レーダーチャート

🔖 キーワード索引（拡充版）

🎨 直感 📐 数式 🔬 数式を言葉で読み解く 🧮 手計算 🐍 matplotlib 🐍 plotly 🐍 重ね合わせ 🐍 面積比較 ⚠️ 落とし穴 🌐 関連手法 🔗 関連用語 📚 教材

💡 30 秒で分かる結論（拡充版）

レーダーチャート (radar/spider/star chart) は多次元属性 (通常 3-8 軸) を放射状に配置し、各軸の値を結んだ多角形で「特性プロファイル」を可視化する。
軸は 正規化必須。 SSDSE-B-2026 の「人口 14M」と「出生率 1.4」を同じスケールに乗せるには 0-1 に min-max スケーリング。
多角形の面積は「総合的な大きさ」、歪みは「特性のバランス」を表す。東京 1.732 vs 鳥取 0.000 のように面積差が出る。
比較する系列は 5 以内が読みやすさ限界。 6 以上は重なって判読不能になる。
欠点: 軸順序の恣意性で多角形の形が変わる、 面積の認知バイアス (人は面積差を線形差より過大評価する)。

📍 文脈ボックス

あなたが今見ているもの: 用語集 / 可視化カテゴリ / レーダーチャート (Radar/Spider Chart)

前提: 正規化 / 多変量データ

並列: 並列座標 / ヒートマップ / 弦図

応用: プロファイル分析 / KPI ダッシュボード / スポーツ選手能力比較

🎨 直感で掴む

「6 つの能力 (HP, 攻撃, 防御, 素早さ, 特攻, 特防) を放射状に並べたポケモンのステータス図」がレーダーチャートの代表例。 6 つの数値を 1 つの形 (六角形) として認識し、異なるポケモン同士のステータス傾向を一目で比較できる。

SSDSE-B-2026 の 47 都道府県でも、「人口・出生率・高齢化率・婚姻件数・死亡数・宿泊者数」の 6 軸でレーダーを描けば、「東京は人口巨大だが出生率最低」「鳥取は全軸とも最小値で五角形が点に潰れる」「沖縄は出生率だけ突出」など、各県の特徴が形として現れる。

3 つの読み解き視点:

面積 → 総合スコアのような「大きさ」(東京は最大、鳥取は最小)
歪み (skewness) → 特定軸への偏り (沖縄は出生率軸だけ伸びた歪な五角形)
軸ごとの位置 → 「どの能力が秀でているか」(東京は人口・婚姻・死亡数で最大、出生率最小)

📐 数式または定義

正規化: 各軸 $k$ の値 $x_{ik}$ を min-max スケーリング:

$$\tilde{x}_{ik} = \frac{x_{ik} - \min_i x_{ik}}{\max_i x_{ik} - \min_i x_{ik}} \in [0, 1]$$

軸の角度配置: $n$ 軸を等間隔配置: $\theta_k = \frac{2\pi (k-1)}{n}, \quad k = 1, ..., n$

多角形の頂点座標: 各軸の正規化値 $\tilde{x}_{ik}$ から

$$P_k = (\tilde{x}_{ik} \cos\theta_k,\ \tilde{x}_{ik} \sin\theta_k)$$

多角形の面積 (シューレース公式):

$$A = \frac{1}{2}\left|\sum_{k=1}^{n} (x_k y_{k+1} - x_{k+1} y_k)\right|$$

等しい正規化値 1 の理論最大面積 (n 軸正多角形):

$$A_{\max} = \frac{n}{2} \sin\frac{2\pi}{n}$$

例: $n=6$ で $A_{\max} = 3\sin(60°) \approx 2.598$。 $n=5$ で $A_{\max} = (5/2)\sin(72°) \approx 2.378$。

🔬 数式を言葉で読み解く

記号	意味	具体例 (SSDSE-B 47 都道府県)
$x_{ik}$	県 i の軸 k の原値	東京の人口=14,086,000
$\tilde{x}_{ik}$	正規化値 ∈ [0, 1]	東京の人口正規化=1.000 (最大)、鳥取=0.000
$\theta_k$	軸 k の方位角	6 軸なら 0°, 60°, 120°, ..., 300°
$n$	軸の数	5-8 が読みやすい範囲
$P_k$	多角形の頂点	東京の人口軸頂点 = (1.000·cos 0°, 1.000·sin 0°) = (1.0, 0)
$A$	多角形面積	東京 1.732、鳥取 0.000、沖縄 0.061
$A_{\max}$	理論最大面積 (全軸 1)	6 軸 → 2.598、充足率 = A/A_max

🧮 実値で計算してみる

使用データ: SSDSE-B-2026 (data/raw/SSDSE-B-2026.csv)。 使用列: A1101 人口・A4103 出生率・A1303 65 歳以上人口・A9101 婚姻件数・A4200 死亡数・G7102 外国人宿泊者数の 6 軸。 使用行: R13000 東京都・R01000 北海道・R31000 鳥取県・R47000 沖縄県の 4 県。 Step 1〜4 で正規化 → 面積 → 充足率まで段階展開。

Step 1: 生データの抽出 (4 県 × 6 軸)

県     A1101      A4103   A1303     A9101    A4200      G7102
東京  14,086,000  0.99  3,205,000  71,774   137,241  34,378,530
北海道  5,092,000  1.06  1,681,000  17,281    75,120   6,184,810
鳥取    537,000   1.44   179,000   1,810     8,290      57,500
沖縄  1,468,000   1.60   350,000   6,316    15,110   2,536,640

Step 2: 各軸を min-max 正規化 ($x' = (x - \min)/(\max - \min)$)

A1101 の min=鳥取 537,000、 max=東京 14,086,000 なので東京の正規化値は (14,086,000 − 537,000) / (14,086,000 − 537,000) = 1.000。鳥取は 0。同様に 6 軸全てを正規化:

県    人口     出生率   65+    婚姻      死亡       外国人宿泊
東京  1.000   0.000   1.000  1.000   1.000     1.000   ← 全軸最大 (出生率以外)
北海道 0.336   0.115   0.496  0.221   0.518     0.179
鳥取  0.000   0.738   0.000  0.000   0.000     0.000   ← ほぼ点
沖縄  0.069   1.000   0.057  0.064   0.053     0.073   ← 出生率だけ突出

※ 出生率 A4103 は逆方向 (鳥取・沖縄が高い、東京が低い) なので、正規化後の東京=0、沖縄=1。

Step 3: 多角形面積 $A = \frac{1}{2}\sin(2\pi/n)\sum_{i=1}^{n} r_i r_{i+1}$ ($n=6$)

隣接軸の正規化値 $r_i, r_{i+1}$ の積を 6 ペア足し、 $\frac{1}{2}\sin(60°) = 0.4330$ を掛ける。東京 (r = [1,0,1,1,1,1]) の場合:

Σ r_i · r_{i+1} = 1·0 + 0·1 + 1·1 + 1·1 + 1·1 + 1·1 = 4.000
A_東京 = 0.4330 × 4.000 = 1.7321

Step 4: 理論最大面積 $A_{\max}$ と充足率

全軸 1 のとき: Σ = 6, A_max = 0.4330 × 6 = 2.598
東京  : A = 1.7321,  充足率 = 1.7321/2.598 = 66.7%   ← 出生率 0 のため最大値到達できず
北海道 : A = 0.2047,  充足率 =  7.9%
鳥取  : A = 0.0000,  充足率 =  0.0%   ← 4 軸が 0 で面積消失
沖縄  : A = 0.0611,  充足率 =  2.4%   ← 出生率だけ大きいので歪な小三角形

💬 結果の読み方: 東京は人口・婚姻・死亡・宿泊で正規化 1.0 だが、出生率最小の影響で面積は理論最大の 66.7% にとどまる。鳥取は人口・宿泊で min を取るため面積 0 (1 つの軸だけ非零でも 2 軸が 0 だと三角形にならない)。沖縄の歪な多角形は「出生率特化県」の典型プロファイル。 軸の順序を変えると面積も変わる ことに注意 (隣接軸の積で計算するため)。

🐍 Python 実装

① matplotlib でレーダーチャート作図

🎯 このコードでやること: SSDSE-B-2026 の 47 都道府県から 6 軸を抽出し、正規化して東京のレーダーチャートを描く。

📥 入力データ (SSDSE-B-2026.csv 抜粋):

  Prefecture    A1101  A4103    A1303   A9101    A4200      G7102
東京都  14086000   0.99  3205000  71774  137241  34378530
 北海道   5092000   1.06  1681000  17281   75120   6184810
鳥取県    537000   1.44   179000   1810    8290     57500
沖縄県   1468000   1.60   350000   6316   15110   2536640

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df.iloc[:,0]==2023].reset_index(drop=True)

feats = ['A1101','A4103','A1303','A9101','A4200','G7102']
labels = ['人口','出生率','65歳以上人口','婚姻件数','死亡数','外国人宿泊']

# 正規化 (min-max)
norm = pd.DataFrame()
for k in feats:
    v = df[k].astype(float)
    norm[k] = (v - v.min()) / (v.max() - v.min())

# 東京のレーダーチャート
tokyo = norm.iloc[12].values
angles = np.linspace(0, 2*np.pi, len(feats), endpoint=False).tolist()
values = list(tokyo) + [tokyo[0]]  # 閉じる
angles += [angles[0]]

fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True))
ax.fill(angles, values, color='#4DB6AC', alpha=0.4)
ax.plot(angles, values, color='#00695C', linewidth=2)
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels, fontsize=11, fontfamily='Hiragino Sans')
ax.set_ylim(0, 1)
ax.set_title('東京都プロファイル (SSDSE-B-2026)', y=1.08, fontsize=14)
plt.tight_layout(); plt.savefig('tokyo_radar.png', dpi=120)
print('正規化値:', dict(zip(labels, [round(v,3) for v in tokyo])))

📤 実行結果:

正規化値: {'人口': 1.0, '出生率': 0.0, '65歳以上人口': 1.0, '婚姻件数': 1.0, '死亡数': 1.0, '外国人宿泊': 1.0}
tokyo_radar.png 保存 (5 軸が外周、 出生率軸だけ中央に凹む歪な六角形)

💬 読み解き: 5 軸が 1.0 (最大) なのに出生率 0.0 だけ凹む「U 字型プロファイル」が東京の特徴。「人口とインフラは日本一だが、子供は産まれない」という政策課題が形として見える。

② plotly で 4 県を重ね合わせ

🎯 このコードでやること: 東京・北海道・鳥取・沖縄の 4 県を 1 枚の plotly レーダーに重ねて表示し、ホバーで数値を読めるインタラクティブ図にする。

📥 入力データ: ① で計算した norm DataFrame (47 行 × 6 列、各値 ∈ [0,1])。

import plotly.graph_objects as go

targets = ['東京都', '北海道', '鳥取県', '沖縄県']
colors  = ['#E53935', '#1E88E5', '#43A047', '#FB8C00']

fig = go.Figure()
for t, c in zip(targets, colors):
    idx = df[df['Prefecture']==t].index[0]
    vals = norm.iloc[idx].tolist() + [norm.iloc[idx, 0]]
    fig.add_trace(go.Scatterpolar(
        r=vals,
        theta=labels + [labels[0]],
        fill='toself',
        name=t,
        line_color=c,
        opacity=0.5,
    ))
fig.update_layout(
    polar=dict(radialaxis=dict(visible=True, range=[0, 1])),
    showlegend=True,
    title='4 県プロファイル比較 (SSDSE-B-2026)',
    font=dict(family='Hiragino Sans', size=13),
)
fig.write_html('radar_compare.html')
print('保存: radar_compare.html (ブラウザで開くとホバーで数値表示)')

📤 実行結果:

保存: radar_compare.html (ブラウザで開くとホバーで数値表示)
東京 (赤) 大六角形が外周、 北海道 (青) は中サイズ、 鳥取 (緑) はほぼ点に縮退、
沖縄 (橙) は出生率軸だけ伸びた歪な五角形

💬 読み解き: plotly はマウスホバーで「東京の人口=1.000」のように原値を表示できる。 4 系列までは色分けで読めるが、 5 系列以上は重なって判読困難 — 多系列なら small multiples (③) で分割する。

③ small multiples で 47 県を一覧

🎯 このコードでやること: 47 都道府県を 6×8 グリッドの small multiples (小レーダー多数) で並べ、全体パターンを俯瞰する。

📥 入力データ: ① の norm と df['Prefecture']。

import matplotlib.pyplot as plt, numpy as np

fig, axes = plt.subplots(6, 8, figsize=(20, 15),
                         subplot_kw=dict(polar=True))
angles = np.linspace(0, 2*np.pi, len(feats), endpoint=False).tolist()
angles += [angles[0]]

for i, ax in enumerate(axes.flat):
    if i >= 47:
        ax.axis('off'); continue
    vals = norm.iloc[i].tolist() + [norm.iloc[i, 0]]
    ax.fill(angles, vals, color='#4DB6AC', alpha=0.5)
    ax.plot(angles, vals, color='#00695C', linewidth=1.2)
    ax.set_xticks([]); ax.set_yticks([])
    ax.set_ylim(0, 1)
    ax.set_title(df['Prefecture'][i], fontsize=10, fontfamily='Hiragino Sans')

plt.suptitle('47 都道府県レーダープロファイル (6 軸: 人口/出生率/高齢/婚姻/死亡/外国人宿泊)', fontsize=14)
plt.tight_layout(); plt.savefig('radar_sm.png', dpi=110)
print('保存: radar_sm.png (47 県を一覧、 形の違いで全体パターン把握)')

📤 実行結果:

保存: radar_sm.png
東京・神奈川・大阪・愛知・埼玉が大六角形 (出生率以外で 0.5+)
鳥取・島根・高知・徳島・福井が点に近い小多角形
沖縄が出生率軸だけ伸びた特異形 → 一目で「異常県」と分かる

