付録 A — 練習用データ

本書の練習やプロジェクト演習で使えるデータを紹介する．本書で配布するデータを 表 A.1 に示す．初めてデータ分析に取り組む場合は，アヤメやペンギンのデータから始めるとよい．興味のあるデータを選び，表やグラフを使って特徴を調べてみよう．

表 A.1: 本書で配布するデータ

データ	内容
アヤメ	がく片と花弁の大きさ，種類
ペンギン	体の大きさ，種類，性別など
さくら	各地の開花日と満開日
SSDSE	人口，家計消費，生活時間などの地域別統計
ポケモン GO	進化前後の CP や HP など
MLB	チームごとの年間の勝敗，得点，失点，本塁打など
タイタニック号	乗客の客室の等級，性別，年齢，生存の有無など
ワイン	成分の測定値，種類
乳がん	細胞核の大きさや形，診断結果
カリフォルニアの住宅価格	地域ごとの所得，住宅の築年数，住宅価格など

A.1 使い方

A.1.1 ファイルを読み込む

本書で配布するデータは，各節のリンクからダウンロードできる．Colab で使う場合は，チャプター 4 と同じ手順でアップロードしてから読み込む．

アップロードの代わりに，URL を指定して直接読み込むこともできる（セクション 4.10.1）．例えば，セクション A.2.1 の iris.csv は，次のように読み込める．

import pandas as pd

url = "https://zi-ang-liu.github.io/data-science-book/download/iris.csv"
iris = pd.read_csv(url)
iris.head()

A.1.2 出典を書く

レポートや発表資料でデータを使うときは，データの出典を書くこと．出典には，データ名，作成者，入手先の URL を含める．各データの出典は，以下の各節に示す．

A.2 本書で配布するデータ

以下では，各データの内容，分析の例，読み込み方を説明する．各節のコードを実行すると，データの先頭の 5 行が表示される．

A.2.1 アヤメのデータ

3 種類のアヤメについて，がく片と花弁の長さ・幅を測定したデータである．1 行が一つの花に対応し，各種類 50 件ずつ，合計 150 件のデータがある．

がく片や花弁の長さ・幅について，種類別に平均値や中央値などの代表値を比較できる．また，がく片や花弁の大きさから種類を予測する分類の練習にも使える．

• iris.csv：150 行 5 列．

各列の内容を 表 A.2 に示す．

表 A.2: アヤメのデータの列

列名	内容
sepal_length_cm	がく片の長さ（cm）
sepal_width_cm	がく片の幅（cm）
petal_length_cm	花弁の長さ（cm）
petal_width_cm	花弁の幅（cm）
species	種類（setosa，versicolor，virginica）

import pandas as pd

iris = pd.read_csv("iris.csv")
iris.head()

	sepal_length_cm	sepal_width_cm	petal_length_cm	petal_width_cm	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

出典：scikit-learn，Iris データセット．load_iris() で読み込めるデータを CSV 形式に変換し，種類を表す番号を種類名に置き換えた．

A.2.2 ペンギンのデータ

南極のパーマー諸島で 2007〜2009 年に調査された 3 種類・計 344 羽のペンギンについて，体の大きさなどを記録したデータである．1 行が 1 羽のペンギンに対応する．

種類別の体重の代表値や散布度の比較に利用できる．読み込みから分布や相関の分析までの具体例は，チャプター 11 で扱う．また，ひれの長さを説明変数，体重を目的変数とする回帰分析にも使える．

• penguins.csv：344 行 8 列．

各列の内容を 表 A.3 に示す．

表 A.3: ペンギンのデータの列

列名	内容
species	種類（Adelie：アデリーペンギン，Chinstrap：ヒゲペンギン，Gentoo：ジェンツーペンギン）
island	島（Biscoe，Dream，Torgersen）
bill_length_mm	くちばしの長さ（mm）
bill_depth_mm	くちばしの厚さ（mm）
flipper_length_mm	ひれの長さ（mm）
body_mass_g	体重（g）
sex	性別（male，female）
year	調査年

