データサイエンスのワークフロー｜情報Ⅰ 最強120講義 第110講

データサイエンスの工程は「収集 → 前処理 → 分析 → 可視化」の一直線ではありません。問いから始まり、問いに戻る円環です。この講では、国の教員研修用教材が情報Ⅰ・情報Ⅱの両方で工程図の終点を「次の問題解決へ」と書いていることを原文で確かめ、e-Statの国勢調査データで実際に一周してみます。途中で2回、前の工程に戻ります。

こんにちは、数強塾グループ代表の藤原進之介です。本記事は参考書『藤原進之介の最強120講義』第110講のWeb版で、第6部「情報Ⅱへの橋」の2本目にあたります。共通テスト重要度はC──情報Ⅱは出題範囲外だからです。情報Ⅱの全体像は第109講に置きました。本講はその続きで、では実際にどう進めるのかという手順の話です。

1. この講の問い

データサイエンスは、どういう順番で進めるのか。

2. 結論

3. なぜそうなるのか

3-1　国の教材は、工程を「円」として描いている

まず、想像で語らずに原文を見ます。文部科学省の教員研修用教材は、章末に「全体を通じた学習活動の進め方」という節を置き、そこに工程図を載せています。データを扱う章はこの2つです。

どちらも最後の箱が「次の問題解決へ」です。つまり国の教材は、最初から工程を1本の線ではなく輪として描いています。情報Ⅱ側の本文はこう書きます。

そして図のすぐ下に、授業設計の観点として5つが並びます。❶データの収集　❷データの整理・整形　❸データのモデル化・処理・分析・可視化　❹データ処理の検証・評価・改善　❺発展的な学習。

ここで2つの図の差に目を留めてください。情報Ⅰの図にあって情報Ⅱの図に無い箱が1つあります。「分析結果の発表と解釈」です。逆に情報Ⅱの図にあって情報Ⅰに無いのは「モデルの検討」と「検証」。

情報Ⅰは「分析して、人に説明する」までを1周とし、情報Ⅱは「モデルを立てて、その正しさを検証する」までを1周とする。同じ円でも、力点が置かれている場所が違います。（誤解のないように補うと、情報Ⅱで伝達が要らなくなるわけではありません。学習指導要領解説の情報Ⅱ(3)は内容項目のイ(イ)に「解釈・表現を行うこと」を残していますし、次に見る9語の最後は「効果検証」です。図から消えたのは「発表」という教室の活動としての箱であって、伝えるという工程ではありません。）

3-2　工程の語数を数えると、情報Ⅰと情報Ⅱの差が数字で出る

学習指導要領解説 情報編（平成30年7月）の本文も、工程を名詞で並べています。ただし情報Ⅰと情報Ⅱで並ぶ語の数が違います。まず情報Ⅰ (4) イ(ウ)。

4語です。ところが情報Ⅱ (3) の解説にはこう書かれています。

9語。情報Ⅰの4語に対して、情報Ⅱでは「整形」「モデル化」「実行」「効果検証」が足されます。同じ節はさらに、こうも書いています。

「問題を明確にし、分析方針を立て」が先に来ている。データを触る前です。これが本講の芯になります。

なお「分析方針」も「効果検証」も、解説 情報編の共通教科側（第1部）にそれぞれ1件しかなく、その1件が情報Ⅱ(3)です。専門教科側（第2部）には0件。工程を細かく刻んで名前を付けるという発想そのものが、情報Ⅱで初めて明示されます。

3-3　なぜ最初が「問い」でなければならないのか

順番の話に見えて、これは誠実さの話です。

データを先に見てから問いを立てると、何が起きるか。手元のデータには、偶然の凸凹が必ずあります。47個の数字を並べれば、たまたま高い県とたまたま低い県が出る。そこから問いを作れば、その問いは必ず「答えが出る」。なぜなら、答えを見てから問題を作ったからです。