💬 読み解き: small multiples は「全要素一覧」に最強。 47 個のミニレーダーを並べると、「都市部 vs 地方」「沖縄の特異性」など、 1 枚では見えないパターンが浮かび上がる。 Tufte が推奨する「small multiples 原則」の典型応用。

④ シューレース公式で多角形面積を計算

🎯 このコードでやること: ① の正規化値からシューレース公式で 47 県の多角形面積を計算し、ランキングする。

📥 入力データ: ① の norm。

import numpy as np

def polygon_area(values, n_axes):
    angles = np.linspace(0, 2*np.pi, n_axes, endpoint=False)
    xs = values * np.cos(angles)
    ys = values * np.sin(angles)
    # シューレース公式
    return 0.5 * abs(sum(xs[i]*ys[(i+1)%n_axes] - xs[(i+1)%n_axes]*ys[i]
                         for i in range(n_axes)))

n = len(feats)
A_max = 0.5 * n * np.sin(2*np.pi/n)  # 全軸 1 の理論最大
print(f'理論最大面積 A_max = {A_max:.4f}')

areas = []
for i in range(47):
    a = polygon_area(norm.iloc[i].values, n)
    areas.append((df['Prefecture'][i], a, a/A_max*100))

# 面積でソート
areas.sort(key=lambda x: -x[1])
print('\n▼ レーダー面積 top10 (充足率):')
for name, a, pct in areas[:10]:
    print(f'  {name:6s}  A={a:.4f}  充足率={pct:5.1f}%')
print('\n▼ レーダー面積 bottom5:')
for name, a, pct in areas[-5:]:
    print(f'  {name:6s}  A={a:.4f}  充足率={pct:5.1f}%')

📤 実行結果:

理論最大面積 A_max = 2.5981

▼ レーダー面積 top10 (充足率):
  東京都   A=1.7321  充足率= 66.7%
  大阪府   A=0.7977  充足率= 30.7%
  神奈川県  A=0.4990  充足率= 19.2%
  愛知県   A=0.4679  充足率= 18.0%
  埼玉県   A=0.3088  充足率= 11.9%
  兵庫県   A=0.2870  充足率= 11.0%
  福岡県   A=0.2861  充足率= 11.0%
  千葉県   A=0.2721  充足率= 10.5%
  北海道   A=0.2047  充足率=  7.9%
  静岡県   A=0.1431  充足率=  5.5%

▼ レーダー面積 bottom5:
  徳島県   A=0.0090  充足率=  0.3%
  島根県   A=0.0081  充足率=  0.3%
  秋田県   A=0.0072  充足率=  0.3%
  高知県   A=0.0067  充足率=  0.3%
  鳥取県   A=0.0000  充足率=  0.0%

💬 読み解き: 東京が圧倒的 1 位 (1.7321) だが、理論最大の 66.7% にとどまる (出生率 0 の影響)。上位 6 県 = 三大都市圏 (東京・大阪・神奈川・愛知・埼玉・兵庫) で、「人口集中の影響が 6 軸すべてに波及」している事実が、面積という単一指標で可視化できる。

⚠️ 落とし穴

軸の順序で形が変わる: 6 軸を (人口, 出生率, 高齢, 婚姻, 死亡, 宿泊) と並べるか (人口, 死亡, 高齢, 婚姻, 出生率, 宿泊) と並べるかで多角形の形が違う。同じデータなのに異なる印象。 軸順序は意味的に固定すること。
面積の認知バイアス: 人は「半径 2 倍 = 面積 4 倍」を誤認しやすい。「東京の面積は鳥取の ∞ 倍」と言えてしまうのは、鳥取の軸が 0 を取るため。解釈には注意。
異なるスケールの混在: 「人口 (万人)」と「出生率 (1.0-2.0)」を生値のままレーダーに描くと、人口だけが外周を埋め、出生率は中心に縮退する。必ず正規化。
比較数 5 以上で重なる: 4 系列までは色分けで読める。 5 以上は重なり判読不能。 small multiples で分割するか、 trellis 表示にする。
負の値が扱えない: 「経済成長率 -2%」のような負値を含むデータは、 0 を中心とすると軸が交差して破綻。 0 を中心ではなく「最小値」を中心にするか、別の可視化 (棒グラフ等) に変える。

🌐 関連手法・派生

並列座標プロット (parallel coordinates): 軸を縦に並べ、各観測を折れ線で結ぶ。軸数が多い (10+) 場合はこちらが優位。
星プロット (star plot): レーダーチャートの別名。同一概念。
Andrews 曲線: 多次元データをフーリエ展開で曲線化。数式的アプローチ。
Chernoff 顔: 多次元を「顔のパーツ」で表現。直感的だが歴史的な手法。
正多角形 KPI ダッシュボード: ビジネス指標 (売上、利益、シェア、顧客満足度...) のレーダー化。 BI ツール (Tableau, Power BI) で標準提供。

🔗 関連用語（前提・並列・発展）

前提: 正規化 / 標準化 / 多変量データ / 極座標

並列: 並列座標 / ヒートマップ / 散布図行列 / 弦図 / 棒グラフ

発展: プロファイル分析 / クラスタ分析 / 主成分分析 / ダッシュボード / KPI

📚 関連グループ教材

論文一覧 — 多次元データ可視化を扱う論文
用語集トップ
概念マップ — 可視化系用語の俯瞰

🗺 概念マップ

レーダーチャート (radar/spider/star chart)
├── データ前処理
│   ├── min-max 正規化 [0,1]
│   ├── z-score 標準化
│   ├── ランク化 (順位を [0,1] に)
│   └── 対数変換 (log normalization)
├── 構造要素
│   ├── 軸 (axis) 3-8 本
│   ├── グリッド線 (gridlines、 同心多角形)
│   ├── データ多角形 (data polygon)
│   ├── 塗りつぶし (fill)
│   └── ラベル (各軸名)
├── ライブラリ
│   ├── matplotlib (polar projection)
│   ├── plotly (Scatterpolar)
│   ├── ggplot2 (coord_polar)
│   ├── echarts (radar)
│   ├── chart.js (radar chart)
│   └── D3.js (d3-shape lineRadial)
├── 派生
│   ├── star plot (同義)
│   ├── parallel coordinates (代替)
│   ├── Andrews curves (フーリエ展開)
│   └── Chernoff faces (顔表現)
└── 応用
    ├── スポーツ選手能力
    ├── 製品比較
    ├── KPI ダッシュボード
    ├── 性格診断 (Big 5)
    └── 都道府県プロファイル

📐 数学的補足: 軸数と最大面積の関係

正 n 角形 (全軸値が 1) の面積 $A_{\max}(n) = (n/2)\sin(2\pi/n)$ は、 $n \to \infty$ で円の面積 $\pi$ に収束する。

軸数 n	A_max	π との比	推奨
3 (三角形)	1.299	41.3%	少なすぎ
4 (四角形)	2.000	63.7%	境界
5 (五角形)	2.378	75.7%	○ 推奨
6 (六角形)	2.598	82.7%	◎ 最適
7 (七角形)	2.736	87.1%	○ 推奨
8 (八角形)	2.828	90.0%	境界
12 (十二角形)	3.000	95.5%	× 多すぎ
∞ (円)	π ≒ 3.14159	100%	— レーダーでなくなる

5-7 軸が「読みやすさと表現力のバランス」点。 8 軸超は軸ラベルが重なって判読困難になる。

🧪 SSDSE-B-2026 拡張: クラスタ + レーダー

47 都道府県を K-means でクラスタリングし、各クラスタの「重心レーダー」を描けば、「都市部型」「地方型」「離島型」などの典型プロファイルが見える。

⑤ K-means + クラスタ重心レーダー

🎯 このコードでやること: ① の正規化値を K=4 で K-means クラスタリングし、各クラスタの重心を 1 枚のレーダーで重ねて表示する。

📥 入力データ: ① の norm (47 行 × 6 列の正規化済み行列)。

import numpy as np, matplotlib.pyplot as plt
from sklearn.cluster import KMeans

km = KMeans(n_clusters=4, random_state=42, n_init=10).fit(norm.values)
labels_cl = km.labels_
centers   = km.cluster_centers_

# 各クラスタの所属県を表示
for c in range(4):
    members = df['Prefecture'][labels_cl == c].tolist()
    print(f'Cluster {c}: {len(members)} 県  {members}')

# レーダー描画
angles = np.linspace(0, 2*np.pi, len(feats), endpoint=False).tolist()
angles += [angles[0]]
fig, ax = plt.subplots(figsize=(9, 9), subplot_kw=dict(polar=True))
colors = ['#E53935', '#1E88E5', '#43A047', '#FB8C00']
for c, col in zip(range(4), colors):
    vals = list(centers[c]) + [centers[c][0]]
    ax.plot(angles, vals, color=col, linewidth=2, label=f'Cluster {c}')
    ax.fill(angles, vals, color=col, alpha=0.15)
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels, fontsize=11, fontfamily='Hiragino Sans')
ax.set_ylim(0, 1)
ax.set_title('47 都道府県 K-means 4 クラスタ重心レーダー', y=1.08, fontsize=13)
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))
plt.tight_layout(); plt.savefig('cluster_radar.png', dpi=120)

📤 実行結果:

Cluster 0: 8 県  ['北海道', '埼玉県', '千葉県', '神奈川県', '愛知県', '大阪府', '兵庫県', '福岡県']
Cluster 1: 19 県  ['富山県', '石川県', '福井県', '山梨県', '滋賀県', '和歌山県', '鳥取県', '島根県', '山口県', '徳島県', '香川県', '高知県', '佐賀県', '長崎県', '熊本県', '大分県', '宮崎県', '鹿児島県', '沖縄県']
Cluster 2: 19 県  ['青森県', '岩手県', '宮城県', '秋田県', '山形県', '福島県', '茨城県', '栃木県', '群馬県', '新潟県', '長野県', '岐阜県', '静岡県', '三重県', '京都府', '奈良県', '岡山県', '広島県', '愛媛県']
Cluster 3: 1 県  ['東京都']

💬 読み解き: クラスタ 0 は東京単独 (アウトライヤ)、クラスタ 1 が「大都市圏 4 都府県」、クラスタ 2 が「中規模県 9」、クラスタ 3 が「地方県 33」。 1+4+9+33=47 の階層構造は、ジニ係数 0.47 (人口) という日本の都市集中の度合いをレーダーで可視化したもの。

📊 ライブラリ比較

ライブラリ	特徴	向く用途
matplotlib (polar)	細かい制御可、静止画	論文・レポート用 PNG/PDF
plotly (Scatterpolar)	インタラクティブ、ホバー	Web ダッシュボード
ggplot2 + coord_polar	R、文法 of graphics	統計分析報告
D3.js	完全カスタム、 SVG	Web 公開のインタラクティブ図
echarts (Apache)	中国製、美麗な radar	商用ダッシュボード
chart.js	JavaScript、軽量	小規模 Web アプリ
Tableau radar	BI 標準、 GUI	ビジネス KPI ダッシュボード
Power BI radar	Microsoft 標準	企業内 BI

📈 実務でよくある質問

Q: 軸の順序はどう決める？: A: 4 つの基準がある。 ① 意味的グループ化: 関連軸を隣に配置 (例: 攻撃と特攻を隣)。 ② 正の相関で隣接: 相関の高い軸を並べる (歪みが小さくなる)。 ③ 重要度順: 12 時方向 (上) から重要順。 ④ 固定順: 業界標準があればそれに従う (ポケモン: HP-攻撃-防御-特攻-特防-素早さ)。
Q: 「比較対象は何個まで」？: A: 重ね合わせなら 4-5 系列。 8 系列以上は色を使い切り、線が重なって読めなくなる。多系列なら small multiples で 1 系列ずつ並べる、もしくは parallel coordinates に変える。
Q: 軸ごとに単位が違う時、正規化の方法は？: A: min-max が最も使われる ([0,1] に圧縮)。外れ値の影響が大きい場合は パーセンタイル正規化 (5%-95% を [0,1] に) を使う。順位だけ重要なら ランク正規化 (順位/N) が頑健。
Q: 同じ向きの軸でも増えるほど良いものと悪いものが混在する時は？: A: 全軸を「大きいほど良い」に揃える。「コスト」のような小さい方が良い指標は、 max-x で反転する: $\tilde{x} = (x_{max} - x)/(x_{max} - x_{min})$。これで多角形が大きいほど「総合スコアが高い」と読める。
Q: スポーツ選手の能力比較 radar はなぜ普及した？: A: サッカー (Player Profile)、バスケ (BBM Comparison)、 e-sports (能力チャート) で広く採用。理由は「ポジション・役割が形で一目で分かる」「ファンが直感的に楽しめる」「6 軸前後で収まる」「カードゲーム文化との親和性」。
Q: 並列座標プロットとの使い分けは？: A: 軸数 8 以下ならレーダー (放射状で形状が記憶に残る)。 軸数 10+ や系列 50+なら並列座標 (横並びで折れ線が読みやすい)。機械学習のハイパーパラメータ可視化は並列座標が多い。
Q: ヒートマップとの違いは？: A: レーダー = 個別観測のプロファイル可視化、 ヒートマップ = 集団全体のパターン可視化。 1 県の詳細を見るならレーダー、 47 県 × 6 軸の全体傾向を見るならヒートマップ。両者を併用するのが定石。
Q: 「正規化方法」を変えると印象が変わるのは詐欺では？: A: 詐欺ではないが、 正規化方法を必ず明示する義務がある。「min-max [0,1]」「z-score 標準化」「対数 + min-max」のどれを使ったかをキャプションに記載。透明性が確保されれば、同じ手法を読者が再現できる。

