第4章 情報通信ネットワークとデータの活用
データの収集と整理(オープンデータ・データクレンジング・欠損値・外れ値)
分析の前に、データを集めて整える作業があります。オープンデータの使い方、表記揺れや重複を直すデータクレンジング、欠損値・外れ値の見つけ方と扱い方、集計しやすい表の形まで、図と動かせる部品で確かめます。
説明
1. データを集める前に:何を知りたいか
データの分析は、何を明らかにしたいか(問題)から始まります。問題が決まったら、何をどう集めるか計画し、データを集めて整え、分析して結論を出します。結論から次の問題が生まれ、この流れをくり返します(それぞれの頭文字から PPDAC サイクルとも呼ぶ)。
集め方には、アンケートや測定で自分で集める方法と、国や自治体などが公開しているデータを使う方法があります。自分で集めるときは、集め方のかたよりに注意します。例えば「運動部の人だけ」に睡眠時間を聞くと、学校全体の様子とはずれた結果になります。
集め方で結果が変わる

2. オープンデータを使う
国や自治体などが、だれでも使えるように公開しているデータをオープンデータといいます。日本の国の決まりでは、二次利用できる(営利目的でもよい)・機械判読に適する・無償で使えるの3つを満たすものとしています。使うのに申請入りません。
国の統計は「政府統計の総合窓口(e-Stat)」、過去の気温や雨量は気象庁のサイトで、CSV などの形でダウンロードできます。使うときは、利用のルール(ライセンス)を確かめ、多くのルールで求められている出典(どこのデータか)の表示をします。求められていなくても、出典を書いておくのが基本です。
使ったら出典を書く

3. 集めたままのデータは、そのままでは使えない
部活の調査を表にまとめると、図のような問題がよく起こります。「1年」と「1年」、「2年」と「二年」、「サッカー部」と「サッカー」のような表記揺れ、m と cm の単位の違い、同じ人が2回入る重複、空欄、あり得ない値などです。
このままコンピュータで集計すると、「1年」と「1年」は別のものとして数えられてしまいます。集計の前に、表記や単位をそろえ、重複を消し、間違いを直す作業をデータクレンジング(データクリーニングとも呼ぶ)といいます。分析にかかる時間の多くが、この作業だといわれます。
整理のときに気を付けること



集計の前に、表記・単位をそろえ、重複を消し、おかしな値を確かめる。
4. 欠損値:記録がない値の扱い
欠席や答え忘れで、値が入っていない所を欠損値(欠測値とも呼ぶ)といいます。空欄のほか、「−」や、あり得ない数(「999」など)で欠損を表すデータもあるので、データの説明を読んで確かめます。
扱い方は主に3つです。①その人(行)を除いて計算する、②平均値などほかの値で補う、③その項目の計算だけに使わない。やってはいけないのは、空欄を 0 として計算することです。休んだ人が 0点になり、平均が実際より下がります。どの方法で扱ったかは、結果と一緒に書いておきます。
欠損値は 0 ではない。除くか補うかを決めて、そのことを記録する。
5. 外れ値と異常値を見つけて、扱いを決める
ほかの値から大きく離れた値を外れ値といいます。外れ値には、入力ミスや測り間違いによる値(異常値とも呼ぶ)と、珍しいけれど本当の値があります。睡眠時間 75時間は1日の長さを超えるのであり得ず、7.5 の打ち間違いでした。こういう値は確かめて直すか、直せなければ除きます。
10.5時間は離れていますが、本当にあったことなら勝手に消してはいけません。残したうえで、平均値だけでなく中央値も見るなど、影響を考えて分析します。見つけるには、並べかえて最大・最小を見る、グラフ(ドットプロット・箱ひげ図)にするのが早道です。外れ値の目安の計算(四分位範囲の 1.5 倍)は「四分位数と箱ひげ図」の単元で学びます。
6. 集計しやすい表の形に整える
表計算ソフトウェアやプログラムで集計するには、1行に1件、1列に1つの項目の形が一番扱いやすい形です。見た目を整えるためのセルの結合、「165cm」のように単位を値と一緒に書くこと、1つのセルに2つの値を入れること、合計の行をデータの中に入れることは、集計のじゃまになります。
整えたら、並べかえやフィルタで値を確かめます。表計算の COUNT 関数(数の入ったセルを数える)と COUNTA 関数(空でないセルを数える)の結果が違えば、数の列に文字が混ざっていると気づけます。空のセルは COUNTBLANK 関数で数えられます。
