👁️ 直感 — 最頻値は「ピークの位置」

ヒストグラムを描いたとき、 最も高いバーに対応する値が最頻値です。 47都道府県の家計食料費（2023年・ SSDSE-B-2026）を例に見ます。

オレンジ色の階級（74.4〜77.8千円）が11都道府県を含み、 最も多い → これが最頻階級。 連続データではビンの設定によって変わるので、 中点を取って「最頻階級の代表値」とする慣習があります。

💡 平均は「重心」、 中央値は「順位の真ん中」、 そして最頻値は「分布のピーク」。 同じデータに対する3つの代表値はそれぞれ違う側面を見ています。

🧮 計算ステップ — カテゴリと数値の両方

1️⃣ カテゴリデータの最頻値（最も簡単）

例：あるアンケートで「好きな果物」を集計：

最頻値 = バナナ（最大頻度42）。 カテゴリ変数では最頻値が唯一意味のある代表値です（平均・中央値は計算できない）。

2️⃣ 離散数値データの最頻値

例：あるクラスの兄弟姉妹の数：

[0, 1, 1, 1, 2, 2, 3, 0, 1, 2, 1, 4]

頻度をカウント：

• 0人: 2回
• 1人: 5回 ← 最頻値
• 2人: 3回
• 3人: 1回
• 4人: 1回

最頻値 = 1。 兄弟姉妹が1人いる人が最も多いという意味。

3️⃣ 連続データの最頻値（階級分け）

連続データではまったく同じ値が複数あることは稀。 そこで「階級（ビン）に分けて、 最も件数の多い階級の中点を最頻値とする」のが伝統的手法。

1. データを階級（ビン）に分ける（ビン数は √n や Sturges, Scott, FD ルールなど）
2. 各階級の頻度（件数）を数える
3. 最も件数が多い階級が「最頻階級」
4. 最頻階級の中点を最頻値とする（または下記の補正式）

4️⃣ 補正式（より精緻な推定）

King の公式：

$$ \text{Mode} \approx L + \frac{f_1 - f_0}{(f_1 - f_0) + (f_1 - f_2)} \cdot h $$

• L：最頻階級の下限
• f_1：最頻階級の頻度
• f_0：直前階級の頻度
• f_2：直後階級の頻度
• h：階級幅

隣接階級の頻度比から、 階級内の「どこに山があるか」を推定します。

📐 数式と読み方

① 離散分布での最頻値

確率質量関数 p(x) について：

$$ \text{Mode} = \arg\max_{x} p(x) $$

読み方：「ピー オブ エックス を最大化する エックス」。 つまり「確率が最大になる値」。

② 連続分布での最頻値

確率密度関数 f(x) について：

$$ \text{Mode} = \arg\max_{x} f(x) $$

「密度関数のピーク（極大点）の位置」。 微分してゼロになる点（停留点）の中で最大値を取る点。

③ 代表値の3者関係（経験則）

歪んだ単峰分布で次の関係が成立することが多い（Pearson の経験式）：

$$ \text{Mean} - \text{Mode} \approx 3 (\text{Mean} - \text{Median}) $$

これを使えば、 中央値と平均から最頻値を概算できます。

🔢 単峰性・ 二峰性 — 集団の混在を診断

最頻値の数（モード数）は、 データに何種類の集団が混ざっているかのヒント。

分布の形状

• 単峰性 (unimodal)：山が1つ。 ピンポイント1集団
• 二峰性 (bimodal)：山が2つ → 2集団が混在している可能性（例：男女、 新旧モデル）
• 多峰性 (multimodal)：山が3つ以上 → 複数集団
• 一様 (uniform)：山がない → 最頻値が定まらない

二峰性を見つけたら、 「何が2集団に分けているのか」を探りましょう。 別変数で層別すると因果のヒントが見えます。

📊 3つの代表値の位置関係 — 分布の歪みを診断

平均・ 中央値・ 最頻値の並び方から、 分布の歪み（skewness）が分かります。

「平均が中央値より大きい」と気づいたら、 右に歪んだ分布 → 外れ値の影響を疑う、 が基本的な診断手順。

🎯 KDE（カーネル密度推定）で最頻値を推定

連続データでは、 ヒストグラムのビン幅で最頻値が変わってしまう問題があります。 そこでKDE（kernel density estimation）で滑らかに密度を推定し、 そのピークを最頻値とします。

KDE の数式

$$ \hat{f}(x) = \frac{1}{n h} \sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right) $$

