Pingouin を用いた現代的な EDA パイプラインの構築

# イントロダクション

データサイエンスにそれなりの時間を費やした人なら、遅かれ早かれ何かを学ぶはずです：下流の機械学習モデリングにおける黄金律として知られる「ガベージイン・ガベージアウト」(GIGO) です。

例えば、高度な共線性を持つデータを線形回帰モデルに供給したり、不均一分散に対して分散分析 (ANOVA: Analysis of Variance) テストを実行したりすることは、適切に学習しない非効果的なモデルを作るための完璧なレシピです。

探索的データ分析 (EDA) は、散布図やヒストグラムなどの可視化において多くのことを示唆しますが、下流の分析やモデルに必要な数学的仮説に対してデータを厳密に検証する必要がある場合、それだけでは不十分です。Pingouin は、データサイエンスと統計学の2 つのよく知られたライブラリである SciPy と pandas の間のギャップを埋めることでこれを可能にします。さらに、堅牢で自動化された EDA パイプラインを構築するための素晴らしい味方にもなります。この記事では、重要なデータ特性のいくつかを検証する厳密な統計的 EDA 用の包括的なパイプラインを構築する方法を学びます。

# 初期セットアップ

まず、Python 環境に Pingouin (まだ pandas がインストールされていない場合はそちらも) をインストールすることを確認しましょう：

!pip install pingouin pandas

その後、これらの主要ライブラリをインポートし、データをロードする時間です。例として、ワインの特性とその品質を含むサンプルデータを持つオープンなデータセットを使用します。

import pandas as pd

import pingouin as pg

オープンデータセット GitHub リポジトリからワインデータセットを読み込む

url = "https://raw.githubusercontent.com/gakudo-ai/open-datasets/refs/heads/main/wine-quality-white-and-red.csv"

df = pd.read_csv(url)

特徴を理解するために最初の数行を表示する

df.head()

# 単変量正規性の確認

私たちが実施する特定の探索的解析の第一歩は、単変量正規性（univariate normality）の確認に関するものです。機械学習モデルをトレーニングするための多くの従来のアルゴリズムや、統計検定である分散分析（ANOVA）や t 検定も、連続変数が正規分布、すなわちガウス分布に従うという仮定を必要とします。Pingouin の pg.normality() 関数は、データフレーム全体にわたるシャピロ・ウィルク検定（Shapiro-Wilk test）を通じてこの確認を行うのを助けます:

正規性チェックのための連続変数のサブセットを選択する

features = ['fixed acidity', 'volatile acidity', 'citric acid', 'pH', 'alcohol']

正規性検定を実行する

normality_results = pg.normality(df[features])

print(normality_results)

出力:

W pval normal

固定酸度 0.879789 2.437973e-57 False

揮発性酸度 0.875867 6.255995e-58 False

クエン酸 0.964977 5.262332e-37 False

pH 0.991448 2.204049e-19 False

アルコール 0.953532 2.918847e-41 False

手元にある数値特徴量のいずれも正規性を満たしていないようです。これはデータに何らかの欠陥があるわけではなく、単にそのデータが持つ特性の一部です。私たちが受け取っているメッセージは、探索的データ分析（EDA）を超えた後のデータ前処理ステップにおいて、生データをより「正規分布に近い」形に変換し、正規性を前提とするモデルに適した形にするために、対数変換やボックス・コックス変換などのデータ変換を適用することを検討する必要があるということです。

# 多変量正規性の確認

同様に、特徴量を一つずつ評価するのではなく、特徴量間の相互作用を考慮して正規性を評価することも、 inspect すべき興味深い側面です。例えば、多変量分散分析（MANOVA）のような手法における重要な要件である多変量正規性をどのようにチェックするかを見てみましょう。

Henze-Zirkler 多変量正規性検定

multivariate_normality_results = pg.multivariate_normality(df[features])

print(multivariate_normality_results)

出力:

HZResults(hz=np.float64(23.72107048442373), pval=np.float64(0.0), normal=False)

そして、予想外かもしれませんが、HZResults(hz=np.float64(23.72107048442373), pval=np.float64(0.0), normal=False) のような結果が得られる可能性があります。これは、多変量正規性も成り立たないことを意味します。このデータセットで機械学習モデルを訓練する予定であれば、SVM や線形回帰などのパラメトリックな重みベースのモデルよりも、勾配ブースティングやランダムフォレストのようなノンパラメトリックなツリーベースのモデルの方が、より堅牢な代替手段となり得ます。