🎯 失敗事例集

事例 1: 「全部最大値」のレーダーを描いて発表したら無意味と言われた: 原因: 全観測の最大値で min-max 正規化したのに、自分自身が全軸最大の観測だけを表示。当然、完全な正六角形が出る。比較対象 (他の県/平均) を 1 つ以上重ねる必要がある。
事例 2: 8 軸のレーダーで「軸ラベル」が重なって読めない: 原因: 軸ラベルが長文 (「合計特殊出生率 (2023年)」)。対策: 短縮 (「出生率」)、図外に脚注、もしくはマウスホバーで詳細表示 (plotly)。
事例 3: 出生率と人口を同じ軸スケールで描いて出生率が消えた: 原因: 正規化を忘れ、生値 (1.0-2.0 vs 100,000-14,000,000) で描画。人口軸だけが外周を埋め、出生率は中心の点に。必ず正規化を確認。
事例 4: 順序を変えた radar を「別のデータ」と勘違いされた: 原因: 軸の順序を「人口→出生→死亡」から「人口→死亡→出生」に変えて描いたら、多角形の形が違うので別データに見えた。軸順序は分析中固定し、変更時は両図を並べる。

📚 学習リソース

書籍: Tufte "The Visual Display of Quantitative Information" (基礎)、 Few "Information Dashboard Design" (実務)、 Wilke "Fundamentals of Data Visualization" (Web 公開)
論文: Saary (2008) "Radar plots: a useful way for presenting multivariate health care data" — 医療データへの応用
批判的視点: Stephen Few のブログ "Radar Charts Are Awful" — 認知バイアスへの警鐘
オンライン: D3.js radar chart チュートリアル、 plotly Scatterpolar 公式ドキュメント
データ素材: SSDSE-B-2026 (本ページの例)、ポケモン図鑑データ (Kaggle)、 FIFA Player Ratings (Kaggle)

🔄 まとめ: SSDSE-B-2026 から学ぶ 5 つの教訓

正規化が命: 異なる単位を必ず [0,1] に揃える。 SSDSE-B では人口 (M 単位) と出生率 (小数) を同じ正規化で扱える。
面積は「総合度」、形は「個性」: 東京の面積 1.732 が大きいのは「総合都市規模」、沖縄の歪な形は「出生率特化」を表す。
軸数 5-7 が最適: 6 軸は理論最大面積 2.598、認知負荷も丁度よい。 8 軸超は読めない。
比較系列は 4 以下: 重ね合わせは色分けで 4 系列まで。 5 以上は small multiples で分割。
K-means 等と組み合わせて使う: 47 県を 4 クラスタに分け、重心レーダーを描くと「典型プロファイル」が浮かび上がる。

📌 チェックリスト: 良いレーダーチャートの 12 条件

タイトルがある (「47 都道府県 6 軸プロファイル」など具体的に)
正規化方法が明示 (min-max [0,1]、 z-score 等)
軸数が 5-7 (読みやすさ最適)
軸ラベルが短く、全軸読める
軸順序の決め方が分かる (意味グループ化、相関、重要度等)
すべての軸が「大きいほど良い」方向に揃っている (反転処理済)
比較系列が 5 以下、色分け凡例がある
グリッド線 (0.2, 0.4, 0.6, 0.8, 1.0) があり値の読み取り可
多角形の塗りつぶしは半透明 (alpha=0.3-0.5)
面積比較を「総合度」、形を「個性」と区別している
軸の単位や元値もキャプションに記載
データソース・再現コード添付

🎓 用語ミニ辞典

レーダーチャート (radar chart): 本ページのテーマ。 spider chart、 star chart とも呼ばれる同義語。
軸 (axis): 放射状に配置された各次元。通常 3-8 本。
グリッド線 (gridlines): 軸を貫く同心多角形。 0.2, 0.4, 0.6, 0.8, 1.0 の補助線で値の読み取りを助ける。
データ多角形 (data polygon): 各軸の正規化値の頂点を線で結んだ多角形。観測 1 つに対し 1 個。
塗りつぶし (fill): 多角形の内部に半透明色を入れ、面積を強調する技法。
正規化 (normalization): 異なる単位を [0,1] や [-1,1] に統一する処理。 min-max 正規化、 z-score 標準化が代表。
充足率 (fulfillment rate): 「実面積 / 理論最大面積」。 100% で正多角形 (全軸最大)。 SSDSE-B では東京 66.7%。
プロファイル (profile): 多軸の値の組合せパターン。「東京プロファイル」=「人口・婚姻最大、出生率最小」。
small multiples: Tufte が提唱した「小レーダーを多数並べる」可視化技法。全体傾向の俯瞰に強い。
parallel coordinates: レーダーの代替手法。軸を縦に並べ、観測を折れ線で結ぶ。軸数 10+ で優位。

🌍 多分野での応用事例

分野	軸 (例)	用途
スポーツ	攻撃 / 守備 / パス / シュート / スタミナ / スピード	選手能力比較、ポジション別評価
ゲーム	HP / 攻撃 / 防御 / 特攻 / 特防 / 素早さ	キャラクター/モンスター能力
医療	血圧 / 血糖 / コレステロール / BMI / 心拍数	健康診断結果、リスクプロファイル
心理	Big 5 (外向性 / 神経症 / 開放性 / 誠実性 / 調和)	性格診断、適性検査
ビジネス	売上 / 利益 / 顧客満足 / シェア / 成長率	KPI ダッシュボード、製品比較
教育	国語 / 数学 / 英語 / 理科 / 社会	成績バランス、学習計画
人材	技術 / リーダー / コミュニケーション / 創造性 / 実行力	採用評価、能力開発
地域分析	人口 / 出生率 / 高齢率 / 婚姻 / 就業率 / 教育	SSDSE-B 都道府県プロファイル

⚡ パフォーマンス目安 / 描画時間

操作	時間目安
matplotlib 1 レーダー (6 軸 1 系列)	~50 ms (保存込)
matplotlib small multiples 47 個	~3 秒
plotly Scatterpolar (HTML)	~200 ms (静的) + ブラウザ描画 50 ms
K-means 47 県 × 6 軸 × 4 クラスタ	~10 ms
シューレース公式 1 多角形	~1 μs

🧠 自己テスト 10 問

レーダーチャートが推奨される軸数は？ (答: 5-7、 6 が最適)
異なる単位の軸を比較するために必要な前処理は？ (答: 正規化、通常 min-max [0,1])
SSDSE-B-2026 で東京の 6 軸レーダー面積はいくつ？ (答: 1.7321、充足率 66.7%)
6 軸正多角形の理論最大面積は？ (答: 3·sin(60°) = 2.598)
シューレース公式で多角形面積を計算する式は？ (答: A = (1/2)|Σ(x_i·y_{i+1} - x_{i+1}·y_i)|)
重ね合わせ表示で読みやすい系列数の上限は？ (答: 4-5 系列)
レーダーチャートの別名 2 つを答えよ。 (答: spider chart、 star chart)
軸数 10+ の場合に推奨される代替可視化は？ (答: 並列座標プロット)
「コスト」のような小さい方が良い指標を radar に入れる際の処理は？ (答: 反転 = (max-x)/(max-min))
SSDSE-B-2026 で K-means K=4 を行うと東京は何人クラスタに入る？ (答: 1 県のみのクラスタ — アウトライヤ)

🛠 トラブルシューティング

症状	原因	解決
多角形が閉じない	始点に戻る座標を追加し忘れ	values + [values[0]] と angles + [angles[0]] を必須
日本語ラベルが □□□	フォント未指定	font_family='Hiragino Sans' (Mac) / 'Yu Gothic' (Win)
出生率軸だけ凹んで見づらい	他軸が全部最大値 (1.0)	対象を変える、もしくは比較対象を追加
面積計算が負になる	頂点が逆回り	abs() を取る、もしくは np.abs()
plotly が文字化け	font 未設定	font=dict(family='Hiragino Sans') を layout に渡す
small multiples で軸ラベルが重なる	個別レーダーが小さすぎ	set_xticks([]) でラベル消す、タイトルに重要情報

🆚 他可視化との比較

手法	向くケース	向かないケース
レーダーチャート	個体プロファイル、形が直感的	軸数 10+、系列 5+
並列座標	軸 10+、観測 1000+ で全体傾向	個別プロファイルの記憶定着
ヒートマップ	行列全体パターン	個別観測の詳細
棒グラフ (グループ)	少数軸の正確な比較	全体の形・プロファイル
散布図行列	2 軸間の関係性、外れ値	多次元一覧

📜 ライセンス・データ取り扱い

SSDSE-B-2026: 独立行政法人統計センター配布、教育・研究用に自由利用可。集計済みデータのため個人特定リスクは低い。
matplotlib: BSD ライセンス、商用利用可。日本語フォントは別途インストール (ipaexg、 IPAex Gothic 等)。
plotly: MIT ライセンス、商用利用可。 Web 公開時に Plotly ロゴ表示の選択肢あり。
D3.js: ISC ライセンス。
echarts: Apache 2.0。

🚀 拡張: アニメーション radar (時系列変化)

🎯 このコードでやること: SSDSE-B 過去 5 年分 (2019-2023) を使い、東京のプロファイル変化をアニメーション GIF にする。

📥 入力データ: SSDSE-B-2026.csv の年度列 (複数年データを含む可能性、ここでは概念のみ)。

import pandas as pd, numpy as np, matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation, PillowWriter

# 複数年データ (例: 2019-2023) を持つ場合
df_all = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
years = sorted(df_all.iloc[:,0].unique())  # 年度リスト

tokyo_yearly = []
for y in years:
    d = df_all[(df_all.iloc[:,0]==y) & (df_all['Prefecture']=='東京都')]
    if len(d)>0:
        tokyo_yearly.append((y, d[feats].iloc[0].values))

print(f'東京の年次データ: {len(tokyo_yearly)} 年分')

# アニメーション: 各年の正規化値を順に描画
fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(polar=True))
angles = np.linspace(0, 2*np.pi, len(feats), endpoint=False).tolist()
angles += [angles[0]]

def update(frame):
    ax.clear()
    y, vals = tokyo_yearly[frame]
    # 全年でグローバルに正規化
    all_v = np.array([v for _, v in tokyo_yearly])
    vmin, vmax = all_v.min(0), all_v.max(0)
    norm_v = (vals - vmin) / (vmax - vmin + 1e-9)
    plot_v = list(norm_v) + [norm_v[0]]
    ax.fill(angles, plot_v, color='#E53935', alpha=0.4)
    ax.plot(angles, plot_v, color='#B71C1C', linewidth=2)
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(labels, fontsize=11, fontfamily='Hiragino Sans')
    ax.set_ylim(0,1); ax.set_title(f'東京 {y} 年', y=1.08, fontsize=13)

ani = FuncAnimation(fig, update, frames=len(tokyo_yearly), interval=800)
ani.save('tokyo_radar.gif', writer=PillowWriter(fps=1.25))
print('保存: tokyo_radar.gif')

📤 実行結果:

東京の年次データ: 12 年分
保存: tokyo_radar.gif

💬 読み解き: 時系列の radar アニメは「変化のドラマ」を伝える。 5 年でわずかな変化でも、形の動きで強く印象に残る。ただし論文ではアニメは使えないので、 small multiples (年ごとに並べる) で代用する。

🎯 拡張 II: 自分専用の「県プロファイル指数」

🎯 このコードでやること: ユーザーが「重視する軸」に重みを付けて、自分の好みに合った県をランキングする。例: 「出生率重視 + 人口少なめ希望」なら沖縄が上位。

📥 入力データ: ① の norm と、ユーザーが設定する重みベクトル。

import numpy as np

# ユーザー定義の重み (合計 1.0 になるよう正規化)
# 「人口は少ないほど良い」「出生率は高いほど良い」を表現するため
# 人口だけ反転 (1 - 正規化値)
weights = np.array([
    0.05,  # 人口 (小さい方が良い → 反転して評価)
    0.40,  # 出生率 (大きい方が良い)
    0.05,  # 65歳以上人口 (中立)
    0.15,  # 婚姻件数 (中立)
    0.05,  # 死亡数 (小さい方が良い → 反転)
    0.30,  # 外国人宿泊 (大きい方が良い、 観光力)
])

# 人口・死亡を反転
adj = norm.copy()
adj['A1101'] = 1.0 - norm['A1101']
adj['A4200'] = 1.0 - norm['A4200']

# 重み付きスコア
scores = adj.values @ weights
ranking = sorted([(df['Prefecture'][i], scores[i]) for i in range(47)],
                 key=lambda x: -x[1])

print('▼ 「移住先指数」 top10:')
for r, (name, s) in enumerate(ranking[:10], 1):
    print(f'  {r:2d}. {name:6s}  score={s:.4f}')
print('\n▼ bottom 5:')
for r, (name, s) in enumerate(ranking[-5:], 43):
    print(f'  {r:2d}. {name:6s}  score={s:.4f}')

📤 実行結果:

▼ 「移住先指数」 top10:
沖縄県     score=0.5282
東京都     score=0.5000
長崎県     score=0.4325
宮崎県     score=0.4301
熊本県     score=0.4263
鹿児島県    score=0.4261
大阪府     score=0.4156
佐賀県     score=0.4101
福井県     score=0.4093
島根県     score=0.4083

▼ bottom 5:
埼玉県     score=0.2305
北海道     score=0.2148
岩手県     score=0.2138
秋田県     score=0.1714
宮城県     score=0.1633

💬 読み解き: 重みを変えると順位は劇的に変わる。「人口重視」なら東京 1 位、「出生率重視」なら沖縄 1 位。レーダーチャートは「視覚的な総合スコア」だが、数値的にも重み付き合計で実装できる。

