データの中心傾向・ばらつき・四分位数を計算し、外れ値も自動で検出します。
平均値はすべてのデータを足し合わせて個数で割った値で、最もよく使われる代表値です。ただし極端に大きい・小さい値があると、その影響を強く受けてしまう弱点があります。中央値はデータを小さい順に並べたときにちょうど真ん中に来る値で、外れ値の影響をほとんど受けないため、より安定した中心の目安になります。たとえば1, 2, 3, 4, 100というデータの平均値は22ですが、中央値は3であり、こちらの方が実際のデータの様子を素直に表しているといえます。
分散は、それぞれのデータが平均値からどれだけ離れているかを数値化したものです。標準偏差は分散の平方根にあたり、元のデータと同じ単位で表されるため直感的に理解しやすいという特徴があります。標準偏差が大きいほどデータは平均値の周りに広く散らばっており、小さいほど平均値の近くに集まっていることを意味します。金融の世界では値動きの大きさ(ボラティリティ)を、品質管理では製品のばらつきの少なさを測る指標として使われています。
四分位数は、データを小さい順に並べたうえで4等分する境目の値です。小さい方からQ1(25%地点)、Q2(50%地点、つまり中央値)、Q3(75%地点)と呼びます。IQR(四分位範囲)はQ3からQ1を引いた値で、データ全体のうち中央の50%がどれくらいの範囲に収まっているかを表します。IQRは外れ値を見つける手がかりとしてもよく使われ、Q1 − 1.5×IQRを下回る値やQ3 + 1.5×IQRを上回る値は、外れ値の候補とみなされます。
外れ値とは、他のデータと比べて明らかに大きく離れた値のことで、測定ミスや何らかの特殊な出来事の結果として現れることがあります。最もよく使われる検出方法が、いわゆる1.5×IQRルールです。Q1 − 1.5×IQRより小さい値、またはQ3 + 1.5×IQRより大きい値を外れ値と判断します。外れ値を洗い出すことで、データの質を見直すきっかけになったり、思いがけない傾向に気づけたりします。
ヒストグラムは、データをいくつかの区間(ビン)に区切り、各区間に含まれるデータの個数を棒の高さで表したグラフです。データが正規分布に近いのか、左右どちらかに偏っているのか、尖った形なのかといった分布の特徴を一目で把握できます。左右対称の釣鐘型であれば正規分布に近く、片側に伸びた形であれば歪んだ分布であることを示しています。ヒストグラムを見れば、最も頻度の高い区間や全体的な傾向、外れ値の存在にも気づきやすくなります。
箱ひげ図は、最小値・Q1・中央値(Q2)・Q3・最大値という5つの統計量を、ひとつの図の中にまとめて表現したものです。箱の部分がIQR(Q1からQ3まで)を、箱の中の線が中央値を、そして箱から伸びる「ひげ」が通常の範囲を示します。ひげの外側にある点は外れ値として描かれます。複数のグループのデータを並べて比較したり、分布の左右対称性を確認したりする際に非常に役立つ図です。