これまで、単一の特徴量の分布の様子を視覚的に捉える方法として「ヒストグラム」と「箱ひげ図」を取り上げ、スプレッドシート上での描画方法を解説してきました。
データの分布の性質として最も基本的な要素は「分布の位置」と「分布のばらつき方」で、前者は「平均値」、後者は「標準偏差」により把握します。それ以外にも、分布の最大値や最小値はデータに処理のミスなどによる予期せぬ「外れ値」があるかどうかをチェックするのに有用ですし、そもそもデータのサイズすなわち「標本数」も特に大規模なデータを扱う場合には把握しておく必要があります。
上記のような指標は「基本統計量」と呼ばれており、Excelでは前回説明した手順に従って「分析ツール」アドインをインストールしてあれば、基本統計量一覧表を簡単に表示させることができます。Googleスプレッドシートでも前回説明した"XLMiner Analysis Toolpak"アドオンがインストールされていれば同様に表示可能です。
【Excelによる基本統計量の出力】
- （アドイン追加後）画面上側のメニューから「データ」→「データ分析」→「基本統計量」を選択してOKボタンを押す
- 基本統計量の設定画面で、「入力範囲」の右側の四角の中にデータのセル範囲をセル番地で指定する。この時複数のデータ列を指定することもできる（例：C1:D48）。あるいは、入力範囲指定の右側のアイコンをクリックし、（ラベルを含む）データ列をドラッグして指定する
- 「データ方向」は、各特徴量が列に対応している（通常はこちら）場合は「列」を選択し、その逆の場合は「行」を選択する。データの先頭がラベルになっている場合は「先頭行をラベルとして使用」にチェックを入れる
- 「出力先」の右側の四角の中に結果の表の出力先セルの番地（左上隅になるところ）を指定する
- 「統計情報」か「平均の信頼区間の出力」「k番目に大きな値」「k番目に小さな値」のいずれかのオプションをオンにする
- 「OK」ボタンを押す。基本統計量の表が表示される。複数の列を指定した場合は列ごとに表示される
- （アドオン追加後）画面上側のメニューから「アドオン」→「XLMiner Analysis Toolpak」→「Start」を選択する
- 「Descriptive Statistics」をクリックして設定画面を開き、「Input Range」の右側の四角の中にデータのセル範囲をセル番地で指定する。この時複数のデータ列を指定することもできる（例：C1:D48）
- 「Group By」は、各特徴量が列に対応している（通常はこちら）場合は「Columns」を選択し、その逆の場合は「Rows」を選択する。データの先頭がラベルになっている場合は「Labels in First Row」にチェックを入れる
- 「Output Ragnge」の右側の四角の中に結果の表の出力先セルの番地（左上隅になるところ）を指定する
- 「OK」ボタンを押す。基本統計量の表が表示される。複数の列を指定した場合は列ごとに表示される