種類ごとの羽数は，Adelie が 152 羽，Gentoo が 124 羽，Chinstrap が 68 羽である．欠損値は NA と表記されており，pd.read_csv() で読み込むと欠損値として扱われる．

penguins = pd.read_csv("penguins.csv")
penguins.head()

	species	island	bill_length_mm	bill_depth_mm	flipper_length_mm	body_mass_g	sex	year
0	Adelie	Torgersen	39.1	18.7	181.0	3750.0	male	2007
1	Adelie	Torgersen	39.5	17.4	186.0	3800.0	female	2007
2	Adelie	Torgersen	40.3	18.0	195.0	3250.0	female	2007
3	Adelie	Torgersen	NaN	NaN	NaN	NaN	NaN	2007
4	Adelie	Torgersen	36.7	19.3	193.0	3450.0	female	2007

出典：Horst, Hill and Gorman (2020)，palmerpenguins（CC0）．元のデータは Gorman, Williams and Fraser (2014) による．

A.2.3 さくらの開花日と満開日

気象庁が 1953〜2025 年に全国 102 地点で観測したさくらの開花日と満開日のデータである．1 行が一つの地点の 1 年分の記録に対応する．

地点別の開花時期の比較や，開花日の年次推移の可視化に利用できる．東京の開花日と 3 月の平均気温を組み合わせた分析は，チャプター 10 で扱う．

• sakura.csv：6,291 行 6 列．

各列の内容を 表 A.4 に示す．

表 A.4: さくらのデータの列

列名	内容
station_id	地点番号（東京は 47662）
station	地点名
year	年
species	観測したさくらの種類
bloom	開花日
full_bloom	満開日

sakura = pd.read_csv("sakura.csv")
sakura.head()

	station_id	station	year	species	bloom	full_bloom
0	47401	稚内	1953	エゾヤマザクラ	1953-05-21	1953-05-30
1	47401	稚内	1954	エゾヤマザクラ	1954-05-17	1954-05-27
2	47401	稚内	1955	エゾヤマザクラ	1955-05-17	1955-05-23
3	47401	稚内	1956	エゾヤマザクラ	1956-05-12	1956-05-14
4	47401	稚内	1957	エゾヤマザクラ	1957-05-18	1957-05-22

ノート利用上の注意

• 開花日は標本木で 5〜6 輪以上の花が開いた最初の日，満開日は標本木で約 80% 以上の花が咲いた最初の日である．
• 多くの地点ではソメイヨシノを観測しているが，北海道や奄美・沖縄の一部の地点では，エゾヤマザクラ，チシマザクラ，ヒカンザクラを観測している．
• ヒカンザクラが前年の 12 月に開花した場合も，翌年の行に記録されている．例えば，石垣島の 1968 年の行には，開花日として 1967-12-19 が記録されている．
• 開花日と満開日のどちらも観測されなかった年の行は含まれていない．一方だけが観測された年は，もう一方が欠損値となっている．2021 年以降のデータがあるのは 58 地点である．

出典：気象庁，生物季節観測累年値を加工して作成．地点ごと・年ごとに 1 行にまとめ，統計に使用しない値は除いた．

A.2.4 教育用標準データセット（SSDSE）

SSDSE は，独立行政法人統計センターがデータサイエンス教育のために作成したデータである．人口，経済，教育，医療などの公的統計を，地域別の表にまとめている．1 行が表す地域や年などの単位は，ファイルによって異なる．

各統計項目の代表値や散布度の計算，項目間の相関分析や回帰分析に利用できる．表 A.5 の 6 種類のファイルを配布する． SSDSE-A の人口を使った分析例は，チャプター 9 で扱う．

