DS検定トップ ＞ EDA（探索的データ分析）とは？分析の第一歩を理解する【DS検定】

まず結論

EDA（Exploratory Data Analysis：探索的データ分析）とは、可視化や基本統計量を使ってデータの特徴や傾向を探索するプロセスです。

DS検定では、次のような表現が判断材料になります。

• 分析の前にデータを理解する
• 分布や外れ値を確認する
• 変数同士の関係を見る
• 欠損や入力ミスに気づく

直感的な説明

売上データを分析するとき、いきなり機械学習モデルを作るのではなく、まず次を確認します。

• 売上の分布はどうなっているか
• 異常値はあるか
• 季節変動はあるか
• どの変数が関係しそうか

そのために、ヒストグラム・散布図・箱ひげ図・クロス集計などを使います。

「まずデータをよく見る」のがEDAです。

定義・仕組み

EDAでは主に次の3点を確認します。

データの分布を理解する

ヒストグラムや箱ひげ図などを使い、偏りや外れ値を確認します。

変数同士の関係を確認する

散布図、相関係数、クロス集計などを使い、関係性のヒントを探します。

データ品質を確認する

• 欠損値
• 異常値
• 入力ミス

などを確認します。EDAで見つかった問題が、その後の前処理につながります。

どんな場面で使う？

データ分析の最初

一般的には、データ理解 → EDA → 前処理 → モデル分析のように進めます。

機械学習前の確認

モデルを作る前に、分布・変数関係・外れ値などを把握しておくと、適切な前処理や特徴量設計を考えやすくなります。

ビジネスデータ分析

売上、顧客、行動ログなどのデータでもEDAは使われます。

よくある誤解・混同

❌ EDA = 機械学習モデルの作成

EDAはモデルそのものではなく、データ理解のプロセスです。

❌ EDAと仮説思考は対立する

実務では、仮説を持ちながら探索したり、EDAから新しい仮説を作ったりします。

❌ データ量が多ければEDAは不要

データ量が多くても、分布・欠損・外れ値・関係性の確認は必要です。

まとめ（試験直前用）

• EDA = 探索的データ分析
• 可視化や基本統計量でデータを理解する
• 分布・外れ値・変数関係・データ品質を確認する
• モデル作成そのものではない
• 「分析前にデータを探索する」ならEDA

対応スキル項目（データサイエンス力シート）

• データ理解
• データ前処理
• ★ データの分布や特徴を理解し、適切に可視化・探索できる

🔗 関連記事

• アクセス制御リスト（ACL）とは？ファイル権限の基本を整理【DS検定】
• 中間層で使用される活性化関数とは？（ReLU・シグモイド・ソフトマックスの違い）【DS検定】
• アジャイル開発とは？ウォーターフォール開発との違いを整理【DS検定】
• 分析アプローチ設計とは？（分析プロジェクトを成功させる設計プロセス）【DS検定】
• 必要なデータ・分析手法・可視化を適切に選択する力とは？【DS検定】

---

🏠 DS検定トップに戻る