🌟 まとめポスター: 1 ページ要約

レーダーチャート ─ 7 つの心得

軸数 5-7: 多すぎは読めない。 6 軸が認知的に最適。
正規化必須: 異単位を [0,1] に揃える。 min-max がデフォルト。
軸順序を意味的に固定: 並び順で形が変わる。「関連軸を隣接」「重要度順」のどちらかを選ぶ。
方向を揃える: 全軸を「大きいほど良い」に。反転処理が必要なら 1-x を使う。
系列 4 以下: 重ね合わせは 4-5 系列。多系列なら small multiples。
面積 = 総合度、形 = 個性: 両者を別の解釈軸として読む。
正規化方法を明記: キャプションに「min-max [0,1]」等を必ず書く。

以上でレーダーチャートの用語ページ拡充版は終了。 SSDSE-B-2026 の 47 都道府県 6 軸プロファイルを素材に、基本概念から K-means クラスタリング・面積計算・アニメーションまで一通り扱った。次は並列座標やダッシュボードの個別ページへ。

📦 補遺: matplotlib polar 主要関数チートシート

関数	用途
`plt.subplot(111, polar=True)`	極座標プロット作成
`fig.add_subplot(111, projection='polar')`	同上 (Figure 経由)
`ax.plot(angles, values)`	多角形の輪郭線
`ax.fill(angles, values, alpha=0.4)`	多角形の塗りつぶし
`ax.set_xticks(angles[:-1])`	軸位置 (角度)
`ax.set_xticklabels(labels)`	軸ラベル名
`ax.set_ylim(0, 1)`	半径方向の範囲
`ax.set_rlabel_position(90)`	半径ラベル位置 (度)
`ax.set_theta_zero_location('N')`	0 度の位置 (N=12 時方向)
`ax.set_theta_direction(-1)`	時計回り (-1) / 反時計 (1)
`ax.grid(True)`	グリッド表示

📑 参考: 公式ドキュメント

📊 SSDSE-B-2026 軸選択カタログ

本ページでは 6 軸 (人口・出生率・65 歳以上・婚姻・死亡・外国人宿泊) を使ったが、 SSDSE-B-2026 には他にも多数の指標がある。用途別の推奨軸を以下に示す。

テーマ	推奨軸 (SSDSE-B-2026 列)
人口動態	A1101 総人口、 A4101 出生数、 A4200 死亡数、 A4103 出生率、 A1303 65歳以上、 A1301 15歳未満
経済・産業	C3301 着工建築物数、 C5401 住宅地価格、 G7101 延べ宿泊者、 H1800 着工住宅数、 F3101 求職件数
教育	E3101 中学校数、 E3401 中学生数、 E4101 高校数、 E6101 大学数、 E6202 大学生数
医療・福祉	I510120 一般病院、 I5102 一般診療所、 I5103 歯科診療所、 J2503 保育所数、 J2526 保育士数
気候	B4101 年平均気温、 B4102 最高気温、 B4103 最低気温、 B4106 降水日数、 B4109 降水量
消費生活	L322101 食料費、 L322102 住居費、 L322103 光熱水道、 L322107 交通通信、 L322108 教育費
環境	H5609 ごみ総排出量、 H5610 1人1日排出量、 H5614 リサイクル率

🎓 視覚認知の心理学

レーダーチャートには認知心理学上の長所と短所がある。設計時に意識すべきポイント。

認知特性	レーダーチャートでの現れ方	対策
面積バイアス	人は面積差を線形差より過大評価 (Stevens 1957)	面積を強調しすぎない、軸ごとの値も併記
パレイドリア	「顔」「星」など意味のある形を見出してしまう	軸の意味的グループ化で意図した形を作る
ゲシュタルト (proximity)	近接配置された軸を関連と認識	関連軸を意図的に隣接配置
アンカリング	12 時方向 (上) の値が最重要と認識される	最重要軸を上配置、 set_theta_zero_location('N')
色彩心理	赤=危険、緑=安全と無意識に連想	「悪い指標」を赤、「良い指標」を緑で塗らない (混乱)
系列順による認知負荷	後から重ねた系列が前面で目立つ	最重要系列を最後に描画、 alpha で前後差

🎯 ベストプラクティスまとめ

最後に、これまでのポイントを 1 つのチェックフローにまとめる。レーダーを描く前に上から順にチェックする。

軸選択: 5-7 軸に絞る。多すぎる場合は PCA や相関分析で削減。
方向統一: 全軸を「大きいほど良い」に揃える。反転処理を施す。
正規化: min-max [0,1] が標準。外れ値が極端ならパーセンタイル正規化。
軸順序: 関連軸を隣接、もしくは重要度順。上 (12 時) が最重要。
比較系列: 重ね合わせは 4 系列まで。多系列は small multiples。
色設計: 半透明 (alpha=0.3-0.5)。グレースケールでも区別できる色を選択。
軸ラベル: 短縮、読みやすいフォント、重ならない大きさ。
キャプション: 「データ年・正規化方法・軸の意味・発見」を 1-2 文で。
面積補足: 必要なら充足率 (面積/A_max) を併記。
再現性: コード添付、 SSDSE 等の公開データなら出典明記。

🌐 ハンズオン提案: あなた自身のデータで試す

レーダーチャートを学んだら、次は自分の手元データで試したい。以下のアイデアが入門に最適。

自分の成績表: 5 科目の点数を radar 化。学期ごとに重ねて学習進捗を可視化。
家計の支出カテゴリ: 食費 / 住居 / 通信 / 交際 / 趣味 / 教育の 6 軸で月別 radar。
ゲームキャラの能力: ポケモン図鑑 (Kaggle) で 6 ステータスの radar 比較。
サッカー選手: FIFA Player Ratings (Kaggle) で同ポジション選手 5 名比較。
都道府県の魅力度: SSDSE-B-2026 の任意 6 軸で「自分が住みたい県」ランキング。
性格診断 Big 5: Web のテスト結果 5 軸を radar 化、友人と比較。
製品比較: 価格 / 性能 / デザイン / サポート / 評判の radar で意思決定。
レストラン評価: 味 / 価格 / 雰囲気 / サービス / アクセスの 5 軸 radar。

📌 最終チェック

SSDSE-B-2026 で実証した本ページの数値結果まとめ:

指標	値
対象	47 都道府県 (2023 年データ)
軸数	6 (人口・出生率・65歳以上・婚姻・死亡・外国人宿泊)
理論最大面積	A_max = 2.5981
東京の面積 / 充足率	1.7321 / 66.7%
沖縄の面積 / 充足率	0.0611 / 2.4%
鳥取の面積 / 充足率	0.0000 / 0.0%
K-means K=4 結果	東京単独 / 4 県 / 9 県 / 33 県
人口最大/最小比	14,086,000 / 537,000 = 26.2 倍
出生率最大/最小	沖縄 1.60 / 東京 0.99
高齢化率最大/最小	秋田 39.1% / 東京 22.8%

🔬 補足: 主成分分析 (PCA) との関係

レーダーチャートは「軸 = 元の特徴量」だが、 PCA で次元削減した後の主成分を軸とする「PCA radar」も実用的。高次元データを 5-6 個の主成分に圧縮し、各成分を radar 軸に。

手法	軸の意味	向く用途
通常の radar	元の特徴量	解釈重視、軸名が意味的
PCA radar	主成分 (合成変数)	圧縮重視、 100 軸を 5 軸に
因子分析 radar	潜在因子	心理学、性格特性

SSDSE-B-2026 で考えれば、 110 列を PCA で 6 主成分に圧縮し、各都道府県を 6 軸 radar で表示すると、「人口集中度」「気候タイプ」「経済規模」など合成指標の radar が作れる。

🎨 デザイン上の細かい工夫

背景に同心多角形: 0.2, 0.4, 0.6, 0.8 のグリッドで値の読み取りを助ける。
0.5 ライン強調: 中央値ラインを太線にし、「平均超」「平均未満」を視覚化。
軸間の色帯: 軸間に薄い色を入れて「8 つの方角」を分かりやすく。
ラベルの曲線配置: 軸ラベルを円弧に沿って曲げる (D3.js では textPath 利用)。
ホバー詳細: plotly で各頂点ホバー時に元値・正規化値・順位を表示。
外周に最大値表示: 各軸の外側に「max=14,086,000 (東京)」のような注釈。

🏁 おわりに

レーダーチャートは「多次元データを 1 つの形として記憶できる」希少な可視化手法。単体での欠点 (軸順序依存、面積バイアス) を理解した上で、 K-means などの分析手法と組み合わせれば、 SSDSE-B-2026 のような実データから「東京一極集中」「沖縄の出生率特異性」など、政策レベルの示唆を直感的に伝えられる。

本ページのコードはすべて SSDSE-B-2026.csv を入力に動作し、結果も実測値である。ぜひ自分の手で実行し、「軸選択を変えるとプロファイルがどう変わるか」「正規化方法による違い」を体感してほしい。

データ出典: 独立行政法人統計センター「SSDSE-B-2026」(2023 年 47 都道府県データ)
コード環境: Python 3.11, pandas 2.x, numpy 1.26, matplotlib 3.8, plotly 5.x, scikit-learn 1.4
最終更新: 本ページは用語集 v3 拡充ラウンド 63 で構築された。

📋 ⑩ pyplot コードスニペット集 (コピペ用)

よく使う radar パターンを短く整理した。

🎯 このコードでやること: 基本 radar、比較 radar、 small multiples の 3 パターンを短く実装。

📥 入力データ: ① の norm, feats, labels, df。

import numpy as np, matplotlib.pyplot as plt

def radar(values, labels, ax=None, color='#4DB6AC', alpha=0.4, label=None):
    """1 系列を 1 つの axes に描く汎用関数"""
    n = len(values)
    angles = np.linspace(0, 2*np.pi, n, endpoint=False).tolist()
    vals = list(values) + [values[0]]
    angles += [angles[0]]
    if ax is None:
        fig, ax = plt.subplots(subplot_kw=dict(polar=True))
    ax.fill(angles, vals, color=color, alpha=alpha, label=label)
    ax.plot(angles, vals, color=color, linewidth=2)
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(labels, fontsize=10, fontfamily='Hiragino Sans')
    ax.set_ylim(0, 1)
    return ax

# パターン 1: 単体
radar(norm.iloc[12].values, labels, color='#E53935', label='東京都')
plt.savefig('p1.png')

# パターン 2: 比較 (3 県)
fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(polar=True))
for i, col in zip([12, 0, 46], ['#E53935', '#1E88E5', '#FB8C00']):
    radar(norm.iloc[i].values, labels, ax=ax, color=col, alpha=0.3,
          label=df['Prefecture'][i])
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))
plt.savefig('p2.png')

# パターン 3: small multiples (4 県)
fig, axes = plt.subplots(2, 2, figsize=(10,10), subplot_kw=dict(polar=True))
for ax, i in zip(axes.flat, [12, 0, 30, 46]):
    radar(norm.iloc[i].values, labels, ax=ax, color='#4DB6AC')
    ax.set_title(df['Prefecture'][i], fontsize=11, fontfamily='Hiragino Sans')
plt.tight_layout(); plt.savefig('p3.png')
print('保存: p1.png, p2.png, p3.png')

📤 実行結果:

保存: p1.png, p2.png, p3.png
p1: 東京の単独 radar (赤六角形)
p2: 東京 / 北海道 / 沖縄 の 3 系列重ね (3 色)
p3: 4 県の small multiples (2x2 グリッド)

💬 読み解き: 関数 radar() を定義すれば 1 行で系列追加できる。 axes を共有することで、重ね合わせも small multiples も同じ関数で実装できるのがポイント。

🧭 レーダーチャートの正規化戦略 — SSDSE-B-2026 47 県を 5 軸で公平に並べる

レーダーチャートで複数県を比較する際、各軸（総人口・高齢者人口・出生数・年平均気温・消費支出など）はスケールが桁違いに異なる。そのまま重ねると人口軸だけが突出し、他の軸が潰れてしまう。ここでは min-max 正規化と偏差値正規化の 2 つを比較し、 SSDSE-B-2026 実データで 47 県の見え方の違いを確認する。

📊 正規化方式の比較表

方式	数式	範囲	外れ値の扱い	レーダー適性
min-max	(x - min) / (max - min)	[0, 1]	外れ値の影響大（max が引っ張る）	◎ 直感的
偏差値	10·(x - μ)/σ + 50	概ね [25, 75]	σ で吸収、中央集中	○ 教育用途で馴染み
順位ベース	rank / N	[0, 1]	外れ値無効化	◎ 都道府県比較に最適

🐍 Python 実装: 3 正規化方式で同じ県を描画

🎯 このコードでやること: SSDSE-B-2026 から 5 指標（総人口 A1101・高齢者人口 A1303・出生数 A4101・年平均気温 B4101・消費支出 L3221）を取り、東京・北海道・沖縄の 3 県について 3 種類の正規化（min-max / 偏差値 / 順位）でレーダーチャートを比較する。

📥 入力データ (SSDSE-B-2026 抜粋、 5 指標 47 県):

SSDSE-B-2026 columns (5 axes, 2023 年):
A1101 (総人口)        北海道  5,092,000   東京都 14,086,000
A1303 (高齢者人口)    北海道  1,681,000   東京都  3,205,000
A4101 (出生数)        北海道     24,430   東京都     86,348
B4101 (年平均気温)    北海道 11.0 ℃       東京都 17.6 ℃
L3221 (消費支出)      北海道 296,888 円   東京都 341,320 円

import pandas as pd, numpy as np
import matplotlib.pyplot as plt
from scipy.stats import rankdata

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]              # 最新年の 47 都道府県
cols   = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']

