に当てはめた実測結果が下表です（$n=47$、 範囲は約 54 万〜1409 万人、 IQR ≈ 160 万人、 $\sigma$ ≈ 280 万人、 歪度 +2.22）。

💬 同じ 47 県・同じ総人口でも、 Scott なら 5 本・Sturges なら 7 本・FD なら 16 本と 3 倍以上の差。 東京という極端な外れ値が $\sigma$ を膨らませるため Scott は粗くなりすぎ、 IQR ベースの FD は細部を保ちます。 強く右に歪むこのデータでは FD 法が適切です（ビン数はレンジ÷$h$の切り上げで、 算出法により±1本ずれることがあります）。

③ 少数データでの不安定さ

$n=47$（都道府県数）のように標本が小さいと、 ビンを細かくした瞬間に各ビンの度数が 0 か 1 になり、 形が読めなくなります。 目安として 1 ビンあたり平均 5 件以上が欲しいところで、 47 件なら実質 7〜10 本程度が上限。 少数データではヒストグラムに固執せず、 個々の点を見せる ドットプロット / ラグプロットや、 平滑化する KDE の併用が安全です。

④ 離散データにビンを切る誤り

「子どもの人数」「サイコロの目」のような離散値にヒストグラムのビンを切ると、 境界の取り方次第で隣り合う値が同じビンに入ったり分かれたりして不自然な段差が出ます。 離散値は各値をそのまま 1 本の棒にする 棒グラフ（bar chart）が正解です。

⑤ 対数軸・スケール潰れ・密度 vs 度数

• 外れ値でスケールが潰れる：総人口を線形軸で描くと東京（1409 万人）が右端に一点、 残り 46 県が左端に密集して潰れます。 plt.xscale('log') や 対数変換で解消（log10 変換すると歪度が +2.22 → +0.79 に低下し、 ほぼ対称になります）。
• 対数ビン：桁が広いデータ（所得・人口・都市規模）は等間隔ビンより対数間隔ビン（bins=np.logspace(...)）が適切。 このとき縦軸は必ず密度で正規化します（ビン幅が不揃いのため）。
• 密度 vs 度数の取り違え：サンプルサイズの違う 2 群を重ねるとき、 度数のままだと大きい群が常に高く見えます。 density=True（matplotlib）／stat='density'（seaborn）で面積を 1 に揃えてはじめて形の比較ができます。

💡 まとめの実務ルール：(1) ビン数は FD 法など客観基準で決める、 (2) それでも 2〜3 通りのビン数で描いて「どの解像度でも見える特徴」だけを信じる、 (3) 群比較・裾の重い分布では KDE・対数軸・密度正規化を併用する。

🚀 発展 — KDE・累積・対数ビン・2次元・バイオリン

ヒストグラムのビン依存という弱点を補い、 用途を広げる発展手法を整理します。 いずれもヒストグラムの「分布の形を見る」という目的の延長線上にあります。

① カーネル密度推定（KDE）との比較

KDE（kernel density estimation）は各データ点に小さな山（カーネル）を置いて足し合わせ、 滑らかな密度曲線を得る手法です。 ビン境界という不連続な区切りがないため端点効果を受けませんが、 代わりに「バンド幅（平滑化の強さ）」という別のパラメータ選択が必要になります。 実務ではヒストグラム（度数の実体が見える）と KDE（滑らかな形が見える）を重ねて描くのが定石です。 詳細は カーネル密度推定（KDE） を参照。

② 累積ヒストグラム・ECDF

累積ヒストグラム（cumulative=True）は「ある値以下のデータが全体の何割か」を示し、 これを点の階段として厳密化したものが 経験累積分布関数（ECDF）です。 ECDF は ビン幅を一切選ばずに分布を完全に表現でき、 中央値・分位点（例：下位 5% 県）を横軸から直読できます。 2 群の分布差を厳密に比べる Kolmogorov–Smirnov 検定の基礎でもあります。

③ 密度正規化・対数ビン

密度正規化（面積を 1 に）は確率密度関数と直接比較したいときや群比較に必須。 対数ビンは人口・所得・都市規模のように数桁にまたがる裾の重いデータで、 等間隔ビンより構造を保ちます。 総人口のように歪度 +2.22 の分布では、 対数変換＋等間隔ビン、 または対数ビン＋密度正規化のいずれかが読みやすくなります。

④ 二次元ヒストグラム

2 変数の同時分布を見たいが散布図では点が重なりすぎる場合、 平面を格子（ビン）に区切り各セルの度数を色で表す 2 次元ヒストグラム（plt.hist2d／六角形なら hexbin）が有効。 これは ヒートマップの一種で、 大量データの密度を可視化できます。

⑤ バイオリンプロット

バイオリンプロットは KDE を左右対称に描いた密度曲線と 箱ひげ図を合体させたもので、 複数群の分布の「形」と「要約統計量」を横並びで比較できます。 ヒストグラムが 1 変数の形、 箱ひげ図が要約、 バイオリンがその中間（複数群の形の比較）を担う、 という役割分担で理解すると使い分けが明確になります。

🔗 あわせて読みたい関連ページ

ヒストグラムの理解を、 前提・並列・発展の 3 方向に広げる用語ページへのリンクです。

• 並列（分布を見る別手段）：カーネル密度推定（KDE） ／ 箱ひげ図 ／ 1変数の可視化
• 前提・基礎：棒グラフ（混同注意） ／ 四分位数・四分位範囲（IQR）（FD 法の材料） ／ 度数分布 ／ 分布の尺度と形
• 発展・解釈：確率分布 ／ 正規分布 ／ 対数変換（歪み対策） ／ 散布図・ヒートマップ（2次元へ）
• 全体像：データ可視化 ／ 探索的データ分析（EDA） ／ 平均・中央値・最頻値（山の中心の読み方）

※ バイオリンプロット・歪度（skewness）の単独用語ページは本用語集には未収録のため、 本ページ内（🚀 発展節・📐 数式節）の解説を参照してください。