# 因子分析をわかりやすく解説！主成分分析との違いやPythonでの実装方法！

> 当サイト【スタビジ】の本記事では、多変量解析の一種である因子分析について解説していきます！考え方や主成分分析との違いを説明した後、Pythonで実装していきます！

- URL: https://toukei-lab.com/factor-analysis
- 公開: 2023.08.24 / 更新: 2025.06.14
- サイト: スタビジ（https://toukei-lab.com）

:::talk{who="umatan"}
当サイト【スタビジ】の本記事では、多変量解析の一種である因子分析について解説していきます！考え方や主成分分析との違いを説明した後、Pythonで実装していきます！
:::

こんにちは！

データサイエンティストのウマたん([@statistics1012](https://twitter.com/statistics1012?lang=ja))です！

データを分析する際、**以下のような問題に直面することがあるのではないでしょうか？**

:::talk{who="man" side="left"}
変数が多すぎてどんな分析をしたらいいかわからない！
:::

:::talk{who="woman" side="left"}
多量な変数の背後にある根本を探りたい！
:::

そんな時に有用なのが**因子分析。**

<mark>「原因」を探索して理解するための手法</mark>として、マーケティングの現場でもよく用いられる手法なんです！

この記事では、そんな因子分析の特徴とPythonでの実装を見ていきたいと思います。

:::talk{who="umatan"}
因子分析とよく似&#x305F;**「主成分分析」との違い**も見ていくよ！
:::

以下のYoutubeでも解説しているので合わせてチェックしてみてください！

::youtube{#MLtIZL8P-Co}

## 因子分析とは

![Content](/wp-content/uploads/2017/11/Content-amico.png)

因子分析は、<mark>心理学者が人間の心理的能力の把握を試みた</mark>ことに端を発しています。

教師データ（正解データ）がいらない手法であり、手元にあるデータの背後にある**共通因子**を探る解析手法です。

もっと簡単に言うと、**<mark>原因を探索するための解析手法</mark>。**

:::talk{who="robotan"}
原因を探索？？
:::

:::talk{who="umatan"}
例を用いて説明するよ！
:::

良く例として取り上げられるのが学校の成績の例。

生徒それぞれに対して国語・数学・理科・社会の点数が変数として存在する場合を考えてみましょう。

一般的に、これら4つの科目の成績の間には**正の相関**があると考えられます。

**因子分析**では、このように4つの科目間に相関があると考えられる時、<mark>「実は背後には**学力**という共有に作用する潜在的な因子があり、学力とそれぞれの科目に正の相関があるので、4科目間に相関が現れている」</mark>と考えます。

つまり、**学力が高いから成績が良い**という考え方です。

<mark>学力は直接観測することができないため、各科目の成績から学力を探索しようとしているのです。</mark>

![因子分析　概要](/wp-content/uploads/2023/08/factor_analysis_1.jpg)

:::talk{who="robotan"}
なるほど！何かしらの因子が背後に存在するっていう前提で考えていくんだね！
:::

:::talk{who="umatan"}
そういうこと！
:::

## 因子分析のメリット

![Social strategy](/wp-content/uploads/2020/07/Social-strategy-amico.png)

因子分析のメリットは主に2つあります。

### 1. データの構造がわかりやすくなる

因子分析を行うことで、<mark>データの構造がわかりやすくなります。</mark>

以下の図は、学校の成績データに対して因子分析を行った結果を示した図です。

![因子分析　構造](/wp-content/uploads/2023/08/factor_analysis_22.jpg)

先ほどの例で、各科目の背後に存在す&#x308B;**「学力」という共通因子**を探索できると述べましたが、<mark>因子分析ではさらにどのくらい共通しているかを数値で算出することができます。</mark>

数字の絶対値が大きければ大きいほど、強く関係していると解釈することができます。

ま&#x305F;**「e」は独自因子**と呼ばれ、他の変数と共通しない因子を表します。

例えば国語の点数は、**「学力＋独自因子」**&#x306E;2つの因子で構成されていることになります。

このように、因子分析によりデータの構造がわかりやすくなるのです。

### 2. データの解釈が容易になる

因子分析を行うことで、<mark>データを解釈しやすくなります。</mark>

先ほどと同様、学校の成績データを例に考えてみましょう。

以下のように、各生徒ごとに国語・数学・理科・社会の4つの点数が得られているとします。

![因子分析　表](/wp-content/uploads/2023/08/factor_analysis_table12.jpg)

これでもある程度生徒の傾向はわかりますが、少々わかりづらい、、、。

そこでこのデータに対して因子分析を行い、共通因子であ&#x308B;**「学力」**&#x306B;変換すると以下のようになります。

![因子分析　表　変換後](/wp-content/uploads/2023/08/factor_analysis_table2.jpg)