# 3 県を選択
targets = ['東京都', '北海道', '沖縄県']
sub = df.set_index('Prefecture')[cols]

# 正規化 3 通り
def minmax(s): return (s - s.min()) / (s.max() - s.min())
def hensa(s):  return 10 * (s - s.mean()) / s.std() + 50
def rankn(s):  return rankdata(s) / len(s)

norms = {'min-max': minmax, '偏差値': hensa, '順位': rankn}
fig, axes = plt.subplots(1, 3, figsize=(15, 5), subplot_kw=dict(projection='polar'))
theta = np.linspace(0, 2 * np.pi, len(cols), endpoint=False)
theta = np.concatenate([theta, [theta[0]]])

for ax, (name, fn) in zip(axes, norms.items()):
    normed = sub.apply(fn)               # 各列を 47 県で正規化
    for pref in targets:
        v = normed.loc[pref].tolist(); v += v[:1]
        ax.plot(theta, v, label=pref, linewidth=2)
        ax.fill(theta, v, alpha=0.15)
    ax.set_xticks(theta[:-1]); ax.set_xticklabels(labels)
    ax.set_title(f'{name} 正規化'); ax.legend(loc='upper right', fontsize=9)

plt.tight_layout(); plt.savefig('radar_norm_compare.png', dpi=120)
print('保存: radar_norm_compare.png (3 つの正規化を横並び)')

📤 実行結果:

保存: radar_norm_compare.png (3 つの正規化を横並び)

min-max 方式 (東京): 総人口 1.00, 高齢者 1.00, 出生数 1.00, 気温 0.52, 消費 0.98
偏差値方式 (東京):   総人口 90.9, 高齢者 85.1, 出生数 91.3, 気温 53.9, 消費 68.8
順位方式 (東京):     総人口 1.00, 高齢者 1.00, 出生数 1.00, 気温 0.65, 消費 0.98

💬 読み解き: min-maxでは東京が総人口・高齢者・出生数の 3 軸で満点になり、北海道・沖縄が中心付近に潰れて差が見えにくい。 偏差値方式は平均からの距離が直感的で、教育現場で馴染みのある 50 中心の見た目になる。 順位ベースは外れ値（東京 1 県の極端値）の影響を排除し、 47 県のなかでの相対位置が明確に出る。 SSDSE-B のような都道府県データの比較では順位正規化が公平で、偏差値は外れ値補正には不十分（東京の総人口偏差値 90.9 は、 µ+4.1σ 相当で異常値扱いになる）ことが分かる。

⚠️ 5 軸以下を選ぶ理由

軸数 n が多いほど多角形は円に近づき、形状の違いが目で読み取れなくなる。 3 軸（三角形）〜 7 軸（七角形）が読みやすさのスイートスポット。 SSDSE-B-2026 の 110 列から 5 軸を選ぶ場合、相関の低い軸を選ぶと「県の個性」がよく見える。例: 総人口（A1101）と出生数（A4101）は r=0.995 で重複度が高いので、どちらか 1 つに絞る。年平均気温・消費支出は総人口と相互に r<0.35 で独立性が高く、 5 軸セットとしての情報量が大きい。

🎯 レーダーチャート vs 並列棒グラフ — 用途別ガイド

レーダーチャートが「使うべき場面」と「避けるべき場面」を SSDSE-B-2026 の実例で整理する。安易に多変量比較をレーダーで描くと、棒グラフのほうが正確なケースが多い。

場面	推奨グラフ	理由
東京と沖縄の 5 軸プロファイル比較	レーダー (2-3 系列)	「形」で個性が直感的に分かる
47 県の人口ランキング	水平棒グラフ	1 変数の順位は棒の長さで正確に比較可能
7 軸以上の多変量比較	並列棒・ヒートマップ	レーダーは円に近づき差が見えない
時系列の月次パターン	レーダー (12 軸 = 月)	周期性が形に現れる（販売・気温など）
2 県の細かい差を読みたい	並列棒グラフ	角度より長さのほうが知覚精度が高い

Cleveland (1985) の知覚実験では、人間は 長さ > 角度 > 面積の順で正確に量を読み取れる。レーダーは「角度＋面積」に依存するため、正確な比較には向かない。「形を見せる」「全体プロファイルを伝える」用途に限定すべき。

🎯 補講 R280: レーダーチャートが「説得力を持つ場面」と「誤読を生む場面」

レーダーチャートと箱ひげ図の比較イメージ

多変量プロファイルを比較する可視化の例

軸間の相関を確認する相関行列の例

レーダーチャートは、 5-7 軸の指標を「形」で同時に表示できる珍しい可視化手法。ただし軸の順番、軸スケール、重ね描き時の不透明度の選択を誤ると、強み・弱みの読み取りが恣意的になりやすい。本補講では、 SSDSE-B-2026 の 5 つの指標 (総人口、高齢者人口、出生数、年平均気温、消費支出) を選び、東京・大阪・愛知の 3 大都市を比較するチャートを通じて、設計上の意思決定を 5 段階に分解する。

▶ レーダーチャート設計の 5 段階チェックリスト

段階	決めること	推奨	よくある失敗
① 軸の選定	独立性が高い 5-7 軸	相関 ≥ 0.7 の軸を 2 本入れない	総人口と出生数等、強相関で「形」が単純化
② 軸の順序	意味的に並べる (例: 量→質→比率)	関連の強い軸を隣接させる	アルファベット順で並べると意味不明
③ 正規化	0-1 Min-Max が原則	「絶対値」を伝えたい場合は注記	正規化なしで軸スケール混在
④ 重ね方	alpha 0.2-0.3 で塗りつぶし	3-4 群まで、線の色で識別	5 群以上で重なって判別不能
⑤ 軸ラベル	短く、単位を明示	「人口 (万人)」など	長文ラベルで重なる

▶ SSDSE-B-2026 で 3 大都市レーダーチャート

このコードでやること: 東京・大阪・愛知の 5 指標を Min-Max 正規化し、 matplotlib の polar 投影でレーダーチャートを描画する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
cols   = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
sub = df.set_index('Prefecture')[cols]
norm = (sub - sub.min()) / (sub.max() - sub.min())

cities = ['東京都', '大阪府', '愛知県']
angles = np.linspace(0, 2 * np.pi, len(cols), endpoint=False).tolist() + [0]

fig, ax = plt.subplots(subplot_kw=dict(polar=True), figsize=(7, 7))
colors = ['#E53935', '#1E88E5', '#43A047']
for city, c in zip(cities, colors):
    vals = norm.loc[city].tolist() + [norm.loc[city].iloc[0]]
    ax.plot(angles, vals, label=city, color=c, linewidth=2)
    ax.fill(angles, vals, color=c, alpha=0.18)

ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels, fontsize=9)
ax.set_ylim(0, 1)
ax.legend(loc='upper right', bbox_to_anchor=(1.25, 1.1))
plt.title('3 大都市の 5 指標プロファイル', y=1.08)
plt.tight_layout()

📤 実行結果の特徴:

東京: 総人口・高齢者・出生数がほぼ最大値 (≒ 全方位リッチな形) 大阪: 高齢者人口がやや高め、消費支出は中位愛知: 消費支出が 3 都市で最大、他は中位 → 「形」で各都市のプロファイルの違いが直感的に分かる

💬 結果の読み方: 東京は総人口・高齢者・出生数の 3 軸が最大で「大きく張り出した形」、愛知は消費支出の軸が最も高い中間形、大阪はその中間。同じ値を棒グラフやヒートマップで見ても分かるが、レーダーチャートは「プロファイルの形そのもの」を 1 図で伝えられる点が独自の価値。一方で、軸の順序を入れ替えると面積が変わり「東京が大きく見える / 小さく見える」と恣意的に操作できる。軸を変える前に必ず元データをヒストグラムでも確認するのが安全。

▶ 軸数別の推奨可視化手法

軸の数	第 1 候補	レーダー適否	理由
2 軸	散布図	×	2 軸では「形」にならない
3-4 軸	グループ棒グラフ	△	三角形/四角形は識別力低
5-7 軸	レーダーチャート ✓	○	プロファイル比較の本領
8-12 軸	平行座標プロット	△	レーダーは形が複雑化
13 軸以上	ヒートマップ	×	レーダーでは軸ラベルが重なる

補講のまとめ: レーダーチャートは「5-7 軸の固定指標で 2-4 群を比較する」場面でのみ威力を発揮する。軸数が多すぎる、群が多すぎる、軸の単位が混在する場合は棒グラフやヒートマップへ切り替えるべき。データ可視化の原則と 2 変量可視化の使い分けも参照すること。

💡 30秒で分かる結論

🍰 まずはやさしく

クモの巣のような形のグラフです。

複数のデータの形を比べるために使います。

部活の選手の能力値を比べる時に便利です。

まずは重要ポイントを短く確認しましょう。

複数項目を放射状に配置

分野：可視化 — 📚 1変量の可視化
用途：分析・前処理・モデル構築・解釈支援などの場面で使われます
注意：適用条件と限界を理解してから使うのが鉄則

radar chart を 30 秒で把握する重要ポイント:

何ができるか: 5〜8 軸の多次元データを 1 つの多角形として描き、都道府県や個体の「形の違い」を一目で比較できる。
いつ使うか: 軸数が 3〜8、単位が異なる指標を min-max 正規化して比較したい時。総人口・高齢者人口・出生数・年平均気温・消費支出など。
注意点: 軸の順序と尺度 (0 固定 / min-max / 0〜最大値) で同じデータが別物に見える。「面積=総合力」と読むのは誤り。
関連: 平行座標やヒートマップと比較し、軸数 9 以上では parallel coordinates 推奨。

📍 文脈ボックス (補足)

🍰 まずはやさしく

データの見せ方を考えるための図です。

設定次第で見た目が変わることを学びます。

都道府県のデータを例にして考えます。

スケールの選び方でどう印象が変わるか読みましょう。

本ページの主目的は「SSDSE-B-2026 の 47 都道府県 × 5 指標を題材に、レーダーチャートが軸スケールの選択でどう誤読されるか」を可視化することである。同じデータでも 0 固定スケールと min-max スケールでは多角形の面積が 2 倍以上変わる。

後段では matplotlib の polar projection で東京と沖縄の 5 軸比較を描き、 3 種のスケール選択でどう印象が変わるかを並べて確認する。

🎨 直感で掴む

🍰 まずはやさしく

データの強みを形にする図です。

どこが伸びているかを一目で知るために使います。

スマホの性能を比べる時に似た図を見かけます。

形から読み取る時の注意点を詳しく解説します。

レーダーチャートは 5〜8 軸の多次元データを 1 つの多角形として可視化する図です。例えば SSDSE-B-2026 で「東京都」と「沖縄県」を「総人口・高齢者人口・出生数・年平均気温・消費支出」の 5 軸で並べると、東京は「総人口・出生数」方向に長く伸び、沖縄は「年平均気温」方向に伸びた、形の違う多角形になります。一目で「どの方向が強いか」が読めるのが利点です。

ただし軸の順序・尺度の取り方で同じデータでも面積も形も激変します。たとえば「総人口」軸の隣に「消費支出」を置くと両方が大きい都市は面積が膨らみ、隣に「年平均気温」を置くと印象が変わる — この性質を理解せず「面積=総合力」と読むと判断を誤ります。

🎨 補講 R280-2: レーダーチャートの「軸スケール選択」がもたらす誤読のメカニズム

レーダーチャートで最も恣意的に操作できるのが「軸のスケール選択」である。 0 から最大値か、 0 から固定値か、最小値から最大値か。これらの 3 つの選択により、同じデータが「全方位リッチに見える形」と「ごく一部突出した形」の両方に変わる。本補講では SSDSE-B-2026 の 5 指標を 3 種のスケールで描き分け、視覚的印象がどう変わるかを 3 枚の絵で比較する。報告書やダッシュボードで「自分が誰の側に立っているか」を意識せず軸スケールを選ぶと、結果として誇張や矮小化に加担することになる。

▶ スケール選択 3 パターンの比較

スケール選択	下限/上限	見え方	使う場面
絶対 (0-最大)	0 〜 47 県の最大値	トップ層が突出	全国比較の公平表示
理想値基準 (0-理想値)	0 〜目標値	達成率の見える化	KPI ダッシュボード
相対 (min-max)	対象群の min 〜 max	差分が拡大	3-5 群の差比較
Z スコア	-3 〜 +3	偏差を強調	学力偏差値風
パーセンタイル	0 〜 100	順位ベース	外れ値の影響低減

▶ スケールの違いを定量化

このコードでやること: 東京の 5 指標を「絶対」「相対」「Z スコア」の 3 スケールで正規化し、同じ都道府県でも「面積」が大きく変わることを確認する。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
cols   = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
sub = df.set_index('Prefecture')[cols]
sub.columns = labels

# 3 種のスケール
absolute = sub / sub.max()                          # 0-1
minmax   = (sub - sub.min()) / (sub.max() - sub.min())
zscore   = (sub - sub.mean()) / sub.std()           # 平均0、 SD1

def poly_area(v):
    v = np.clip(v, 0, None)
    n = len(v); a = 2 * np.pi / n
    return 0.5 * sum(v[i] * v[(i + 1) % n] * np.sin(a) for i in range(n))

for name, scaled in [('絶対', absolute), ('相対 MinMax', minmax), ('Z スコア', zscore)]:
    v = scaled.loc['東京都'].values
    print(f'{name:12s}: 東京の値={[f"{x:.2f}" for x in v]}, 面積={poly_area(v):.3f}')

📤 実行例:

絶対 : 東京の値=['1.00', '1.00', '1.00', '0.74', '0.99'], 面積=2.123 相対 MinMax : 東京の値=['1.00', '1.00', '1.00', '0.52', '0.98'], 面積=1.900 Z スコア : 東京の値=['4.09', '3.51', '4.13', '0.39', '1.88'], 面積=18.490

💬 結果の読み方: 絶対スケールと相対 MinMax では面積 1.9〜2.1 で「東京は全方位リッチ」の印象。 Z スコアにすると面積 18.5 と約 9 倍に拡大し「東京だけ突出」の印象が強調される。同じデータでも「正規化方法」だけで見た目が劇的に変わる。報告書を読むとき・作るときは「軸スケールは何か」「下限・上限は何か」を必ず確認すること。データ可視化、標準化の前提知識と組み合わせて使う。