• K：カーネル関数（通常はガウス関数）
• h：バンド幅（平滑化の強さ）
• n：データ数

各データ点を中心とした小さな山（カーネル）を足し合わせて、 滑らかな密度関数を作る方法。 ヒストグラムを連続化したような図になります。

Python での KDE

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import numpy as np
from scipy import stats

data = df['食料費'].dropna().values
kde = stats.gaussian_kde(data)

# 細かいグリッドで密度を計算
xx = np.linspace(data.min(), data.max(), 1000)
density = kde(xx)

# 最頻値 = 密度がピークの位置
mode_estimate = xx[np.argmax(density)]
print(f'KDE最頻値: {mode_estimate:.2f}')

🐍 Python での計算

scipy.stats — 基本の最頻値

1
2
3
4
5
6
7
8

from scipy import stats

# 整数データ
arr = [1, 2, 2, 3, 3, 3, 4, 5]
result = stats.mode(arr, keepdims=False)
print(f'最頻値: {result.mode}, 頻度: {result.count}')  # 3, 3

# 連続データ → 階級分けが必要

pandas — value_counts で頻度

1
2
3
4
5
6
7
8

import pandas as pd

# カテゴリデータの最頻値
df['果物'].mode()    # Series で最頻値（複数あれば複数返す）
df['果物'].value_counts().head()  # 上位5位の頻度

# 全列の最頻値
df.mode().iloc[0]    # 各列の1番目の最頻値

statistics — 標準ライブラリ

1
2
3
4
5
6
7

import statistics

# 単一最頻値（同率なら最初のもの）
statistics.mode([1, 2, 2, 3, 3, 3, 4])  # 3

# 複数最頻値（同率全部）
statistics.multimode([1, 2, 2, 3, 3, 4])  # [2, 3]

連続データの最頻値（KDE）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
from scipy import stats

def continuous_mode(data, grid_size=1000):
    kde = stats.gaussian_kde(data)
    xx = np.linspace(data.min(), data.max(), grid_size)
    density = kde(xx)
    return xx[np.argmax(density)]

mode_est = continuous_mode(df['食料費'].dropna().values)
print(f'連続データの最頻値（KDE）: {mode_est:.2f}')

🤖 機械学習での最頻値

① 欠損値の補完（mode imputation）

カテゴリ変数の欠損は、 最頻値で埋めるのが王道：

1
2
3
4
5

from sklearn.impute import SimpleImputer

# カテゴリ列の最頻値補完
imputer = SimpleImputer(strategy='most_frequent')
X_imputed = imputer.fit_transform(X_categorical)

② 分類問題のベースライン

「全部 majority class（最頻クラス）と予測する」分類器は、 機械学習モデルが超えるべき最低限のベースライン。 sklearn.dummy.DummyClassifier(strategy='most_frequent')。

③ 決定木の葉ノード予測

分類木では、 各葉ノードの最頻クラスを予測値とします。 回帰木の「平均」に対応。

④ アンサンブル投票

ランダムフォレストなどのアンサンブルで分類するとき、 複数の木の予測の最頻値（majority vote）を最終予測とします。

⑤ k-NN分類

k近傍法では、 周囲 k 個のラベルの最頻値を予測クラスとします。

🚧 最頻値の落とし穴

1️⃣ ビン幅で最頻値が変わる

連続データの最頻値は、 階級幅次第で値が変わる。 KDE を使うか、 複数のビン設定で比較しましょう。

2️⃣ サンプルサイズが小さいと不安定

n=10 のデータでは、 偶然一致した値が「最頻値」になりがち。 n が大きくないと信頼できません。

3️⃣ 最頻値が複数あるとき（多峰性）

複数のピークがある分布で1つだけ最頻値と呼ぶのは誤解の元。 「2つのモードがある」と素直に書きましょう。 集団が混在している可能性を疑う。

4️⃣ カテゴリ変数では平均・中央値が使えない

逆に、 名義尺度（性別、 職業）では最頻値が唯一の代表値。 順序尺度なら中央値も使える。 間隔・比例尺度なら平均も。

5️⃣ 一様分布では意味がない

すべての値が等頻度なら、 最頻値は定義できない（または全部）。 ヒストグラムを描いて分布の形を確認してから使う。

🌳 3つの代表値の使い分けフロー

1. データの尺度は？
   • 名義（性別、 国） → 最頻値のみ
   • 順序（5段階評価） → 中央値・最頻値
   • 間隔・比例（温度、 身長） → 3つ全部
2. 目的は？
   • 「典型的な人」「ピークの値」 → 最頻値
   • 「中位の人」 → 中央値
   • 「合計が意味を持つ計算」 → 平均
3. 分布の形を診断したい → 3つ全部を併記して、 並び方から歪み・多峰性を読み取る