# 等分散性の確認

次に、非常に単純な概念に対してややこしい用語が登場します：等分散性（homoscedasticity）**です。これは予測における誤差全体にわたる分散が等しい、あるいは一定であることを指し、信頼性の尺度として解釈されます。この性質をテストするために（申し訳ありませんが、名前を書くのがまた難しいので！）、Pingouin の実装であるレヴェンの検定（Levene's test）を用います。以下のように実行します：

グループ間での等分散性に対するレヴェンの検定

'dv' は目的変数（従属変数）、'group' はカテゴリカル変数です

homoscedasticity_results = pg.homoscedasticity(data=df, dv='alcohol', group='quality')

print(homoscedasticity_results)

結果：

W pval equal_var

levene 66.338684 2.317649e-80 False

再び False が得られたため、いわゆる不均分散性（heteroscedasticity）の問題を抱えていることになります。これは下流の分析において考慮する必要があります。一つの可能な対処法は、回帰モデルを訓練する際に頑健な標準誤差（robust standard errors）を採用することです。

# 球面性の確認

**

分析すべきもう一つの統計的性質は球面性（sphericity）であり、これは可能な条件のすべての対組合せ間の差の分散が等しいかどうかを識別するものです。次元削減のための主成分分析（PCA: Principal Component Analysis）を実行する前にこの性質を検証することが通常望ましく、それは変数間に相関があるかどうかを理解するのに役立ちます。もし相関がない場合、PCA はむしろ役に立たないものになります：

Mauchly の球面性検定

sphericity_results = pg.sphericity(df[features])

print(sphericity_results)

結果：

SpherResults(spher=False, W=np.float64(0.004437706589942777), chi2=np.float64(35184.26583883276), dof=9, pval=np.float64(0.0))

どうやら私たちは非常に不屈で乾燥したデータセットを選んでしまったようです！しかし恐れることはありません。この記事は意図的に EDA（探索的データ分析）プロセスに焦点を当て、このような多くのデータ上の問題を特定するお手伝いをするように設計されています。結局のところ、下流の機械学習分析を行う前にそれらを検出し、どう対処すべきかを知っておくことは、潜在的な欠陥を抱えたモデルを構築するよりもはるかに優れています。この場合、注意すべき点があります：p 値が 0.0 であるため、相関行列が同一（identity）であるという帰無仮説は棄却され、つまり変数間に意味のある相関が存在します。したがって、もし多くの特徴量があり次元削減を行いたいのであれば、PCA を適用することは良い考えかもしれません。

# 多重共線性の確認

最後に、多重共線性を確認します。これは、予測変数間に高い相関があるかどうかを示す性質であり、線形回帰などの解釈可能なモデルでは、ある時点で望ましくない特性となる可能性があります。確認してみましょう。

p 値付きの頑健な相関行列の計算

correlation_matrix = pg.rcorr(df[features], method='pearson')

print(correlation_matrix)

出力された行列:

fixed acidity volatile acidity citric acid pH alcohol

fixed acidity - * * * *

volatile acidity 0.219 - * * **

citric acid 0.324 -0.378 - ***

pH -0.253 0.261 -0.33 - ***

alcohol -0.095 -0.038 -0.01 0.121 -

pandas の corr() メソッドでも同様の計算が可能ですが、Pingouin の対応する関数は、各相関の統計的有意水準をアスタリスクで示します（* は p < 0.05、 は p < 0.01、* は p < 0.001）。相関が統計的に有意であっても、その大きさ自体は小さい場合があります。多重共線性が問題となるのは、相関係数の絶対値が高い場合（通常は 0.8 を超える）です。今回のケースでは、ペアごとの相関のうち危険なほど大きなものはなく、評価された 5 つの特徴量はすべて、さらに分析を進める上で互いに重複せず、それぞれが独自に有用な情報を提供しています。

まとめ

一連の例を一つずつ適用し、説明することで、オープンソースの Python ライブラリである Pingouin の可能性を解き放ち、高度な統計検定や機械学習モデルに基づいてデータ前処理および下流分析においてより良い意思決定を行うための堅牢で現代的な EDA パイプラインを実行する方法を見てきました。これにより、実行すべき適切なアクションと使用するべき適切なモデルを選択できるようになります。

Iván Palomares Carrascosa は、AI、機械学習、ディープラーニング、LLM におけるリーダー、作家、スピーカー、そしてアドバイザーです。彼は、現実世界で AI を活用する方法を他者に指導・訓練しています。