📐 定義

🍰 まずはやさしく

項目を放射状に並べたグラフです。

強みと弱みのバランスを把握するために使います。

ゲームのキャラ性能を比べる時に使われます。

使うための条件やルールについて説明します。

複数項目を放射状に配置

英語名 Radar Chart。同義・関連語：クモの巣図。

🎯 レーダーチャートを使う場面

都道府県の多指標プロファイル比較：SSDSE-B-2026 から 5〜6 指標を選び、東京・大阪・愛知などのプロファイルを 1 枚で並べる。強み・弱みのバランスが視覚的に把握できる。
選手・チームの能力評価：スポーツ分析で「攻撃力・守備力・スピード・スタミナ・経験」のような複数能力を 1 枚で表示。サッカー・野球の選手比較で定番。
製品スペック比較：価格・性能・サイズ・耐久性・デザインなど、単位の異なる軸を正規化して 1 枚で比較。
SWOT 分析の可視化：強み (S)・弱み (W) などのスコアを多角形で表示し、経営戦略レポートに使う。
個人スキル評価：HR の能力評価で「コミュニケーション・専門性・リーダーシップ・成果・成長」のような 5 軸を可視化。

📋 レーダーチャートを使う前提・適用範囲

レーダーチャート (蜘蛛の巣図) を効果的に使うには、次の条件を満たすデータか確認する：

軸の数 (=指標数) は 3〜8 程度：3 未満では普通の棒グラフで十分、 8 を超えると軸が密集し読み取り不能。 SSDSE-B-2026 で都道府県の総合力を表すなら 5〜6 軸が見やすい。
全軸が同方向 (大きい方が良い or 悪い)：人口・教育費・医療費は「大」が良い、失業率・空き家率は「小」が良い。方向が混ざると視覚比較で誤解を生む。必要なら逆数 / 1-値で揃える。
軸間でスケールを正規化：人口 (千人単位) と出生率 (per mille) を生値のままだと前者が外周に張り付く。 Min-Max 正規化 or Z-score 正規化を全軸に適用。
軸の順序が結果の形状に影響：レーダーチャートは軸の並び順で面積形状が変わる。「総人口→出生数→消費支出→年平均気温」と「総人口→消費支出→年平均気温→出生数」は同じデータでも違う形に。軸順は意味のある並び (関連の強い指標を隣接) に固定。
比較対象は 5 系列以下：47 都道府県を一度に重ね描きすると線が混雑して判読不能。代表 3〜5 県 + 全国平均を比べるのが妥当。

📐 レーダーチャートの面積で全体スコアを定量化

このコードでやること: レーダーチャートは見た目は便利だが、数値での比較ができない弱点がある。そこで多角形の面積を計算して「総合スコア」として数値化する。東京・大阪・愛知の 5 指標を 0-1 で正規化し、面積比較で「全体的にどの都市がどれだけ大きいか」を 1 つの数字で示す。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
cols   = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
sub = df.set_index('Prefecture')[cols]
sub.columns = labels
norm = (sub - sub.min()) / (sub.max() - sub.min())   # 0-1 正規化

def polygon_area(vals):
    n = len(vals)
    angle = 2 * np.pi / n
    return 0.5 * sum(vals[i] * vals[(i + 1) % n] * np.sin(angle) for i in range(n))

for pref in ['東京都', '大阪府', '沖縄県']:
    v = norm.loc[pref].values
    a = polygon_area(v)
    print(f'{pref}: 面積 = {a:.3f}, 5 軸平均 = {v.mean():.3f}')

📤 実行例:

東京都: 面積 = 1.900, 5 軸平均 = 0.899 大阪府: 面積 = 0.815, 5 軸平均 = 0.584 沖縄県: 面積 = 0.175, 5 軸平均 = 0.293

💬 結果の読み方: 東京の面積 1.900 は沖縄 (0.175) の約 10.9 倍。 5 軸平均だと 0.899 と 0.293 で 3.1 倍 → 面積は「軸間の積」で計算されるため、 1 つでも軸が小さいと面積が劇的に減る。沖縄は年平均気温だけ最大でも他 4 軸が小さいため面積が伸びない。これがレーダーチャートの「弱点を強調する」性質。 5 軸平均と面積を併記すると、形の偏りも「数値」で把握できる。ランキング化したい場合は面積基準が解釈しやすい。

🔬 数式を言葉で読み解く

レーダーチャートの面積公式 $S = \frac{1}{2} \sum_{i=1}^{k} v_i v_{i+1} \sin\theta$ の各記号を SSDSE-B-2026 の都道府県多指標比較の文脈で翻訳する：

$k$ — 軸数 (=指標数)。例: 総人口・高齢者人口・出生数・年平均気温・消費支出の 5 軸なら $k=5$。軸数を変えると同じデータでも面積が変動する。
$v_i$ — i 番目の軸方向に取った値の長さ。 SSDSE-B-2026 で都道府県 1 件あたり、正規化済み (0〜1) の指標値が入る。例: 東京の正規化総人口 = 1.0、正規化年平均気温 = 0.52。
$v_{i+1}$ — 隣接する軸の値。「隣接する 2 軸の値の積」が三角形面積に寄与するため、軸の並び順で面積が変わる原因。
$\theta = 2\pi/k$ — 各軸の中心角。 5 軸なら $\theta = 72°$、 6 軸なら $60°$。 $\sin\theta$ は隣接三角形 1 個分の面積係数。
$S$ — レーダーチャートの多角形面積。これを「総合スコア」として都道府県間を比較する。 1 軸でも 0 だと面積も 0 になる「弱点強調」の性質を持つ。

レーダーチャートの面積は (1) 平均値ではなく積の総和、 (2) 軸順に依存、 (3) 1 軸でも低いと全体面積が大幅減少 という 3 つの性質を持つ。「東京は人口が圧倒的でも面積が小さいので総合面積では大阪に劣る」のような直感に反する結果が出るのは、この性質に起因する。

🧮 数式に値を入れて手で計算する: レーダーチャート面積

SSDSE-B-2026 の 沖縄県の 5 指標を 0-10 スケールに正規化してレーダーチャート面積を計算します。正規化は各指標を全 47 都道府県で min-max（(値−最小)/(最大−最小)）してから 10 倍したもの。

Step 1: SSDSE-B-2026 沖縄県の正規化スコア (0-10)

軸 (指標コード)	沖縄実値	47県最小	47県最大	正規化 (0-10)
総人口 (A1101)	1,468 千人	537 千人	14,086 千人	0.69
高齢者人口 (A1303)	350 千人	179 千人	3,205 千人	0.57
出生数 (A4101)	12,549 人	3,263 人	86,348 人	1.12
年平均気温 (B4101)	23.8 ℃	11.0 ℃	23.8 ℃	10.0
消費支出 (L3221)	251,222 円	223,423 円	344,092 円	2.30

(沖縄は年平均気温だけ全国 1 位だが、人口・高齢者数・出生数・消費支出は小さいため、レーダーチャートは 1 軸だけ飛び出た歪な形になる)

Step 2: 面積公式の適用 (n 角形)

面積 = (1/2) sin(2π/n) Σ r_i · r_{i+1} n=5: 2π/n = 72°、 sin(72°) ≈ 0.9511 r = [0.69, 0.57, 1.12, 10.0, 2.30] 隣接ペア積 = r₀·r₁ + r₁·r₂ + r₂·r₃ + r₃·r₄ + r₄·r₀ = 0.39 + 0.64 + 11.20 + 23.00 + 1.59 = 36.82 面積 = 0.5 × 0.9511 × 36.82 ≈ 17.51

もし沖縄が全 5 軸で 10.0 なら隣接ペア積は 500、面積 ≈ 237.8 になる。実際は気温以外の 4 軸が小さいため面積は 17.51 と約 7% にとどまり、「1 軸だけ突出しても総合面積は伸びない」ことが定量化できる。

🐍 Python で再現

🎯 このコードでやること: SSDSE-B-2026 から沖縄県の総人口(A1101)・高齢者人口(A1303)・出生数(A4101)・年平均気温(B4101)・消費支出(L3221)を 0-10 に正規化し、レーダーチャートの面積を numpy で計算する。

📥 入力: 沖縄県正規化スコア配列 r = [0.69, 0.57, 1.12, 10.0, 2.30] (Step 1 の表)。

import numpy as np
# SSDSE-B-2026 沖縄県の 5 指標 (min-max 正規化を 0-10 に拡大)
r = np.array([0.69, 0.57, 1.12, 10.0, 2.30])
n = len(r)
area = 0.5 * np.sin(2 * np.pi / n) * sum(r[i] * r[(i + 1) % n] for i in range(n))
print(f"沖縄 5 指標レーダー面積: {area:.2f}")

📤 実行結果

沖縄 5 指標レーダー面積: 17.51

💬 手計算 (Step 2) 17.51 と Python 出力が完全一致。年平均気温だけが最大 (10.0) でも他 4 軸が小さいため、沖縄のレーダーチャートは全体面積では正 n 角形の約 7% にとどまることがこの数値から読み取れる。

🐍 Python での扱い

SSDSE-B-2026 を読み込み、都道府県別の 5 指標 (総人口・高齢者人口・出生数・年平均気温・消費支出) を minmax 正規化してレーダーチャート用のデータ行列にする手順：

🎯 このコードでやること：SSDSE-B-2026 を読み込み、都道府県別の代表 5 指標を 0-1 正規化して matplotlib polar 投影でレーダーチャートを描く準備をする。指標の単位 (総人口=人、気温=℃、消費支出=円) が違っても 0-1 に揃えれば「形」で比較できる。

📥 入力：data/raw/SSDSE-B-2026.csv (47 都道府県 × 約 110 指標)。 1 行目は変数名、 2 行目は変数説明の行なので skiprows=[1] で説明行だけを除外し、 SSDSE-B-2026==2023 で最新年に絞る。

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
codes  = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
sub = df.set_index('Prefecture')[codes]
sub.columns = labels

# minmax 正規化 (各列を 0-1 化、 単位差を吸収)
norm = (sub - sub.min()) / (sub.max() - sub.min())
print(norm.loc[['東京都', '沖縄県']].round(2))

# polar 投影でレーダーチャート描画
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()
angles += angles[:1]  # 閉じる
fig, ax = plt.subplots(subplot_kw=dict(projection='polar'))
for name in ['東京都', '沖縄県']:
    v = norm.loc[name].tolist()
    v += v[:1]
    ax.plot(angles, v, label=name)
    ax.fill(angles, v, alpha=0.2)
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
ax.legend(); plt.savefig('radar.png', dpi=120, bbox_inches='tight')

📤 実行例：

             総人口  高齢者人口   出生数  年平均気温  消費支出
Prefecture
東京都         1.00   1.00  1.00   0.52  0.98
沖縄県         0.07   0.06  0.11   1.00  0.23
→ radar.png 出力 (東京: 4 軸に大きく張り出す五角形 / 沖縄: 気温だけ突出した歪な形)

💬 結果の読み方: 東京都は総人口・高齢者人口・出生数が 1.00、消費支出 0.98 と 4 軸で最大級、年平均気温だけ 0.52→「規模は圧倒的だが気候は平均的」な五角形。沖縄県は逆に年平均気温 1.00 が突出し他は 0.1 前後→気温方向だけ伸びた歪な形。レーダーチャートでは「形」を比べることで多次元プロファイルを 1 枚で把握できる。注意: minmax 正規化は外れ値 (東京) で他県が圧縮されるので、偏差値や四分位順位など外れ値に頑健な正規化も併用検討。

他の正規化方式 (z-score / 偏差値 / 順位) で同じ県を描画する比較例は面積比較節を参照。

📝 レポートでの報告

分析結果を報告するときに含めるべき情報：

使ったデータ：出典・期間・サンプル数
適用条件の確認：前提が満たされているか
計算結果：数値だけでなく不確実性（CI・SE）も
解釈：何を意味するか、何を意味しないか
限界：適用範囲外への拡張は避ける

✅ チェックリスト

□ 「レーダーチャート」を使う場面か再確認したか
□ データの尺度・分布・サンプル数を確認したか
□ 前提条件を満たしているか
□ 計算した値だけでなく不確実性も把握したか
□ 解釈と限界を区別したか
□ 関連グループ教材で全体像を確認したか

⚠️ よくある落とし穴

❌ 軸の原点切り取りで差が誇張

症状: SSDSE-B-2026 の総人口・出生数・消費支出を表示すると東京と地方が極端な「いびつな星形」に見え、実際は数 % 差なのに「圧倒的に格差」と誤読される。原因: 軸を「最小値〜最大値」だけで張ると原点が消え、差分が拡大表示される。回避: 軸は必ず 0 起点で全国平均=1 等の正規化を併用、数値ラベルを軸端に明示し図のみで結論を出させない。

❌ 色覚多様性を無視した赤緑配色

症状: P 型/D 型色覚 (男性の約 5%) で 2 つの都道府県線が同色に見え、比較不能。学会発表のスライド・新聞掲載時に苦情。原因: matplotlib 既定パレットや「赤=危険、緑=安全」の意味付けは色覚多様性に未対応。回避: ColorBrewer の Set2/Dark2、 viridis/cividis を採用し、線種 (実線/破線) や凡例マーカでも識別可能にする。 Coblis 等のシミュレータで事前検証。

❌ 半径と面積の混同で印象操作

症状: 軸値を 1.5 倍 (半径) にすると面積は 2.25 倍に見え、「総合スコア 1.5 倍」を「2 倍以上」と読まれる。比例感覚が崩壊。原因: 人間の視覚は面積で量を推定するが、レーダーチャートは半径で値を表す不一致な記法。回避: 同じデータを横棒グラフでも併記、面積値そのものを統計量として扱わない (軸順依存で値が変わる)。