📜 最頻値の歴史

• Karl Pearson（1895）：「mode」という用語を提唱。 「最も頻繁な値」の意味で導入
• ピアソンの経験式：歪んだ分布における「Mean − Mode ≈ 3(Mean − Median)」を提案
• カーネル密度推定（1950-60年代）：Rosenblatt（1956）、 Parzen（1962）が KDE を発明し、 連続データの最頻値推定が可能に
• 多峰性検定：Hartigan & Hartigan（1985）の dip test など、 「データが本当に単峰か」を統計的に検定する手法も発展

📖 包括的解説 — この概念を完全マスター

📍 学習の3ステップ

1. 定義を理解する：この概念は何か？ 数式や条件を確認
2. 具体例を見る：実データ（SSDSE 等）で計算してみる
3. 応用する：自分のデータに適用、 結果を解釈

🔧 Python実装パターン

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# 基本パターン
import pandas as pd
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns

# データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')

# 基本統計量
df.describe()

# 可視化
sns.pairplot(df[['食料費', '教育費', '住居費']])
plt.show()

📚 統計概念マップでの位置

このページの上にある3つの概念マップ（関係マップ、 包含マップ、 ツリーマップ）でこの概念の位置づけが視覚的に分かります。 関連手法を辿って学習を進めましょう。

🎯 SSDSE-B-2026 で挑戦

統計データ活用コンペティションのSSDSE-B-2026データは、 47都道府県の社会経済データ。 この概念を使って以下のような分析ができます：

• 地域別の特徴抽出
• 家計支出パターンの解析
• 人口動態と社会経済指標の関連
• 気候要因の影響評価

💡 よく使うコマンド集

🚧 一般的な落とし穴と対策

• 外れ値の影響：散布図・ 箱ひげ図で確認、 ロバスト手法も検討
• サンプルサイズ不足：power analysis で事前に確認
• 仮定の違反：正規性、 独立性、 等分散性をチェック
• 多重比較問題：補正（Bonferroni、 FDR）を適用
• p-hacking：事前登録（pre-registration）で防ぐ
• 因果と相関の混同：観察データから因果結論を出さない

📊 結果報告の標準フォーマット

• 点推定：得られた値
• 不確実性：信頼区間または標準誤差
• サンプルサイズ：n を明記
• 効果量：実質的な意義
• p値：統計的有意性
• 仮定の確認：診断プロット

🌐 関連分野での応用

• マーケティング：A/Bテスト、 顧客分析
• 医療：臨床試験、 疫学研究
• 金融：リスク管理、 ポートフォリオ
• 製造：品質管理、 工程最適化
• 公共政策：効果評価、 計画立案
• 研究：仮説検証、 探索的解析

🎓 さらに学ぶための文献

• Wasserman "All of Statistics"
• Hastie, Tibshirani & Friedman "The Elements of Statistical Learning"
• Gelman & Hill "Data Analysis Using Regression"
• VanderPlas "Python Data Science Handbook"

🔗 統計用語ネットワーク

この概念は、 他の多くの統計概念と密接に関連しています。 ジャストインタイム型学習では、 必要に応じて関連用語へジャンプしながら全体像を構築します。

主要な関連概念のグループ

学習順序の推奨

1. 記述統計（平均、 分散、 標準偏差）
2. 可視化（ヒストグラム、 散布図）
3. 確率分布（正規分布）
4. 推測統計（標準誤差、 信頼区間、 p値）
5. 仮説検定（t検定、 χ²検定）
6. 相関と回帰（単回帰、 重回帰）
7. 多変量解析（PCA、 クラスタリング）
8. 機械学習（決定木、 RF、 NN）
9. 時系列・因果推論（応用）

📝 実践練習 — SSDSE-B-2026 で挑戦

初級課題

1. 東北6県の家計食料費の基本統計量を計算
2. 食料費のヒストグラムを描く
3. 食料費と教育費の散布図を描く
4. 都道府県を「東日本/西日本」に分け、 平均を比較

中級課題

1. 家計支出 5項目で相関行列を作成、 ヒートマップ可視化
2. 食料費 → 教育費の単回帰を実行、 残差分析
3. 家計5項目で PCA を実施、 バイプロット表示
4. k-means (k=3) で都道府県をクラスタリング、 解釈