これは相関と因果の講で扱ったたくさん比べれば、どれかは偶然当たるという話と、標本調査で扱った標本の偏りの、実務版の顔です。統計の教科書は「有意水準5%なら20回に1回は偶然当たる」と書きますが、現場でこれが起きる経路はもっと素朴で、データを眺めているうちに、目に付いたものを結論にしてしまうだけです。

だから問いを先に紙に書く。これは倫理の要請ではなく、手続きによる自己防衛です。先に書いておけば、後から「そんなつもりではなかった」と自分に言えなくなる。

情報Ⅱの教材が図の1番目に「問題の発見」を置き、2番目を「データの収集」ではなく「データの収集と問題の明確化」としているのは、たまたまではありません。データを集める作業と、問いを研ぐ作業は、同じ箱に入っています。

3-4　なぜ前処理が最も時間を食うのか

工程の中で、実際にいちばん時間を食うのは分析ではなく整理・整形です。理由は単純で、現実のデータは分析されるために作られていないから。統計は行政の仕事のために設計され、Webのデータは表示のために設計されています。分析はその副産物を借りているにすぎません。

情報Ⅰ 教員研修用教材 第4章の章末も、実習の設計についてこう釘を刺しています。

「眺めただけでは分からない量」を扱えと国が書いている。眺めて分かる量なら、そもそもデータサイエンスは要りません。

前処理の具体的な手口（欠損値・外れ値・ワイドフォーマットとロングフォーマット・重複除去）はデータの整理・整形の講に譲ります。本講で押さえるのは、前処理は工程の中で唯一「戻ってくる先」になるということです。可視化して初めて汚れに気づく。分析して初めて単位のずれに気づく。だから前処理は一度で終わりません。

3-4補　同じものを、情報Ⅰと情報Ⅱは違う名前で呼んでいる

ここで、本書が今回見つけた事実を1つ置きます。記録の無いデータを、一次資料は2つの語で呼び分けています。

当方で2026年8月3日に計数。PDFをテキスト化し、空白と改行を全部除いてから数えた（除かないと「欠損　値」のように語が分断されて少なく出ます）。

見事に分かれています。学習指導要領解説と情報Ⅱの教材は「欠損値」、情報Ⅰの教員研修用教材だけが「欠測値」と書く。同じものです。検索して0件でも「扱っていない」と判断してはいけない、という実例でもあります。

そして情報Ⅰ 教員研修用教材 第4章の「欠測値」の説明は、実は本講の主題に直結します。

前処理でやったことを、結果を出すときに明記せよ。つまり工程は「前処理」で閉じていません。前処理の判断が、最後の伝達までずっと引きずられる。ここが「一直線の図」では絶対に表現できない部分です。

3-5　なぜ「分析して終わり」ではないのか

情報Ⅰの工程図には「分析結果の発表と解釈」という箱がありました。ここが落ちると、工程は成立しません。

理由は身も蓋もない。誰かの判断を変えなければ、分析は何も生んでいないからです。相関係数を出しただけでは世界は1ミリも動かない。動くのは、それを読んだ誰かが「じゃあこうしよう」と決めたときです。だから伝達は工程の外側の付録ではなく、工程そのものの最後の1区画です。

そして解説 情報Ⅱ(3) が9語の最後に置いた語を思い出してください。「効果検証」です。伝えて、相手が動いて、その結果どうなったかを測る。ここまで来て初めて円が閉じ、「次の問題解決へ」に繋がります。

3-6　「PPDAC」「CRISP-DM」を、国が言っていることにしない

私は次の資料を全文テキスト化し、空白と改行を除去したうえで検索しました（2026年8月3日実施）。

• 学習指導要領解説 情報編（第1部＝共通教科／第2部＝専門教科 に分けて計数）
• 情報Ⅰ 教員研修用教材（表紙・序章＋第1〜4章の全分冊）
• 情報Ⅱ 教員研修用教材（序章＋第1〜5章の全7分冊。第3章は前半・後半の2分冊とも）
• 文部科学省「授業・研修用コンテンツ」一覧ページ