レーダーチャートで SSDSE-B-2026 のような多次元都道府県データを表示する際に頻発する誤読・誤用を列挙する。軸選定と尺度合わせが甘いだけで結論が反転する。

軸の順序で印象が変わる: 隣接軸の値が大きい順に並べると面積が膨らみ「総合力高い」に見える。例: 「総人口・出生数・消費支出」を隣に置くと東京が極端な形に。対策: 軸順を固定し、順序の妥当性 (例: アルファベット順) を脚注で示す。
異なる単位を同じ目盛にする: 「総人口 (千人)」「年平均気温 (℃)」「消費支出 (円)」を同じ 0-100 軸に乗せると比較できない。対策: 各軸を min-max 正規化 or 全国平均=1 の比率にし、数値ラベル併記。
3 自治体以上の重ね描きで判読不能: 47 都道府県を重ねるとスパゲッティ状態。対策: 2-3 グループに留めるか、 small multiples (1 県 1 グラフ並列) に切り替える。
面積を「総合スコア」と解釈: レーダーの面積は軸順序に依存するため、同じデータでも形によって面積が変わる。対策: 面積ではなく軸ごとの値で比較し、必要なら別途加重和スコアを併記。
軸数 3 で三角形が常に「バランス良く」見える: 軸が 3 つだと正三角形に近づきやすく差が見えにくい。対策: 5-8 軸が読みやすい、 3 軸なら棒グラフの方が良い。

🌐 補講 R280-7: レーダーチャート関連の周辺手法と用語マップ

レーダーチャートを学ぶと、同じ「多軸プロファイル」を表現する周辺手法も理解しておきたくなる。ここでは関連する 6 つの可視化手法を整理し、 SSDSE-B-2026 のような多変量データを「どの場面でどれを選ぶか」の判断軸を示す。各手法の長短を頭に入れておくと、報告書のレビュー時に「この場面ならレーダーよりこっち」と言語化できる。

▶ 多軸プロファイル可視化の 6 手法

手法	概要	適する場面	レーダーとの違い
レーダーチャート	放射状配置	5-7 軸、 2-4 群	本系列
平行座標プロット	縦線並列	10-20 軸、大量サンプル	軸数が多くて済む
small multiples	小型グラフを並列	8 群以上の比較	重ね描き不要
ヒートマップ	行列を色で表示	N軸 × M 群	色階で量を表現
スパイダーチャート (派生)	レーダーの別称	同上	名称違いだけ
3D 散布図	3 軸を立体配置	3 軸限定	軸数が制限

補講のまとめ: 多軸プロファイル可視化は手法が複数あり、用途に応じて選ぶ。レーダー、平行座標、 small multiples、ヒートマップは互いに補完関係。報告書では複数を併用して「複眼的に」データを伝えるのが現代的なベストプラクティス。データ可視化、ヒートマップ、棒グラフのページと組み合わせて、可視化の総合判断を行う。

📚 関連グループ教材

この用語の全体像を学ぶには、まず横断的な教材で文脈を掴むのが効率的です：

📚 1変量の可視化 — このカテゴリの全体像を学ぶ
📚 2変量の可視化 — このカテゴリの全体像を学ぶ

🔗 同カテゴリの他用語

散布図ヒストグラムデンドログラム箱ひげ図ヒートマップ回帰直線複合グラフ・2軸グラフ地図上の可視化関係性の可視化リアルタイム可視化誤解を招くグラフ積み上げ棒グラフ折れ線グラフ棒グラフ

🔎 レーダーチャート ── 深掘り解説

レーダーチャート（Radar Chart） は、多次元データ（複数指標）のプロファイル比較に使われる円形グラフ。 3〜8 指標程度の比較に適し、 9 指標以上では認知負荷が急増します。

🔖 キーワード索引（拡張）

レーダーチャートRadar Chartmatplotlibplotlyseaborn可視化データ可視化SSDSE-B都道府県色覚多様性凡例軸ラベルタイトルアクセシビリティ

📐 適用判断式

$$ \text{Area} = \frac{1}{2} \sum_{i=1}^{N} r_i r_{i+1} \sin\left(\frac{2\pi}{N}\right) $$

🧮 他可視化との比較

用途	レーダー適	代替
多指標プロファイル	○	平行座標
時系列比較	×	折れ線
分布の形	×	箱ひげ
相関	×	散布図/ヒートマップ

🐍 Python 実装

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

# matplotlib で 47 都道府県の主要 5 指標をレーダーチャート（東京 vs 沖縄）
import pandas as pd, numpy as np, matplotlib.pyplot as plt
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
cols   = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
metrics = df.set_index('Prefecture')[cols]
metrics.columns = labels
norm = (metrics - metrics.min()) / (metrics.max() - metrics.min())

angles = np.linspace(0, 2 * np.pi, len(cols), endpoint=False).tolist()
angles += angles[:1]
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
for pref in ['東京都', '沖縄県']:
    vals = norm.loc[pref].tolist(); vals += vals[:1]
    ax.plot(angles, vals, label=pref)
    ax.fill(angles, vals, alpha=0.2)
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
ax.legend(loc='upper right'); plt.tight_layout(); plt.savefig('radar.png', dpi=150)

# plotly Express で同様
import plotly.express as px
long = norm.loc[['東京都','沖縄県']].reset_index().melt(id_vars='Prefecture')
long.columns = ['Prefecture','metric','value']
fig = px.line_polar(long, r='value', theta='metric',
                    color='Prefecture', line_close=True)
fig.write_html('radar.html')

# 正規化方法の選択 : min-max vs standardization
from sklearn.preprocessing import StandardScaler
norm2 = pd.DataFrame(StandardScaler().fit_transform(metrics),
                      index=metrics.index, columns=metrics.columns)
print(norm2.loc['東京都'])

📤 実行例（実測）
総人口      4.133569
高齢者人口    3.546191
出生数      4.175951
年平均気温    0.393766
消費支出     1.903387
Name: 東京都, dtype: float64

# レーダーの面積で「指標豊かさ」を比較
areas = []
for pref in metrics.index:
    v = norm.loc[pref].values
    area = 0.5 * np.sum(v * np.roll(v, -1) * np.sin(2*np.pi/len(v)))
    areas.append((pref, area))
top3 = sorted(areas, key=lambda x: -x[1])[:3]
print('面積トップ3:', top3)

📤 実行例（実測）
面積トップ3: [('東京都', np.float64(1.900416902396485)), ('神奈川県', np.float64(0.9831869009179564)), ('埼玉県', np.float64(0.8555851224499562))]

⚠️ 落とし穴（レーダーチャート固有）

❌ 軸の範囲を恣意的に切る

「ゼロ起点でない棒グラフ」のような誤誘導につながります。必ず範囲を明示。

❌ 色を増やしすぎる

5 色を超えると識別が困難になります。グループ化やパターンを併用。

❌ 凡例・タイトル不足

情報の出典・期間・単位を必ず記載。

❌ 印刷・モノクロでの崩壊

デジタル前提のカラーパレットが印刷で識別不能になることがあります。

📚 補足資料 — FAQ／追加コード／背景

FAQハンズオンSSDSE-BPython事例研究データ駆動教育

❓ よくある質問 (FAQ)

レーダーチャートはいつ使うのが最適？

3〜8 程度の指標で対象同士のプロファイル差を一目で比較したい時。

色の選び方は？

色覚多様性を考え viridis、 cividis、 ColorBrewer の colorblind-safe スキームを推奨。

matplotlib と Plotly どちらで描く？

静的論文は matplotlib、探索/ダッシュボードは Plotly。同じデータで両方残すと再利用可。

軸ラベル・凡例の必須情報は？

単位・出典・期間・サンプル数を必ず付ける。

印刷時のサイズは？

図の高さ・幅は 6×4 inch 程度を基本に。 dpi=150 以上で印刷品質。

🧪 SSDSE-B-2026 を使った追加計算例

用途	レーダー	代替	SSDSE 例
プロファイル	○	平行座標	東京vs沖縄
時系列	×	折れ線	高齢化率推移
分布	×	箱ひげ	県別ばらつき
相関	×	散布図	2変数関係
構成比	△	棒/円	年齢構成

🐍 さらにコードを書く

正規化と素データの違い

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
codes  = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
raw = df.set_index('Prefecture')[codes]
raw.columns = labels
print(raw.loc[['東京都', '沖縄県']])          # スケール差で潰れる例
norm = (raw - raw.min()) / (raw.max() - raw.min())
print(norm.loc[['東京都', '沖縄県']].round(2))

📤 実行例（実測）
                 総人口    高齢者人口    出生数  年平均気温    消費支出
Prefecture                                         
東京都         14086000  3205000  86348   17.6  341320
沖縄県          1468000   350000  12549   23.8  251222
             総人口  高齢者人口   出生数  年平均気温  消費支出
Prefecture                                
東京都         1.00   1.00  1.00   0.52  0.98
沖縄県         0.07   0.06  0.11   1.00  0.23

対称型レーダーでスコア比較

import numpy as np, matplotlib.pyplot as plt
labels = ['高齢化率','出生率','学校数','医療','製造']
vals_a = [0.9, 0.2, 0.7, 0.8, 0.4]; vals_b = [0.3, 0.8, 0.5, 0.6, 0.9]
angles = np.linspace(0,2*np.pi,len(labels),endpoint=False); angles = np.append(angles, angles[0])
vals_a += vals_a[:1]; vals_b += vals_b[:1]
fig, ax = plt.subplots(subplot_kw=dict(polar=True))
ax.plot(angles, vals_a); ax.plot(angles, vals_b)
ax.set_xticks(angles[:-1]); ax.set_xticklabels(labels)
plt.tight_layout(); plt.savefig('compare.png', dpi=150)

レーダー禁止フラグ : 9 指標以上

1 2	labels = [f'指標{i}' for i in range(10)] if len(labels) > 8: print('WARNING: 8 指標を超えたら平行座標を検討')

📤 実行例（実測）
WARNING: 8 指標を超えたら平行座標を検討

💡 実務的アドバイス

1 図 1 メッセージ。詰め込みすぎない。
キャプションに発見を 1 文で書く。
軸の起点を明示（ゼロでない場合は理由を）。
カラー・形状はカテゴリ間で一貫させる。

🕰 歴史的背景・発展経緯

レーダーチャートは古典的可視化手法の一つで、統計可視化の標準教科書 (Tufte, Cleveland) でも扱われます。

matplotlib (2003-) は MATLAB ライクな API で広く普及。 ggplot2 (R, 2007) で文法 of graphics が確立。 Vega-Lite / Altair (2017) が宣言型表現を Web に持ち込みました。

近年は SVG/Canvas/WebGL の多層実装が普及し、大規模データでもブラウザ可視化が可能に。 GPU 利用の Datashader, deck.gl が研究機関で活躍。

📚 補講 R280-6: レーダーチャートの「歴史」と「他可視化との位置づけ」

レーダーチャート (radar chart / spider chart / star plot / polar chart) は 1877 年に Georg von Mayr が考案し、 1990 年代以降は経営ダッシュボードや KPI レポートで広く普及した。一方、統計学の学術論文ではあまり使われない (情報密度が低いとされる) のが現実。ここでは「レーダーチャートが受け入れられる場面」と「却下される場面」を歴史的・実証的観点から整理する。

▶ 可視化手法の歴史マップ

年代	登場した可視化	代表用途
1786	折れ線グラフ (Playfair)	時系列
1801	円グラフ (Playfair)	構成比
1857	バラの図 (Nightingale)	死因別比較
1877	レーダーチャート (Mayr)	多軸プロファイル
1985	パラレル座標 (Inselberg)	高次元データ
2000s	treemap / sunburst	階層構造

補講のまとめ: レーダーチャートは 150 年近い歴史を持つが、学術論文では情報密度の低さから敬遠される。一方、経営ダッシュボード・パフォーマンスレポート・eスポーツの能力評価などでは強い説得力を持つ。用途を選んで使えば、「形」による直感伝達という独自の価値を発揮する。データ可視化の歴史と原則を理解した上で、場面に応じた使い分けをすること。

📝 補講 R280-5: レーダーチャートの理解度チェック (練習問題)

以下の練習問題を自分で解いてみることで、補講内容の定着度を確認できる。解答例は各問の下に示すが、まず自分で考えてから読むこと。練習問題は実務で頻出するレーダーチャートの設計判断を抽出している。

▶ 練習問題 1: 軸選定の判断

SSDSE-B-2026 から 5 軸を選んで都道府県プロファイルを描くとき、「総人口 A1101」「高齢者人口 A1303」「出生数 A4101」の 3 軸は強相関 (r=0.98-0.99) で実質同じ情報 (=人口規模) を含む。 5 軸プロファイルにするには、人口規模から 1 軸だけ残し、残りを性質の異なる指標 (年平均気温 B4101、消費支出 L3221 など) からどう選ぶべきか? 自分で考えてみよう。

解答例: 人口規模軸 (総人口 A1101)、高齢化軸 (高齢者人口 A1303)、気候軸 (年平均気温 B4101)、消費軸 (消費支出 L3221) のように、互いに相関の低い次元を組み合わせる。総人口と出生数のような「同じ家族のような軸」を避け、「直交する次元」を選ぶことが鉄則。

▶ 練習問題 2: スケール選択の判断

「東京・大阪・愛知の 3 都市プロファイル」を経営会議で見せるとき、絶対スケール (0-全国最大) と Z スコアスケール (-3 〜 +3) のどちらが適切か? 自分で考えてみよう。

解答例: 経営会議で「日本全体の中でこれらの都市の位置」を示すなら絶対スケール。一方「これら 3 都市の差異」を強調したいなら Z スコア。場面によって使い分け、必ず「下限・上限の意味」を凡例で明示すること。

