集計・可視化・基礎統計

データの理解が基礎

⚫︎記述統計

・平均値　　＝　（全データの合計値）/(データ数)

弱点：平均値は極端に大きい値に影響されて、データ全体の中で相対的に大きめの値になってしまう

・中央値　＝

データを小さい順（大きい順）に並べたときに、順位が中央である値のこと。極端な数値の変動の影響を受けにくい

・分散、標準偏差　・・・データのばらつきがどのくらい大きいか、小さいかを判断する

分散・・平均を中心にどのくらいデータがバラついているかを表す統計量

標準偏差・・・√分散

・最大値、最小値

（EXCEL関数）

平均値：Average()

中央値:MEDIAN()

分散:VAR.S()

標準偏差:STDEV.S()

最大値:MAX()

最小値:MIN()

◼️可視化のグラフ

・ヒストグラム　（各棒・・ピン）

・連続変数：値が連続的に変化する変数（売上、個数など）

・カテゴリカル変数：値と値の間に距離がない変数（名前、性別、商品分類など）

（グラフの見方）

・山がいくつあるか？

・外れ値がないか？
・データの中心はどのあたりか？

・データのばらつきはどの程度か？

・棒グラフ　・・・変数の値が独立した集団のデータ、カテゴリカル変数におけるカテゴリ間の値の大小を比較したい

・折れ線グラフ・・・一連のの関連性があり、時間などを通じた推移や変化を表したい場合に使う

・ヒートマップ・・・行列間のデータ特徴を把握。２次元データを色の濃淡で表したもの　（年・月・販売個数の３次元データを２次元空間上に表現可能）

・散布図・・・２つの連続変数の傾向を把握する。相関：ある変数が増加・減少するともう多方の変数もそれに伴い増加・減少するかの関係性を見る

・相関行列（相関係数）・・・変数間の相関関係が一目瞭然

※相関係数が低いからといって関係性が無いわけでは無い！（気温と電気の関係）

⚫︎ピポットテーブル
⚫︎確率分布（正規分布、二項分布、ポアソン分布など）

⚫︎仮説検定（t検定、カイ２上検定など）

⚫︎データの前処理（ダミーの変数、欠損値の補完、外れ値の考慮など）