高校情報科の一次資料には、この3語はどれも一度も出てきません。「情報ⅡではPPDACサイクルを学びます」と書いてある解説を見かけたら、それは教科書会社か著者の言葉であって、国の文書の言葉ではありません。

ただし「PPDAC」という語自体が怪しいわけではまったくありません。総務省統計局の統計教育サイト「なるほど統計学園」には実在します。同サイトは PPDAC を「Problem（問題）、Plan（調査の計画）、Data（データ）、Analysis（分析）、Conclusion（結論）に分割した考え方」と説明しています。つまり統計教育の系譜には確かに在り、情報科の一次資料には無い、というのが正確な状態です。

私が本講で「一直線ではない」と言うときの根拠は、PPDACでもCRISP-DMでもなく、3-1で見た国の工程図が「次の問題解決へ」で閉じていることです。名前を借りなくても、原典だけで言い切れます。

3-7　一直線の図は、やはり嘘である

入門書はたいてい「収集 → 前処理 → 分析 → 可視化 → 報告」と一直線に描きます。教える側としては、あの図が便利なのは分かる。だがあの図のとおりに進んだ分析を、私は一度も見たことがありません。

実際に起きるのはこうです。

• 可視化して初めて、データの汚れに気づく → 前処理へ戻る
• 分析して初めて、問いが的外れだったと分かる → 問いへ戻る
• 人に説明していて初めて、比べてはいけないものを比べていたと気づく → 収集へ戻る

そして重要なのは、この「戻る」は失敗ではないということです。戻れる工程は正しく動いています。戻らないまま一直線に出てきた結論のほうが、はるかに危ない。国の図が輪になっているのは、そういう意味です。

次の節で、実際に一周してみます。途中で2回、はっきり戻ります。

4. 手で確かめる──小さな問いを立てて、工程を一周する

小さくてよいので、問いから限界の明示まで全部やってみます。使うのは政府統計の一次データだけです。

工程0　問いを立てる（データを見る前に書く）

先に書きました。この時点で私はまだ1バイトもデータを見ていません。指標も先に決めます。東京都の人口が、全国の人口に占める割合（%）の推移を見ます。

工程1　データを取得する

政府統計の総合窓口 e-Stat から、国勢調査の時系列表を取ります。オープンデータの講で扱った窓口そのものです。

• 政府統計名：国勢調査／提供統計名：時系列データ／提供分類：CSV形式による主要時系列データ
• 表番号1「男女別人口－全国，都道府県（大正9年～平成27年）」
• 公開（更新）日：2017-01-30
• 一覧ページ： https://www.e-stat.go.jp/stat-search/files?tclass=000001083104
• 直接ダウンロード： https://www.e-stat.go.jp/stat-search/file-download?statInfId=000031524010&fileKind=1

情報Ⅱの教材が学習12で「インターネット上に掲載されたWebページよりデータを収集する（利用規約を確認してから行う）」と書いているとおり、先に規約を見ます。e-Statの利用規約は政府標準利用規約（第2.0版）に準拠し、CC BY 4.0と互換で、商用利用を含めて自由に利用でき、「出典：政府統計の総合窓口(e-Stat)」の表示と、加工した場合の加工事実の明記を求めています。

工程2　ファイルの素性を確かめる（開く前に、形を見る）

import csv, io, urllib.request
URL = ("https://www.e-stat.go.jp/stat-search/"
       "file-download?statInfId=000031524010&fileKind=1")
raw = urllib.request.urlopen(URL).read().decode("shift_jis")
rows = list(csv.reader(io.StringIO(raw)))
print("行数", len(rows))
print("見出し", rows[0])
print("列数が9でない行", [r for r in rows if len(r) != 9])

出力：

行数 983
見出し ['都道府県コード', '都道府県名', '元号', '和暦（年）', '西暦（年）',
        '注', '人口（総数）', '人口（男）', '人口（女）']
列数が9でない行 [
  ['1)　沖縄県は調査されなかったため，含まれていない。'],
  ['2)　長野県西筑摩群山口村と岐阜県中津川市の境界紛争地域人口（男39人，女34人）は
      全国に含まれているが，長野県及び岐阜県のいずれにも含まれていない。']]