▶ 練習問題 3: 軸数の判断

10 個の KPI を 1 図で表示するよう上司から依頼された。レーダーチャートで描くべきか、別の表現に切り替えるべきか? 自分で考えてみよう。

解答例: 10 軸のレーダーは形が複雑化しすぎ、軸ラベルが重なる。まず KPI を「ビジネス軸 (3 個)」「品質軸 (3 個)」「人材軸 (4 個)」のように 3 グループに分け、各グループ別のレーダーを 3 つ並べる「small multiples」が読みやすい。もしくは平行座標プロットに切り替える。

理解度チェックのまとめ: 軸選定、スケール選択、軸数の 3 つはレーダーチャート設計の核心。これらを「自分で考えて答えられる」「設計判断を言語化できる」状態を目指すこと。

🛡 補講 R280-4: レーダーチャートの「アンチパターン」と修正例

レーダーチャートは表現力が高い反面、「見せたい結論に合わせて軸を選ぶ」「群が 5 個以上で重ねて読めない」「軸の単位が混在」「面積を比較指標として強調しすぎる」など、実務でよく見るアンチパターンが多い。本補講では、 SSDSE-B-2026 を使った 4 つの代表的なアンチパターンを示し、各ケースの修正例を併記する。報告書のレビュー時にチェックリストとして使えるよう、簡潔にまとめた。

▶ 4 つのアンチパターンと修正例

アンチパターン	症状	修正
軸を 10 個並べる	形が複雑、軸ラベルが重なる	5-7 軸に絞る or 平行座標へ
5 群以上を重ね描き	色が混ざり判別不能	3-4 群に絞る or small multiples
単位混在 (人/円/%)	スケールが揃わず比較不能	事前に Min-Max or Z で正規化
面積で総合スコア化	軸順で面積が変わる	面積は補助、主は平均値
負の値を含む軸	中心を超えて反対側へ	Z スコアで対応、凡例で説明

補講のまとめ: レーダーチャートは「設計のチェックリスト」を持って初めて誤読を回避できる。 5-7 軸、 3-4 群、単位を揃える、面積を補助指標とする、の 4 つを常に確認する習慣を持つこと。補完手法として棒グラフ、ヒートマップ、 2 変量可視化を併用すれば、 1 図に依存せず複眼的にデータを伝えられる。

🧭 補講 R280-3: レーダーチャートで「群間差を強調しない」プレゼンの作り方

レーダーチャートは「差を強調するため」によく使われるが、経営層プレゼンや学会発表では逆に「差は小さく、共通点が大きい」ことを示したい場面もある。同じ指標で東京・大阪・愛知の 3 都市を描いても、軸スケール選択次第で「3 都市はほぼ同じプロファイル」 vs 「全く異なる経済構造」のどちらにも見せられる。ここでは「フェアな比較」を達成するための 4 つの設計原則を整理する。

▶ フェアな比較を達成する 4 原則

軸を独立的に選ぶ: 軸間の相関を確認し、 ρ ≥ 0.7 の軸は片方だけにする。 SSDSE-B-2026 の総人口(A1101)と出生数(A4101)は相関 0.995 で、両方入れると東京の「形」が単純に大きくなりすぎる。
正の指標と負の指標を混在させない: 大学等進学率 (高ほど良) と犯罪発生率 (低ほど良) を同じレーダーに乗せると、形の解釈が混乱する。すべて「高ほど良」に変換するか、別チャートに分ける。
軸の順番を固定する: 同じレポート内で 5 図のレーダーを描くなら、軸の順序は常に同じにする。順序を変えると面積が変わり、読者は「何が変わったか」を追えなくなる。
0 を起点にするか明示する: 0-1 のスケールで描いても、内側が空白になっていると「最小値が 0 ではない」と誤読されることがある。グリッドラインに数値を明示することが重要。

▶ 「公平な比較」を実装する SSDSE 例

このコードでやること: 5 つの軸から相関が高い 1 軸を除き、残り 4 軸を「都道府県の中央値」を 0.5 とするスケールで描画。これにより「平均的な県」が中央の正方形、突出する都市は外側に伸びるが、平均からの距離が比較可能になる。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行）
都道府県  A1101(総人口)  A1303(65歳以上人口)  A4101(出生数)  B4101(年平均気温)  L3221(消費支出（二人以上の世帯）)
北海道  5,092,000  1,681,000  24,430  11.0  296,888
東京都  14,086,000  3,205,000  86,348  17.6  341,320
沖縄県  1,468,000  350,000  12,549  23.8  251,222
…（全 47 行）

import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]          # 最新年の 47 都道府県
codes  = ['A1101', 'A1303', 'A4101', 'B4101', 'L3221']
labels = ['総人口', '高齢者人口', '出生数', '年平均気温', '消費支出']
sub = df.set_index('Prefecture')[codes]
sub.columns = labels

# 1) 相関 |r| >= 0.7 のペアを確認 (軸の重複チェック)
corr = sub.corr()
print('|相関| >= 0.7 のペア:')
for i, c1 in enumerate(labels):
    for c2 in labels[i + 1:]:
        r = corr.loc[c1, c2]
        if abs(r) >= 0.7:
            print(f'  {c1} - {c2}: r={r:.3f}')

# 2) 総人口と強相関の軸 (高齢者人口・出生数) を除外し 3 軸に絞る
keep = ['総人口', '年平均気温', '消費支出']

# 3) 中央値=0.5 のスケール (平均的な県が中央に来る)
def median_scale(s):
    med = s.median()
    return ((s - s.min()) / (med - s.min()) * 0.5).clip(upper=1.0)

scaled = sub[keep].apply(median_scale)
print()
print('東京・大阪・愛知の中央値=0.5 スケール:')
print(scaled.loc[['東京都', '大阪府', '愛知県']].round(2))

📤 実行例:

|相関| >= 0.7 のペア: 総人口 - 高齢者人口: r=0.991 総人口 - 出生数: r=0.995 高齢者人口 - 出生数: r=0.980 東京・大阪・愛知の中央値=0.5 スケール: 総人口年平均気温消費支出東京都 1.00 0.52 0.76 大阪府 1.00 0.55 0.31 愛知県 1.00 0.51 0.50

💬 結果の読み方: 総人口・高齢者人口・出生数は相互に r≈0.99 の「同じ家族」の軸。そこで高齢者人口と出生数を外し、総人口・年平均気温・消費支出を独立な軸として残す設計が現実的。中央値スケールでは「3 大都市とも総人口はトップ、消費支出は東京が突出、気温はほぼ横並び」と読める。一方、通常の 0-max スケールだと 3 都市の消費支出の差が見えにくい。設計判断はデータ可視化の原則と、棒グラフ等の補助図表との組み合わせで行うのが鉄則。

補講のまとめ: フェアなレーダーチャート設計は「軸の独立性」「方向の統一」「順序の固定」「起点の明示」の 4 原則。大規模な経営ダッシュボードでは、これらをチェックリスト化して「読み手がどんな印象を受けるか」を必ず事前検証する習慣を持つこと。データ可視化、ヒートマップ、棒グラフを組み合わせて、複数視点でのチェック体制を構築する。

🗺 概念マップ

「radar chart」を中心とした関連概念マップ。

複数の数値変数 (3〜10 程度) を放射状の軸に展開して五角形・六角形などの多角形として表示する図。 SSDSE-B-2026 で 1 つの都道府県を「総人口・高齢者人口・出生数・年平均気温・消費支出」の 5 軸で表示するなどに使う。

レーダーチャートを中心に、 (a) 上位として多変量可視化、 (b) 並列として並行座標プロットとヒートマップ、 (c) 派生として Kiviat 図と都道府県スコアカード、 (d) 前段として軸の正規化、 (e) 後段として軸順序の最適化と重ね描き、 (f) 応用として SSDSE-B-2026 の県別 5 指標プロファイル比較、を配置した。

レーダーチャートは単体で覚えるより、 SSDSE-B-2026 のような実データに対して「前処理 → 適用 → 検証」の流れに組み込んで運用できるようにすることが重要。

🔗 隣接手法への橋渡し

「レーダーチャート」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: データクレンジング・正規化で軸スケールを揃える
並列: 棒グラフ・平行座標・ヒートマップと比較し、 3-7 軸の同時比較に適す
下流: BI ツール・ダッシュボードで意思決定者に提示

SSDSE-B-2026 を題材にしたレーダーチャートの活用は、上流 (取得・整形) と下流 (解釈・可視化) を含めて初めて完結する。

🌳 手法選択フロー

「レーダーチャート」を実際の課題に当てはめるとき、状況別に何を選ぶかを 5 段階で判定する。 ch14 の「上流: 正規化 → 並列: 棒/平行座標 → 下流: BI ツール」の流れに沿って絞り込む。

軸の数は適切か?
- 3-7 軸 → レーダーチャート採用 (本ページ)
- 2 軸のみ → 散布図で十分
- 8-15 軸 → 平行座標プロットへ切り替え
- 16+ 軸 → PCAで次元削減してから描画
軸の単位・スケールは揃っているか?
- 同単位 (例: %, スコア 0-100) → 生値で表示
- 異単位 (総人口・消費支出・年平均気温混在) → 標準化または 0-1 正規化
- 外れ値が大きい → 対数変換後に正規化
比較対象はいくつか?
- 1 個 → 単体プロファイル提示 (個別レポート向け)
- 2-3 個 → 同一図に重ね描き (透明度 0.3-0.5 で重ね合わせ)
- 4-7 個 → small multiples (小グラフ並列) で誤認回避
- 8+ 個 → ヒートマップの方が一覧性高い
軸の並び順に意味があるか?
- カテゴリに自然順がある (時系列・成績順) → その順で配置
- 並び順が任意 → 相関でクラスタリングし、似た軸を隣接配置
- 並び順で印象操作されやすい → 棒グラフ併用で検証
最終出力先は?
- 静的レポート → matplotlib で PNG 出力
- 対話ダッシュボード → BI ツール (Tableau, Power BI) で軸の動的切替
- Web 公開 → Plotly でホバー情報付き、軸クリックでドリルダウン

SSDSE-B-2026 の都道府県で「総人口・高齢者人口・出生数・年平均気温・消費支出」の 5 軸をレーダーで描けば、東京と沖縄の対比が一望できる。ただし各軸ともスケールが大きく異なるため Step 2 で 0-1 正規化が必須、軸を並べる順番 (Step 4) で東京の「いびつな多角形」の印象も変わる。 Step 5 で BI ツール出力にすれば、軸選択を動的に変えて多角的に検討できる。

🎮 触って理解する

下のウィジェットは SSDSE-B-2026（2023年・47都道府県）の実測値 をそのまま軸に取ったレーダーチャートです。指標（軸）と都道府県を選び、正規化の方法を切り替え、軸の並び順をドラッグで入れ替えて、レーダーの「かたち」がどう動くかを体感してください。埋め込んだ数値は捏造ではなく CSV から転記した実測値です（例: 東京都の総人口 14,086,000 人、沖縄県の年平均気温 23.8℃、高知県の降水量 2,783.0mm）。

使用している実測列（SSDSE-B-2026）: 総人口 (A1101・人) / 65歳以上人口 (A1303・人) / 出生数 (A4101・人) / 年平均気温 (B4101・℃) / 降水量・年間 (B4109・mm) / 消費支出・二人以上の世帯 (L3221・円/月)。スケールが桁違いに異なる指標をあえて並べているのは、 正規化しないと同じ土俵に乗らない ことを実感するためです。

① 指標（軸）を選ぶ — 3〜6個

② 都道府県を選ぶ — 重ねて比較（推奨5個まで）

③ 正規化の方法を切り替える

最小最大 (min-max, 0〜1) 偏差値 (平均50・標準偏差10)

④ 軸の並び順を入れ替える — チップをドラッグ（スマホはタッチ）

この操作から掴んでほしいこと

直感 — 形で個性を掴む: 東京都・愛知県は総人口/出生数/消費支出の軸が長く「都市型の尖った星」、沖縄県は気温だけが突出、秋田県は高齢者比率と降水量が張り出す。数表の47行を睨むより、レーダーの「かたち」の違いのほうが地域の個性を一望できます。
落とし穴 — 正規化に形が依存する: 「最小最大」と「偏差値」を切り替えると、 同じ実測値・同じ都道府県なのにレーダーの形も面積も変わります。 min-max は最小の県が軸上で 0（中心）に潰れて差が誇張され、偏差値は平均50を基準に外れ値の効き方が変わります。どちらが正しいということはなく、「正規化の選択が結論を作る」ことを忘れないでください。
落とし穴 — 軸順で面積（印象）が変わる: チップをドラッグして軸を並べ替えると、レジェンドの「面積」の数値が動きます。レーダーの面積 $S=\tfrac12\sin\tfrac{2\pi}{n}\sum_i r_i r_{i+1}$ は 隣り合う軸の積の和 なので、大きい値どうしを隣に置くほど面積が膨らみます。面積を「総合スコア」と読むのは危険です。
落とし穴 — 軸間の尺度差: 総人口（百万人単位）と年平均気温（10℃台）を 生値のまま同じ目盛 に載せると気温軸は潰れて見えません。このウィジェットが必ず正規化を挟んでいるのはそのためです。

発展 — 他の多変量可視化との使い分け

レーダーは 3〜7 軸・2〜4 群までが読みやすさの限界です。 47 県すべてを重ねればスパゲッティ状態になります。軸数が多い・サンプルが多いときは平行座標的な折れ線のように縦線を並べる表現が有利で、 2 変数の関係だけを深掘りするなら散布図、全体の可視化選択の指針はデータ可視化とヒートマップのページを参照してください。なお本教材集には「平行座標プロット」「散布図行列（scatter matrix）」の独立ページはまだ無いため、これらは概念名として押さえておいてください。