表 A.5: 配布する SSDSE のファイル

ファイル	内容	行	項目数	header
SSDSE-A-2026.csv	市区町村別の統計	1,741 市区町村	125	2
SSDSE-B-2026.csv	都道府県別の統計の推移（2012〜2023 年度）	47 都道府県 × 12 年度	109	1
SSDSE-C-2026.csv	県庁所在市別の品目別年間支出金額（2023〜2025 年の平均，円）	全国と 47 市	226	1
SSDSE-D-2023.csv	都道府県別・男女別の活動と生活時間（2021 年）	全国と 47 都道府県 × 3	121	1
SSDSE-E-2026.csv	都道府県別のさまざまな分野の統計	全国と 47 都道府県	93	2
SSDSE-F-2023v3.csv	県庁所在市別の気候の平年値（1991〜2020 年）	47 市 × 13	42	1

SSDSE-D の「× 3」は総数・男・女の 3 行を，SSDSE-F の「× 13」は各月および年間の値に対応する 13 行を表す．

SSDSE-D には，野球，サッカー，テニスなどのスポーツについて，10 歳以上の人のうち過去 1 年間にそのスポーツをした人の割合（行動者率，%）も収録されている．例えば，野球の行動者率が都道府県や男女によってどう違うかを調べられる．

いずれのファイルも，文字コードは cp932 である（セクション 4.10.2）．また，先頭の数行に項目コードなどが入っている．項目名が書かれている行の番号（0 から数える）を，pd.read_csv() の header 引数に指定する．表 A.5 の header 列に，指定する値を示している．例えば，SSDSE-A は次のように読み込める．

ssdse_a = pd.read_csv("SSDSE-A-2026.csv", encoding="cp932", header=2)
ssdse_a.head()

	地域コード	都道府県	市区町村	総人口	総人口（男）	総人口（女）	日本人人口	日本人人口（男）	日本人人口（女）	15歳未満人口	...	小売店数	飲食店数	大型小売店数	一般病院数	一般診療所数	歯科診療所数	医師数	歯科医師数	薬剤師数	保育所等数（基本票）
0	R01100	北海道	札幌市	1973395	918682	1054713	1933094	897727	1035367	215366	...	10370	7354	348	172	1433	1183	6977	2115	5561	297
1	R01202	北海道	函館市	251084	113965	137119	248208	112718	135490	23560	...	2163	1256	41	26	197	121	825	183	696	25
2	R01203	北海道	小樽市	111299	50136	61163	109971	49441	60530	9169	...	1097	616	17	11	76	74	290	102	331	21
3	R01204	北海道	旭川市	329306	152108	177198	325287	150318	174969	34691	...	2409	1503	67	33	225	170	1339	254	853	55
4	R01205	北海道	室蘭市	82383	40390	41993	81658	39960	41698	7769	...	621	447	13	6	50	39	260	53	201	10

5 rows × 128 columns

各項目の単位や調査年については，統計センターの SSDSE のページにある収録項目の一覧を参照すること．

出典：独立行政法人統計センター，教育用標準データセット（SSDSE）．2026 年 10 月 7 日に取得したファイルを，そのまま配布している．

A.2.5 ポケモン GO の進化データ

スマートフォン向けのゲーム「ポケモン GO」で 75 匹のポケモンを進化させ，進化の前後の値を記録したデータである．1 行が 1 匹のポケモンの進化前後の記録に対応する．CP（Combat Power）は，バトルでの強さの目安となる値である．

進化前の CP を説明変数，進化後の CP を目的変数とする単回帰分析に利用できる．

• pokemon_go.csv：75 行 27 列．

はじめは，表 A.6 の列に注目するとよい．

表 A.6: ポケモン GO のデータの主な列

列名	内容
species	進化前の種類
cp	進化前の CP
cp_new	進化後の CP

pokemon_go = pd.read_csv("pokemon_go.csv")
pokemon_go.head()