上級課題

1. 地域別の家計パターンに有意差があるか ANOVA で検定
2. 重回帰で教育費を予測、 多重共線性を VIF で確認
3. Ridge/LASSO で正則化、 CV で α を最適化
4. 階層クラスタリングと Ward 法で都道府県を分類、 デンドログラム作成

🧮 SSDSE-B 実値計算例：47都道府県データでの最頻値

SSDSE-B-2026 2023年データには都道府県別の家計支出が連続値として並んでいるので、 各値はほぼ一意で「最頻値」は単純には決まりません。 そこで、 連続値をビニングしてから最頻ビンを求めます。

📊 ステップ1：所得を1000円単位でビニング

最頻ビンは 310-340万円（14県）。 「典型的な都道府県の所得水準」がここに集中。 中央値（320万円付近）と平均（340万円）と最頻ビン（325万円）はやや異なり、 平均が右に引っ張られる「右に裾を引く分布」が示唆されます。

📊 ステップ2：KDE のピーク（連続的な最頻値）

ヒストグラムだとビン幅で答えが変わるので、 カーネル密度推定（KDE）でなめらかな密度関数を作り、 そのピーク位置を「最頻値」とする手法も標準的。 同じデータでバンド幅を変えると：

• 狭いバンド幅（h = 5万円）：ピークが複数（多峰）に分かれる
• 中程度（h = 15万円）：単一ピーク 325万円付近
• 広い（h = 50万円）：滑らかすぎてピークがほぼ平均と一致

バンド幅の選択は探索的。 Silverman の経験則や CV による選択を組み合わせます。

📊 ステップ3：カテゴリ変数の最頻値

SSDSE で「主要産業」のようなカテゴリ列があれば、 value_counts() で最頻カテゴリが分かります。 47県のうち「製造業が最大の産業」「サービス業が最大」など。

⚠️ 最頻値の落とし穴（深掘り版・6件）

🐍 Python 実装バリエーション

① scipy.stats.mode

1
2
3

from scipy import stats
result = stats.mode(df['category'], keepdims=False)
print(result.mode, result.count)

② pandas df.mode()

複数の最頻値があるとき全部返すので、 結果が可変長になる。

1
2

print(df['category'].mode())  # 複数あれば全部
print(df['category'].value_counts().idxmax())  # 最頻値（最初）

③ scikit-learn — SimpleImputer で最頻値補完

1
2
3

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy='most_frequent')
X_filled = imp.fit_transform(X)

④ scipy.stats.gaussian_kde — 連続値の最頻値（KDE ピーク）

1
2
3
4
5

from scipy.stats import gaussian_kde
import numpy as np
kde = gaussian_kde(df['income'])
xs = np.linspace(df['income'].min(), df['income'].max(), 1000)
print("mode_kde=", xs[np.argmax(kde(xs))])

⑤ collections.Counter — Python 標準ライブラリ

1
2
3

from collections import Counter
counter = Counter(df['category'])
print(counter.most_common(3))  # top 3

🔗 関連用語（深掘り版・前提/並列/発展）

📚 前提（4個以上）

• 度数（頻度）：最頻値の前提
• ヒストグラム：最頻ビンの可視化
• カテゴリ変数：最頻値が最も自然な代表値
• 確率：確率質量関数の最大点
• 経験分布：標本からの最頻値推定

🔀 並列（4個以上）

• 中央値：別のロバストな代表値
• 平均値：もう一つの代表値
• 代表値の総合：3つの比較
• トリム平均：頑健な平均
• 幾何平均：成長率に使う

🚀 発展（4個以上）

• カーネル密度推定（KDE）：連続値の最頻値
• 多峰性検定：単峰 vs 多峰の検定
• Mean Shift：データ点を最頻値に収束させるクラスタリング
• MAP 推定：事後分布の最頻値
• 最頻値回帰：平均/中央値の代替
• 欠損値補完：最頻値補完の応用

🗺️ 概念マップ — 3つの視点で体系を理解する

最頻値 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 記述統計 › 中心傾向 › 最頻値

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心の概念から放射状に、 前提・兄弟・発展形・応用先などの関係性を矢印で結びます。 横の繋がりを見るのに最適。 ノードをドラッグ、 ホイールでズーム、 クリックで遷移。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「最頻値」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「最頻値」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 ジャストインタイム学習のヒント：3つの視点を行き来することで、 概念を多角的に理解できます。 包含マップやツリーマップはズーム/ドリルダウンで大分類から細部まで探索できます。