Irisデータセット

Irisデータセットとは

Irisデータセットは、データサイエンスの世界でもっとも有名なデータセットのひとつです。

統計学に多大な功績を残したロナルド・エイルマー・フィッシャー（Ronald Aylmer Fisher）が論文で使用したデータセットであることから、フィッシャーのIrisデータセット（Fisher’s Iris Dataset）と呼ばれることもあります。

Irisは日本語で「アヤメ」と呼ばれる花です。生物分類として科・属・種がありますが、日本で単に「アヤメ」といった場合は、通常アヤメ科アヤメ属アヤメを指します。^[1]アヤメ科アヤメ属の中で、他に日本で有名な花としては、カキツバタやハナショウブなどがあります。

Irisデータセットでは、アヤメ科アヤメ属の中でsetosa、versicolor、virginicaという3種の花に着目しています。

setosa、versicolor、virginicaは、素人にはほとんど同じような花に見えます。しかしがく片（sepal）の長さ、幅、および花弁（petal）の長さ、幅を測定、分析することによって、それらを区別するための特徴が見えてきます。setosa、versicolor、virginicaそれぞれ、50個体について測定しています。

下記がそのデータセットです。一部を抜き出していますが、全部で150行5列あります。

各列の説明

繰り返しになりますが、各列の説明は下記です。

Irisデータセットの読み込み

Irisデータセットを読み込み、dfという名前の変数に代入します。

Rでは標準的に、irisという名前のデータフレームが用意（プリセット）されています。

df <- iris

Pythonではいくつか方法がありますが、ここではライブラリSeabornから読み込む方法をご紹介します^[2]ライブラリscikit-learnから読み込む方法もあります。。

import seaborn as sns
df = sns.load_dataset('iris')

SeabornのIrisデータセットは、Pandasのデータフレーム（Pandas.DataFrame）として用意されています。Rのデータセットと比べると、列名の大文字が小文字になったり、ピリオド（.）がアンダーバー（_）になったりという若干の差異はあります。

Irisデータセットのデータ型

各列のデータ型（data type）を調べます。

Rでは、str関数^[3]str関数のstrはstring（文字列）ではなく、structure（構造）の略です。を使用します。

str(df)

'data.frame':	150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

Sepal.Length～Sepal.Lengthはnumeric型（数値型）、Speciesはfactor型（因子型）^[4]Rでは、質的変数をcharacter型として扱う方法（流儀）もあります。です。

Pythonでは、Pandas.DataFrameのdtypes属性を確認します。

df.dtypes

sepal_length    float64
sepal_width     float64
petal_length    float64
petal_width     float64
species          object
dtype: object

sepal_length～petal_widthはfloat64型（倍精度浮動小数点型）、speciesはobject型（オブジェクト型）^[5]Pythonでは、質的変数をcategory型として扱う方法（流儀）もあります。です。

Irisデータセットの要約統計量

各列の要約統計量を確認します。

Rでは、summary関数を使用します。

summary(df)

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species  
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100   setosa    :50  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300   versicolor:50  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300   virginica :50  
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199                  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800                  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500       

Sepal.Length～Petal.Widthは中央値（Median）を含む四分位数（1st Qu.、Median、3rd Qu.）と平均値（Mean）、最小値（Min.）、最大値（Max.）が、Speciesは各階級（クラス）の度数が表示されています。

setosa、versicolor、virginicaはそれぞれ、50行ずつあることが確認できます。

Pythonでは、pandas.DataFrameのdescribeメソッドを使用します。

df.describe()

       sepal_length  sepal_width  petal_length  petal_width
count    150.000000   150.000000    150.000000   150.000000
mean       5.843333     3.057333      3.758000     1.199333
std        0.828066     0.435866      1.765298     0.762238
min        4.300000     2.000000      1.000000     0.100000
25%        5.100000     2.800000      1.600000     0.300000
50%        5.800000     3.000000      4.350000     1.300000
75%        6.400000     3.300000      5.100000     1.800000
max        7.900000     4.400000      6.900000     2.500000

sepal_length～petal_widthは中央値（50%）を含む四分位数（25%、50%、75%）と平均値（mean）、標準偏差（std）、最小値（min）、最大値（max）および欠損値を除く個数（count）が表示されています。

Irisデータセットの散布図行列

Irisデータセットの散布図行列（pairplot）^[6]列同士をペアにして、すべてのペアで散布図を並べたもの。を描きます。

Rではいくつか方法がありますが、ここではライブラリGGallyのggpairs関数を使用します。^[7]体裁のためにコードが長くなっていますが、ggpairs(df)だけでデフォルトの散布図行列を、ggpairs(df, mapping = aes(colour = … Continue reading

library(GGally)
# 散布図行列
ggpairs(df,
    columns = 1:4,
    mapping = aes(fill = Species, colour = Species),
    upper = list(continuous = wrap('points', alpha = 0.5)),
    diag = list(continuous = wrap('densityDiag', alpha = 0.5)),
    lower = list(continuous = wrap('points', alpha = 0.5)),
    legend = 2) +
theme(legend.position = 'bottom')

Pythonではいくつか方法がありますが、ここではライブラリSeabornのpairplotメソッドを使用します。^[8]体裁のためにコードが長くなっていますが、sns.pairplot(df)だけでデフォルトの散布図行列を、sns.pairplot(df, hue = … Continue reading

import seaborn as sns
# 散布図行列
g = sns.pairplot(df, hue = 'species')
g._legend.remove()
g.fig.legend(
    handles = g._legend_data.values(),
    labels = g._legend_data.keys(),
    loc = 'lower center', ncol = 3,
    title = 'species')
g.fig.subplots_adjust(bottom = 0.12)

RとPythonどちらの図を見ても同じですが、setosaはPetal.Length（petal_length）またはPetal.Width（petal_width）の1変数だけを使って、容易に判別可能なことがわかります。

versicolorとvirginicaは点が重なっている部分があり、精度100%の分類は難しそうです。しかしPetal.LengthやPetal.Widthの値が大きくなるほど、virginicaの割合が大きくなるという、およその傾向は読み取ることができます。