	name	species	cp	hp	weight	height	power_up_stardust	power_up_candy	attack_weak	attack_weak_type	...	height_new	power_up_stardust_new	power_up_candy_new	attack_weak_new	attack_weak_type_new	attack_weak_value_new	attack_strong_new	attack_strong_type_new	attack_strong_value_new	notes
0	Pidgey1	Pidgey	384	56	2.31	0.34	2500	2	Tackle	Normal	...	1.24	2500	2	Steel Wing	Steel	15	Air Cutter	Flying	30	NaN
1	Pidgey2	Pidgey	366	54	1.67	0.29	2500	2	Quick Attack	Normal	...	1.05	2500	2	Wing Attack	Flying	9	Air Cutter	Flying	30	NaN
2	Pidgey3	Pidgey	353	55	1.94	0.30	3000	3	Quick Attack	Normal	...	1.11	3000	3	Wing Attack	Flying	9	Air Cutter	Flying	30	NaN
3	Pidgey4	Pidgey	338	51	1.73	0.31	3000	3	Tackle	Normal	...	1.12	3000	3	Steel Wing	Steel	15	Air Cutter	Flying	30	NaN
4	Pidgey5	Pidgey	242	45	1.44	0.27	1900	2	Quick Attack	Normal	...	0.98	1900	2	Wing Attack	Flying	9	Twister	Dragon	25	NaN

5 rows × 27 columns

出典：OpenIntro，Pokémon Go evolutions．OpenIntro が 2016 年に収集したデータである．

A.2.6 MLB のチーム成績

北米のプロ野球リーグであるメジャーリーグベースボール（MLB）について，各チームのシーズンごとの成績をまとめたデータである．1 行が一つのチームの 1 シーズンの成績に対応し，30 チームになった 1998 年から 2025 年までの合計 840 行がある．

好きなチームの勝利数の推移を調べたり，本塁打や盗塁の数が年ごとにどう変わってきたかをグラフで確かめたりできる．また，得点と失点の差（得失点差）を説明変数，勝利数を目的変数とする回帰分析にも使える．

• mlb_teams.csv：840 行 17 列．

各列の内容を 表 A.7 に示す．hits から stolen_bases までは，そのチームの打者の記録である．

表 A.7: MLB のチーム成績のデータの列

列名	内容
year	年
league	リーグ（AL：アメリカン・リーグ，NL：ナショナル・リーグ）
division	地区（E：東地区，C：中地区，W：西地区）
franchise	球団の ID（チーム名が変わっても同じ値）
team	チーム名
games	試合数
wins	勝利数
losses	敗戦数
runs	得点
runs_allowed	失点
hits	安打数
home_runs	本塁打数
walks	四球数
strikeouts	三振数
stolen_bases	盗塁数
era	防御率（9 イニングあたりの自責点）
attendance	本拠地での観客動員数

mlb = pd.read_csv("mlb_teams.csv")
mlb.head()

	year	league	division	franchise	team	games	wins	losses	runs	runs_allowed	hits	home_runs	walks	strikeouts	stolen_bases	era	attendance
0	1998	AL	C	CHW	Chicago White Sox	163	80	82	861	931	1516	198	551	916	127	5.22	1391146
1	1998	AL	C	CLE	Cleveland Indians	162	89	73	850	779	1530	198	630	1061	143	4.44	3467299
2	1998	AL	C	DET	Detroit Tigers	162	65	97	722	863	1494	165	455	1070	122	4.93	1409391
3	1998	AL	C	KCR	Kansas City Royals	161	72	89	714	899	1459	134	475	984	135	5.15	1494875
4	1998	AL	C	MIN	Minnesota Twins	162	70	92	734	818	1499	115	506	915	112	4.75	1165976

ノート利用上の注意

• 2020 年は，新型コロナウイルス感染症の影響で試合数が 60 試合（2 チームは 58 試合）に減り，観客を入れずに行われた．そのため，2020 年の attendance は 0 である．2021 年も入場者数が制限されたので，attendance が少ない．
• 引き分けの試合があった年は，games が wins と losses の和より大きい．勝率は wins / (wins + losses) で求める．
• チーム名が変わった球団がある．例えば，franchise が WSN の球団は，2004 年まではモントリオール・エクスポズ，2005 年からはワシントン・ナショナルズである．同じ球団の推移を調べるときは，team ではなく franchise を使うとよい．