いきなり3つ学べます。

1. 文字コードが Shift-JIS。 UTF-8 のつもりで開くと文字化けします。
2. 最後の2行が脚注で、表のデータではありません。列数が9でない行を探すだけで機械的に見つかります。
3. その脚注2)が、この後で必ず効いてくる警告になっています。

脚注行を落とします。

工程3　可視化して、確認する（1回目）

年ごとに人口が多い上位3つを出してみます。これが最初の「可視化」です。

データ行数 980
調査年の数 20
行数 ÷ 調査年数 = 49.0
（年ごとの人口 上位3件）
1920 [('全国', 55963053), ('東京都', 3699428), ('大阪府', 2587847)]
1970 [('全国', 104665171), ('人口集中地区', 55996885), ('人口集中地区以外の地区', 48668286)]
2015 [('全国', 127094745), ('人口集中地区', 86868176), ('人口集中地区以外の地区', 40226569)]

ここで手が止まります。

1つ目の異変は分かりやすい。「全国」という行が都道府県と同じ表に混ざっています。都道府県別のつもりで最大値を取ると、必ず全国が勝ちます。

2つ目が厄介です。「人口集中地区」「人口集中地区以外の地区」という、都道府県ではない行が混ざっています。これらはファイルの末尾（沖縄県の後ろ）に置かれているので、先頭を眺めただけでは絶対に気づきません。

工程4　★ここで前処理に戻る★

可視化して初めて分かったので、前処理へ戻ります。これが本講で見せたかった往復です。地域の一覧を出します。

地域名の総数 50
  コード00  全国                  1920〜2015  20回
  コード0A  人口集中地区           1970〜2015  10回
  コード0B  人口集中地区以外の地区  1970〜2015  10回

都道府県コードが 01〜47 の行だけを残す、と決められます。1回目の可視化がなければ、この判断はできませんでした。

工程5　★もう一度戻る★──欠損値

都道府県だけにして割合を計算しようとすると、今度は数値変換で落ちます。数値にできないセルを探します。

[('1945', '沖縄県', '-')]

1945年の沖縄県だけが -。空欄ではなくハイフンです。空欄だけを欠損値として扱う処理だと、ここをすり抜けて後段で壊れます。そして脚注1) が「沖縄県は調査されなかったため，含まれていない」と教えてくれていました。脚注を落としたときに、この情報も一緒に落としていた。もう一度戻ります。

工程6　分析する

ここまで来てようやく計算に入ります。東京都の人口 ÷ 全国の人口 × 100。

全20回のうち代表的な年を抜いたもの。全数値は e-Stat の表番号1から直接計算し、別の方法で独立に再計算して一致を確認しています。

工程7　解釈する

問いは「いつからか」でした。答えはこうです。

そしてもう1つ、直感に反する事実が出ます。

東京のシェアのピークは1965年（10.96%）で、2015年（10.63%）はまだそこに届いていません。差は0.32ポイント。「東京一極集中は年々進んでいる」という素朴なイメージとは違い、シェアで見ると1965年をピークに1995年（9.38%）まで30年下がり続け、そこから再び上がっています。「一極集中」という言葉が指しているものは、単調な増加ではなく、下げてから上げ直したV字です。

