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】
# EDA（探索的データ分析）とは？
## まず結論
**EDA（Exploratory Data Analysis：探索的データ分析）**とは、
**データの特徴や傾向を理解するために、可視化や基本統計量を使ってデータを探索する分析プロセス**です。
DS検定では、
- 分析の前にデータを理解する
- 異常値や分布を確認する
といった **「分析前のデータ理解の重要性」**を判断させる問題として登場します。
## 直感的な説明
例えば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、
まず次のようなことを確認します。
- 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
などを使って **データを観察します。**
この
**「まずデータをよく見る」**
というプロセスが **EDA（探索的データ分析）**です。
## 定義・仕組み
EDAは主に次の目的で行われます。
### データの分布を理解する
データがどのような形で分布しているかを確認します。
例
- ヒストグラム
- 箱ひげ図
これにより
- 偏り
- 外れ値
などを発見できます。
### 変数同士の関係を確認する
変数の関係を可視化します。
例
- 散布図
- 相関係数
- クロス集計
これにより
**関係性のヒント**を見つけます。
### データ品質を確認する
EDAでは
- 欠損値
- 異常値
- 入力ミス
などの問題も確認します。
この作業は **データ前処理の重要なステップ**です。
## どんな場面で使う？
### データ分析の最初のステップ
データ分析では
**EDA → モデル分析**
という順序で進めることが一般的です。
### 機械学習前のデータ理解
機械学習モデルを作る前に
- 分布
- 変数関係
- 外れ値
などを理解しておく必要があります。
### ビジネスデータ分析
企業では
- 売上データ
- 顧客データ
- 行動ログ
などの分析で EDA が使われます。
## よくある誤解・混同
### EDA = 機械学習？
❌ EDAはモデル作成ではない
EDAは
**データ理解のプロセス**
です。
### 仮説が不要？
❌ 仮説とEDAは対立しない
実際の分析では
- 仮説思考
- EDA
を組み合わせて使います。
### データが多ければEDAは不要？
❌ データ量とEDAは関係ない
むしろデータ量が多いほど
**データ理解が重要になります。**
### DS検定のひっかけ
DS検定では
- 「機械学習の前にデータを探索する」
- 「可視化でデータの特徴を理解する」
と書かれていた場合
**EDA（探索的データ分析）**
と判断するのがポイントです。
## まとめ（試験直前用）
EDA（探索的データ分析）は
**データの特徴を理解するための分析プロセス**
です。
ポイント
- 分析の最初に行う
- 分布・関係・外れ値を確認
- 可視化を多用する
DS検定では
**「分析前にデータを探索するプロセス」**
と書かれていたら
**EDA**
と判断できることが重要です。
## 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