出典：SABR，Lahman Baseball Database．2026 年 10 月 17 日に取得した 1871〜2025 年版の Teams.csv から，1998 年以降の行と一部の列を取り出し，列名を変えて作成した．元のデータは © 1996-2025 SABR（Sean Lahman の寄贈による）であり，CC BY-SA 3.0 で公開されている．このファイルも CC BY-SA 3.0 で配布する．選手ごとの打撃や投手の成績も，出典のページからダウンロードできる．

A.2.7 タイタニック号の乗客のデータ

1912 年に沈没した客船タイタニック号の乗客について，客室の等級，性別，年齢，生存の有無などを記録したデータである．1 行が 1 人の乗客に対応し，合計 1,309 人のデータがある．乗員は含まれていない．

性別や客室の等級ごとに，生存率を比較できる．また，年齢や運賃などから生存の有無を予測する分類の練習にも使える．

• titanic.csv：1,309 行 14 列．

各列の内容を 表 A.8 に示す．

表 A.8: タイタニック号のデータの列

列名	内容
pclass	客室の等級（1：1 等，2：2 等，3：3 等）
survived	生存の有無（0：死亡，1：生存）
name	名前
sex	性別（male，female）
age	年齢（歳）
sibsp	一緒に乗船した兄弟姉妹と配偶者の人数
parch	一緒に乗船した親と子の人数
ticket	乗船券の番号
fare	運賃（ポンド）
cabin	客室の番号
embarked	乗船した港（C：シェルブール，Q：クイーンズタウン，S：サウサンプトン）
boat	乗った救命ボートの番号
body	遺体の識別番号
home.dest	居住地と目的地

生存者は 500 人，死亡者は 809 人である．欠損値は空欄になっており，pd.read_csv() で読み込むと欠損値として扱われる．例えば，263 人の age が欠損値である．

titanic = pd.read_csv("titanic.csv")
titanic.head()

	pclass	survived	name	sex	age	sibsp	parch	ticket	fare	cabin	embarked	boat	body	home.dest
0	1	1	Allen, Miss. Elisabeth Walton	female	29.00	0	0	24160	211.3375	B5	S	2	NaN	St Louis, MO
1	1	1	Allison, Master. Hudson Trevor	male	0.92	1	2	113781	151.5500	C22 C26	S	11	NaN	Montreal, PQ / Chesterville, ON
2	1	0	Allison, Miss. Helen Loraine	female	2.00	1	2	113781	151.5500	C22 C26	S	NaN	NaN	Montreal, PQ / Chesterville, ON
3	1	0	Allison, Mr. Hudson Joshua Creighton	male	30.00	1	2	113781	151.5500	C22 C26	S	NaN	135.0	Montreal, PQ / Chesterville, ON
4	1	0	Allison, Mrs. Hudson J C (Bessie Waldo Daniels)	female	25.00	1	2	113781	151.5500	C22 C26	S	NaN	NaN	Montreal, PQ / Chesterville, ON

ノート利用上の注意

• boat が記録されている 486 人のうち 477 人が生存し，body が記録されている 121 人は全員が死亡している．この 2 列から生存の有無がほぼ分かってしまうので，生存の有無を予測するときは説明変数に使わないこと．
• 1 歳未満の乳児の年齢は，0.92 のような小数で表されている．また，推定された年齢は，30.5 のように小数点以下が 5 になっている．

出典：Vanderbilt 大学生物統計学科，titanic3．Thomas Cason が Encyclopedia Titanica をもとに作成したデータである．2026 年 10 月 17 日に取得したファイルを，名前を titanic.csv に変えて配布している．提供元が求める表記は「Data obtained from http://hbiostat.org/data courtesy of the Vanderbilt University Department of Biostatistics.」である．