工程8　限界を明示する（ここまでが工程である）

数字を出したら、その数字で言えないことを書く。これをやらない分析は未完成です。

1. 1945年は例外的な年です。沖縄県が調査されておらず（脚注1）、分母そのものが他の年と揃っていません。この年の 4.84% を他年と同列に並べてはいけない。疎開と戦災の影響も当然大きい。
2. 「全国」は47都道府県の合計と一致しない年があります。1960年は 全国 94,301,623 に対し47都道府県の合計が 94,301,550 で、差は73人。脚注2)の「境界紛争地域人口（男39人，女34人）」＝ 39＋34 ＝ 73 とぴったり一致します。分母をどちらで取るかで数字が変わる（この規模なら結論は動きませんが、動かないことを確認してから採用するのが手続きです）。
3. 国勢調査は「常住地」で数えます。総務省統計局は「住民票などの届出場所に関係なく，10月1日現在，ふだん住んでいる場所」で記入し、「ふだん住んでいる場所」とは「3か月以上住んでいる場所か，3か月以上にわたって住むことになっている場所」と説明しています。つまり東京に毎日通っている人は、東京では数えられません。「東京に人が集まる」を昼間の人の量として捉えたいなら、この指標は答えていません。
4. この時系列表は平成27年（2015年）までです。令和2年・令和7年の国勢調査は別の表を当たる必要があります。一次データにも「いつまでのものか」があります。
5. 都道府県の境界も、市域も、この95年間で変わっています。同じ「東京都」という名前が、同じ範囲を指し続けている保証はありません。

この5行を書けることが、割合を計算できることより価値があります。そして限界を書いた瞬間に「では昼間人口ならどうか」という次の問いが立ち上がる。図の最後の箱、「次の問題解決へ」です。円が閉じました。

5. 共通テストではこう出る

この講は共通テストへの接続がありません。情報Ⅱは出題範囲外です（第109講で一次資料により確認済み）。

ただし、情報Ⅰの第4問（データ分析）が、この工程のどこを切り出したものかは説明できます。しかも推測ではなく、大学入試センター自身の文章で説明できます。

大学入試センターは毎年「問題評価・分析委員会報告書」を公表しており、その中で問題作成部会が出題意図を自分の言葉で書いています。令和8年度『情報Ⅰ』本試験 第4問についてはこうです。

前年の令和7年度も、書き出しは同じ形です。

2年連続で「データ分析を行う学習過程を模して」と書いています。第4問は統計の知識を問う問題ではなく、工程を1周させる問題なのです。同報告書によれば、令和8年度の設問の役割分担はこうなっています。

問1から問4が、そのまま工程の順番です。学会からも「『データ処理』の学習内容を凝縮したような出題である」（情報処理学会）、「数学としてではなく『情報Ⅰ』について別途教科・科目を設置して共通テストを実施する意義を示す問題であった」（日本情報科教育学会）という評価が付いています。

正答率も報告書が公表しています（令和8年度 本試験・第4問）。

• 全体としてはおおむね高め
• オープンデータの特性を問う空欄と、回帰直線を用いた補正日を問う空欄が 5割程度（識別力が高い）
• 箱ひげ図の特性を問う空欄が 5割強
• 補正方法の精度を問う空欄が 3割弱と非常に低い

読み取り方ははっきりしています。落とすのは「計算」ではなく「評価」です。補正方法の精度、つまり「その処理をやって本当に良くなったのか」を判断する設問が、群を抜いて取れていない。工程の最後、円が閉じる直前が最大の弱点になっています。

なお令和7年度は、正答率が2割台と非常に低かったのが問1（尺度水準）と問3（指標化のための変換）でした。年によって落ちる場所は違いますが、どちらも工程のどこかであることは変わりません。尺度水準はデータの種類と尺度、回帰直線は回帰直線の講で扱っています。

6. 情報Ⅱではこうなる──第111〜120講の予告と、工程の地図

本講そのものが情報Ⅱの話なので、このブロックは第6部の残りの予告に充てます。

情報Ⅱ 教員研修用教材 第3章の学習11〜18が、3-1で見た工程図のどこに当たるかを対応させると、これから扱う手法の位置が一目で分かります。

この表の読み方が大事です。重回帰・主成分分析・クラスタリング・ニューラルネットは、ばらばらの手法ではなく、全部が❸という同じ1つの箱の中身です。工程全体から見れば、あれだけ難しそうな手法群が占めているのは5つの箱のうち1つにすぎません。

そして教材は❹について、章末でこう書いています。

手法を1つ選んで終わりではなく、複数作って比べるのが情報Ⅱの標準です。情報Ⅰの「回帰直線を1本引く」との最大の差はここにあります。語数で見ても、評価のための語は情報Ⅱ側にしかありません。