7. 比べられる形に変換する・分けて見る
3つの町のごみの量を比べると、B町が一番多くなります。でも、B町は人口も多いので、これでは「ごみを多く出す町」かどうかは分かりません。「1人1日当たり」に変換(t を kg に直し、人口と1年の日数 365 で割る)すると、A町が一番多いと分かります。このように、目的に合わせて値を割合や1人当たりに直すことも、整理の大切な作業です。
また、全体をまとめて見るだけでなく、学年別・男女別のようにグループに分けて(層別して)見ると、全体では見えなかった傾向が見つかることがあります。
量の大きさを比べるときは、人数・人口の違いをそろえてから。
ひとことで言うと集めたデータは、表記をそろえ、欠損値と外れ値を確かめてから集計する。
例題
例題1 欠損値の扱いで平均が変わる
5人の小テスト(10点満点)の結果は 8, 6, (欠席), 7, 9 でした。(1) 欠席の人を除いた平均値と、(2) 欠席を 0点として計算した平均値を求めましょう。どちらが適切ですか。
- (1) 4人で計算します。(8 + 6 + 7 + 9) ÷ 4 = 30 ÷ 4 = 7.5点。
- (2) 5人で計算すると 30 ÷ 5 = 6点。
- 欠席は「0点を取った」のではなく「記録がない」ので、(2) は平均を実際より下げてしまいます。(1) が適切です(「4人の平均」と書き添えます)。
例題2 おかしな値を見つけて扱いを決める
8人の通学時間(分)を集めたら 15, 25, 12, 400, 30, 18, 95, 20 でした。それぞれの扱いを考えましょう。
- 並べかえると 12, 15, 18, 20, 25, 30, 95, 400。大きい方の 95 と 400 が離れています。
- 400分(6時間40分)は通学時間としてはとても長く、打ち間違いの疑いが強いので、本人に確かめます。40分の打ち間違いと分かったら 40 に直します(異常値)。本当に400分なら、値は残します。
- 95分は長いですが、遠くから電車で通う人ならあり得ます。確かめて本当なら残します(外れ値)。平均値が大きく動くので、中央値も合わせて見ます。
練習
さわってみよう
集めたままの CSV を整える
部活の調査で集めたままの CSV です。表で見ると、どこに問題があるでしょうか。学年の「1」を「1」に、「二」を「2」に、部活名は「部」を取って「サッカー」「陸上」などにそろえ、重複した行を消し、1720 を 172 に直してみましょう。空の欄(しま模様)は、0 を入れずにそのまま残します。
おかしな値を直すと、平均値はどう変わる?
10人の睡眠時間です。75 を押して選び「消す」で消してから、7.5 を入力して「この値を足す」で正しい値にしましょう。直す前と後で、平均値と中央値がどれだけ変わるか、表の「前」と比べましょう。10.5 は外れ値ですが、本当の値として残しておきます。
打ち間違いの 75 があると平均値は約 14 時間になり、だれの睡眠時間とも合いません。直すと約 7.2 時間です。中央値は直す前も後も 7 時間で、変わりません。
やってみよう(共通テスト形式)
このサイトで作った問題です(過去の試験問題ではありません)。
保健委員の H さんは、クラスの10人に「昨日の睡眠時間(時間)」をアンケートフォームで答えてもらい、結果を表計算ソフトウェアに読み込んだ。
| 番号 | 睡眠時間 |
|---|---|
| 1 | 6.5 |
| 2 | 7 |
| 3 | 6時間 |
| 4 | |
| 5 | 75 |
| 6 | 8 |
| 7 | 5.5 |
| 8 | 7 |
| 9 | 9 |
| 10 | 6.5 |
H「番号 4 は空欄、番号 5 は 75 になっているね。」
先生「まず、集計できる形に整えるところから始めよう。」
この単元が出た過去問の解説
- 2025年 本試験 第4問 問1尺度の見分け方と、棒グラフ・帯グラフで読めること(空欄ア〜エ)
- 2025年 本試験 第4問 問3人口で割った指標の散布図と、大小が逆転する理由(空欄キ・ク)
- 2025年 追・再試験 第4問 問1相関係数の意味と、相関係数の表(相関行列)の読み方(空欄ア・イ)
- 2025年 追・再試験 第4問 問2散布図行列の読み方と「〜あたり」の指標、相関係数の符号(空欄ウ・エ)
- 2025年 追・再試験 第4問 問3人口密度を加えた散布図行列から仮説を立てる(空欄オ)