A.2.8 ワインのデータ

ワインの成分と種類を記録したデータである．1 行が一つのワインの試料に対応し，イタリアの同じ地域で造られた 3 種類のワイン，合計 178 件のデータがある．

種類別に，成分の代表値を比較できる．また，アルコールやマグネシウムなどの測定値から，ワインの種類を予測する分類の練習にも使える．

• wine.csv：178 行 14 列．

各列の内容を 表 A.9 に示す．各成分の単位は，出典に示されていない．

表 A.9: ワインのデータの列

列名	内容
alcohol	アルコール
malic_acid	リンゴ酸
ash	灰分
alcalinity_of_ash	灰分のアルカリ度
magnesium	マグネシウム
total_phenols	総フェノール
flavanoids	フラボノイド
nonflavanoid_phenols	非フラボノイドフェノール
proanthocyanins	プロアントシアニン
color_intensity	色の濃さ
hue	色相
od280_od315_of_diluted_wines	希釈したワインの吸光度の比（OD280/OD315）
proline	プロリン
class	種類（0，1，2）

class の 0，1，2 が 3 種類のワインを表し，それぞれ 59 件，71 件，48 件である．

wine = pd.read_csv("wine.csv")
wine.head()

	alcohol	malic_acid	ash	alcalinity_of_ash	magnesium	total_phenols	flavanoids	nonflavanoid_phenols	proanthocyanins	color_intensity	hue	od280_od315_of_diluted_wines	proline	class
0	14.23	1.71	2.43	15.6	127	2.80	3.06	0.28	2.29	5.64	1.04	3.92	1065	0
1	13.20	1.78	2.14	11.2	100	2.65	2.76	0.26	1.28	4.38	1.05	3.40	1050	0
2	13.16	2.36	2.67	18.6	101	2.80	3.24	0.30	2.81	5.68	1.03	3.17	1185	0
3	14.37	1.95	2.50	16.8	113	3.85	3.49	0.24	2.18	7.80	0.86	3.45	1480	0
4	13.24	2.59	2.87	21.0	118	2.80	2.69	0.39	1.82	4.32	1.04	2.93	735	0

出典：scikit-learn，Wine recognition dataset．load_wine() で読み込めるデータを CSV 形式に変換した．

A.2.9 乳がんの診断データ

乳房のしこりから採取した細胞の画像をもとに，細胞核の大きさや形などを数値化したデータである．1 行に一つの検体の情報がまとめられており，合計 569 件のデータがある．

悪性と良性で，細胞核の大きさなどの代表値を比較できる．また，これらの特徴から，しこりが悪性か良性かを予測する分類の練習にも使える．

• breast_cancer.csv：569 行 31 列．

画像に写っている細胞核ごとに，半径や面積などの 10 種類の特徴を測っている．各特徴について，画像ごとに平均，標準誤差，大きい方から 3 個の値の平均を求め，30 列にまとめている．各列の内容を 表 A.10 に示す．

表 A.10: 乳がんのデータの特徴を表す列

特徴	平均	標準誤差	大きい 3 個の平均
半径（中心から輪郭上の点までの距離の平均）	mean_radius	radius_error	worst_radius
テクスチャ（グレースケールの値の標準偏差）	mean_texture	texture_error	worst_texture
周の長さ	mean_perimeter	perimeter_error	worst_perimeter
面積	mean_area	area_error	worst_area
滑らかさ（半径の長さの局所的な変動）	mean_smoothness	smoothness_error	worst_smoothness
コンパクトさ（周の長さの 2 乗 ÷ 面積 − 1）	mean_compactness	compactness_error	worst_compactness
輪郭のくぼみの深さ	mean_concavity	concavity_error	worst_concavity
輪郭のくぼみの数	mean_concave_points	concave_points_error	worst_concave_points
対称性	mean_symmetry	symmetry_error	worst_symmetry
フラクタル次元	mean_fractal_dimension	fractal_dimension_error	worst_fractal_dimension