解説 第1部＝共通教科側のみ（専門教科側は別に数えています）。当方で2026年8月3日に計数。

第111講以降を、本講の工程図に重ねるとこうなります。

• 第111講（匿名加工とデータ利活用）＝ ❶収集の手前、そもそも使ってよいのかの判断
• 第112〜115講（重回帰・主成分分析・クラスタリング・ニューラルネット）＝ ❸の中身
• 第116講（計算量）＝ ❸を実行できるかどうかの制約条件
• 第117講（システム開発）＝ この工程全体を繰り返し回る仕組みにする話
• 第118講（DB設計とSQL）＝ ❶と❷の土台
• 第119講（コンテンツ制作と効果測定）＝ 別の円（情報Ⅱ第2章）だが、やはり円である
• 第120講（情報Ⅱと進路）＝ ❺

まとめ

• 国の教員研修用教材は、情報Ⅰ・情報Ⅱの両方で工程図の最後を「次の問題解決へ」と書いている。最初から円である
• 解説の工程の語は、情報Ⅰが4語（収集・整理・分析・結果の表現）、情報Ⅱが9語（＋整形・モデル化・実行・効果検証）
• 問いを先に立てるのは、自分を騙さないための手続き。データを見てから問いを作ると、答えは必ず出てしまう
• 「PPDAC」「CRISP-DM」「ワークフロー」は高校情報科の一次資料に0件。PPDACは総務省統計局の統計教育サイトの語である。主語を分けて書くこと
• 記録の無いデータを、情報Ⅰ教材だけが「欠測値」、解説と情報Ⅱ教材は「欠損値」と呼ぶ。0件でも「扱っていない」とは限らない
• e-Statの国勢調査時系列表で一周してみると、可視化して初めて「人口集中地区」の行に気づき、前処理へ戻る。戻るのが正常である
• 共通テスト『情報Ⅰ』第4問は、大学入試センター自身が2年連続で「データ分析を行う学習過程を模して」と書いている
• 令和8年度 第4問で最も取れていないのは「補正方法の精度」＝評価の工程（正答率3割弱）

基礎からの積み上げは第40講 基数変換から、シリーズ全体は『藤原進之介の最強120講義』目次およびカテゴリ一覧から読めます。

出典（すべて2026年8月3日に取得）

• 文部科学省「高等学校学習指導要領（平成30年告示）解説 情報編」平成30年7月 https://www.mext.go.jp/content/1407073_11_1_2.pdf
• 文部科学省「高等学校情報科『情報Ⅱ』教員研修用教材（本編）」令和2年3月発行 https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/mext_00742.html
• 文部科学省「高等学校情報科『情報Ⅰ』教員研修用教材」令和2年 https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/1416756.htm
• 文部科学省「情報教育の充実（授業・研修用コンテンツ）」 https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/mext_01832.html
• 大学入試センター「令和8年度大学入学共通テスト 問題評価・分析委員会報告書『情報Ⅰ』」 https://www.dnc.ac.jp/albums/abm.php?d=2151&f=abm00017684.pdf
• 大学入試センター「令和7年度大学入学共通テスト 問題評価・分析委員会報告書」 https://www.dnc.ac.jp/kyotsu/hyouka/r7_hyouka/index.html
• 総務省統計局・e-Stat「国勢調査 時系列データ 表番号1 男女別人口－全国，都道府県（大正9年～平成27年）」公開（更新）日 2017-01-30 https://www.e-stat.go.jp/stat-search/files?tclass=000001083104
• 総務省統計局「平成27年国勢調査の基本に関するQ&A（回答）3．調査の対象と場所」 https://www.stat.go.jp/data/kokusei/qa-4.html
• 総務省統計局「なるほど統計学園 12 問題の解決」 https://www.stat.go.jp/naruhodo/12_ppdac/index.html
• e-Stat「利用規約」 https://www.e-stat.go.jp/terms-of-use