- 2026年 本試験 第4問 問1桜の開花日のデータを使う前に(オープンデータ・欠損値・グラフの軸)
- 2026年 本試験 第4問 問2開花推定日と実際の開花日の「差」を読む(符号と絶対値)
- 2026年 追・再試験 第1問 問4アンケートの表をまとめて分析する準備(個人の特定・表の統合・別表)(空欄コ〜シ)
- 2026年 追・再試験 第4問 問2相関係数の表から「言えること」「言えないこと」を見分ける(空欄エ)
- 試作問題 第4問 問1表のデータで「分析できない仮説」を見分ける(表にある項目を確かめる)
- 試作問題 第4問 問5回帰直線の残差と、標準偏差の2倍で決める外れ値
ちょっと寄り道:豆知識・こぼれ話
試験に出るとはかぎりませんが、知っていると情報がもっと面白くなる話です。
地図に点を打って、感染の原因を突き止めた医師
1854年、ロンドンのソーホー地区でコレラが大流行し、わずか数日で多くの人が亡くなりました。当時は、コレラは悪い空気でうつるという考えが主流でしたが、医師ジョン・スノーは以前から、飲み水が原因ではないかと考えていました。スノーは、亡くなった人の家を1軒ずつ訪ねて、どこの井戸の水を飲んでいたかを聞き取り、多くがある井戸のポンプの水を飲んでいたことを確かめて、役所に頼んでポンプの取っ手を外してもらいました。のちに、死者の住所に印を付けた地図にもまとめ、ポンプの周りに死者が集まっている様子を見せました。データを自分の足で集め、見やすい形に整理して示した、早い例です。
参考:J. Snow『On the Mode of Communication of Cholera』第2版 (1855)、UCLA 公衆衛生大学院「John Snow」サイト、Encyclopaedia Britannica「John Snow」
日本で一番大きな調査は、100年以上続いている
日本に住むすべての人と世帯を対象にした国勢調査(こくせいちょうさ)は、1920年(大正9年)10月1日に第1回が行われました。そのときの人口は約5596万人でした。それから、戦争で中止された1945年を除いて、5年ごとに行われています。国勢調査の結果は、国や市町村の計画づくりのほか、だれでも使えるデータとして公開されています。この単元で出てくる政府統計の窓口「e-Stat」でも見ることができます。
参考:総務省統計局「国勢調査のあゆみ」、総務省統計局「国勢調査 時系列データ」
わからなかったら、ここへもどる
- 中学数学「データの活用」(平均値・中央値)準備中
先生・おうちの方へ
つまずきやすい所:①空欄(欠損値)を 0 として計算してしまう。②外れ値を「間違いだから消す」と決めつける(入力ミスなどの異常値と、本当の珍しい値を区別させる)。③表記揺れがあってもコンピュータが同じものとみなすと思っている。④総量のまま比べて、人口などの大きさの違いを考えない。
用語について:参考書・教材によって、「異常値(入力ミスなどあり得ない値)」と「外れ値(大きく離れた値)」を分けるもの、両方をまとめて外れ値と呼ぶものがあります。このページでは、外れ値の中に誤りによるもの(異常値)と本当の値がある、という説明にしました。欠損値は「欠測値」とも呼ばれます。データクレンジングは「データクリーニング」とも呼ばれ、分析の前に行う「前処理」(尺度の変換なども含む)の一部です。
オープンデータの定義:「オープンデータ基本指針」(2017年、高度情報通信ネットワーク社会推進戦略本部・官民データ活用推進戦略会議決定)の3つの条件(営利・非営利を問わず二次利用可能、機械判読に適する、無償)によっています。
共通テストとのつながり:第4問では、オープンデータの性質、欠損値のある行の除外、外れ値を含めた範囲、人口当たりへの変換などが出ています。このページの問題・データ・場面はすべてこのサイトで作ったものです。
学習指導要領:情報Ⅰ (4)ア(ウ) / 参考:高等学校学習指導要領(平成30年告示)解説 情報編 情報Ⅰ (4)ア(ウ)(データの収集、欠損値・外れ値の扱い、整理・変換)、文部科学省「高等学校情報科『情報Ⅰ』教員研修用教材」第4章 学習20・22(オープンデータ、欠測値、層別、変数変換)、オープンデータ基本指針(平成29年5月30日 高度情報通信ネットワーク社会推進戦略本部・官民データ活用推進戦略会議決定)、政府統計の総合窓口(e-Stat)、気象庁「過去の気象データ・ダウンロード」