最後の列の diagnosis は，診断結果（malignant：悪性，benign：良性）を表す．悪性は 212 件，良性は 357 件である．

cancer = pd.read_csv("breast_cancer.csv")
cancer.head()

	mean_radius	mean_texture	mean_perimeter	mean_area	mean_smoothness	mean_compactness	mean_concavity	mean_concave_points	mean_symmetry	mean_fractal_dimension	...	worst_texture	worst_perimeter	worst_area	worst_smoothness	worst_compactness	worst_concavity	worst_concave_points	worst_symmetry	worst_fractal_dimension	diagnosis
0	17.99	10.38	122.80	1001.0	0.11840	0.27760	0.3001	0.14710	0.2419	0.07871	...	17.33	184.60	2019.0	0.1622	0.6656	0.7119	0.2654	0.4601	0.11890	malignant
1	20.57	17.77	132.90	1326.0	0.08474	0.07864	0.0869	0.07017	0.1812	0.05667	...	23.41	158.80	1956.0	0.1238	0.1866	0.2416	0.1860	0.2750	0.08902	malignant
2	19.69	21.25	130.00	1203.0	0.10960	0.15990	0.1974	0.12790	0.2069	0.05999	...	25.53	152.50	1709.0	0.1444	0.4245	0.4504	0.2430	0.3613	0.08758	malignant
3	11.42	20.38	77.58	386.1	0.14250	0.28390	0.2414	0.10520	0.2597	0.09744	...	26.50	98.87	567.7	0.2098	0.8663	0.6869	0.2575	0.6638	0.17300	malignant
4	20.29	14.34	135.10	1297.0	0.10030	0.13280	0.1980	0.10430	0.1809	0.05883	...	16.67	152.20	1575.0	0.1374	0.2050	0.4000	0.1625	0.2364	0.07678	malignant

5 rows × 31 columns

出典：scikit-learn，Breast cancer Wisconsin (diagnostic) dataset．load_breast_cancer() で読み込めるデータを CSV 形式に変換し，診断結果を表す番号を malignant と benign に置き換えた．

A.2.10 カリフォルニアの住宅価格のデータ

1990 年の米国の国勢調査をもとに，カリフォルニア州の地域ごとに，所得や住宅の築年数などをまとめたデータである．1 行が一つの地域に対応し，合計 20,640 件のデータがある．地域は国勢調査の集計の単位であり，多くは人口 600〜3,000 人程度である．

地域の特徴から，住宅価格の中央値を予測する回帰分析の練習に使える．また，経度を横軸，緯度を縦軸にとって散布図を描くと，各地域の位置を地図のように表示できる．

• california_housing.csv：20,640 行 9 列．

各列の内容を 表 A.11 に示す．

表 A.11: カリフォルニアの住宅価格のデータの列

列名	内容
MedInc	所得の中央値
HouseAge	住宅の築年数の中央値（年）
AveRooms	1 世帯あたりの平均の部屋数
AveBedrms	1 世帯あたりの平均の寝室数
Population	人口
AveOccup	1 世帯あたりの平均の人数
Latitude	緯度
Longitude	経度
MedHouseVal	住宅価格の中央値（10 万ドル）

housing = pd.read_csv("california_housing.csv")
housing.head()

	MedInc	HouseAge	AveRooms	AveBedrms	Population	AveOccup	Latitude	Longitude	MedHouseVal
0	8.3252	41	6.984127	1.023810	322	2.555556	37.88	-122.23	4.526
1	8.3014	21	6.238137	0.971880	2401	2.109842	37.86	-122.22	3.585
2	7.2574	52	8.288136	1.073446	496	2.802260	37.85	-122.24	3.521
3	5.6431	52	5.817352	1.073059	558	2.547945	37.85	-122.25	3.413
4	3.8462	52	6.281853	1.081081	565	2.181467	37.85	-122.25	3.422

ノート利用上の注意

• MedHouseVal の最大値は 5.00001 であり，965 件の地域がちょうどこの値になっている．所得と住宅価格の散布図を描くと，この値のところに点が横一列に並ぶ．
• AveRooms と AveBedrms は 1 世帯あたりの値なので，世帯が少なく空き家の多い別荘地などでは，非常に大きな値になることがある．

出典：scikit-learn，California Housing dataset．fetch_california_housing() で読み込めるデータを CSV 形式に変換した．