<mark>変数が1つだけとなり、各生徒の学力が一目でわかるようになりました。</mark>

また以下のように、**「理系能力」**&#x3068;**「文系能力」**&#x306E;ような共通因子が得られることもあります。

![因子分析　表](/wp-content/uploads/2023/08/factor_analysis_table3.jpg)

<mark>この2つの値を使えば、以下のように生徒の学力が一目でわかるグラフもすぐに作成できますね！</mark>

![因子分析　グラフ](/wp-content/uploads/2023/08/factor_analysis_graph1.jpg)

## 因子分析の活用例

![Business Plan](/wp-content/uploads/2020/07/Business-Plan-amico-e1613688762889-1024x903.png)

因子分析は**いくつかの変数が観測されているデータ**に対して適用することができます。

ここでは2つの活用例を紹介していきます。

### 1. アンケート結果の分析

よく因子分析が用いられるのが**アンケート結果の分析。**

<mark>主にアンケート回答者のグループ分けを目的として用いられます。</mark>

例えば、消費者の買い物行動についてのアンケートデータが手元にあるとしましょう。

「説明書は必ず読んでから購入する」、「メーカー品の方が安心だ」などの質問項目に対し、1（そう思わない）〜5（そう思う）の点数で答えるような形式です。

このデータに対して因子分析を行うことにより、<mark>消費者の購買行動に関する潜在因子を見つけ出し、それに基づいた消費者のグループ分けを行うことができます。</mark>

さらに分析結果を活用することで、マーケティング戦略の立案などを効率的に行うことができます。

![因子分析　アンケートデータ](/wp-content/uploads/2023/08/factor_analysis_market2.jpg)

### 2. 変数のまとめ

メリットの部分でも紹介したように、因子分析によって**複数の変数をより少ない変数としてまとめることができます。**

もちろん可視化のためにも重宝しますが、<mark>よく使われるのが重回帰分析との組み合わせ。</mark>

重回帰分析にそのまま説明変数を使用するのではなく、<mark>因子分析でまとめた変数を説明変数として使うことがよくあります。</mark>

これにより、モデルの解釈性の向上や多重共線性の回避が期待できます。

:::talk{who="umatan"}
多重共線性についてはこちらをチェック！
:::

<https://toukei-lab.com/multicollinearity>

## 主成分分析との違い

ここで、よく似た分析である**主成分分析**との違いを説明しておきましょう！

:::talk{who="robotan"}
主成分分析ってどんな分析だっけ？？
:::

:::talk{who="umatan"}
忘れてしまった人は以下の記事をチェックだ！
:::

<https://toukei-lab.com/pca>

どちらも「より少ない変数にまとめる」というプロセスを辿りますが、両者の違いはズバリ**分析の目的**です。

<mark>因子分析が各観測変数から共通している部分を探索する分析</mark>であるのに対し、<mark>主成分分析は各観測変数をより少ない変数にまとめる分析</mark>です。

![因子分析　主成分分析　違い](/wp-content/uploads/2023/08/factor_analysis_diff_pca.jpg)

目的に合わせて分析手法を選択していきましょう！

:::box
**・観測変数間の背後に存在する共通因子を見つけたい　→ 因子分析\
・観測変数をより少ない変数にまとめたい　→ 主成分分析**
:::

## Pythonで因子分析をやってみよう

![](/wp-content/uploads/2018/09/goriIMGL9703_TP_V1-e1555747456954.jpg)

ここからは、Pythonで実際に因子分析をやっていきます。

<mark>分析の目的は、共通因子を見つけ出すこと！</mark>

以下の流れで分析を進めていきます。

:::box
**１. ライブラリのインストール\
２. データの準備\
３. 変数の標準化\
４. 因子数の決定\
５. 因子分析の実行\
６. 結果の解釈**
:::

### 1. ライブラリのインストール

今回はfactor_analyzerと呼ばれるライブラリを使用します。

また、分析で使用するモジュール等もここで全てimportしておきます。

```python
pip install factor_analyzer
```

```python
pip install japanize_matplotlib
```

```python
#ライブラリのインストール
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import japanize_matplotlib
from factor_analyzer import FactorAnalyzer
```

### 2. データの準備

データはscikit-learnが提供している**ワインデータ**を使用します。

```python
#データの読み込み
from sklearn import datasets

wine_data = datasets.load_wine(as_frame=True).frame #ワインデータセットの読み込み
df = wine_data.drop('target',axis=1)  #ワインの種類を示す変数を削除
df
```

![因子分析　データセット](/wp-content/uploads/2023/08/factor_analysis_winedata.jpg)

アルコール濃度やリンゴ酸濃度、ワインの種類など計14変数のデータセットとなっています。

なお今回は因子分析によって**共通因子を探ることを目的**としているので、ワインの種類を示す変数は削除しています。

サンプルサイズは178です。

### 3. 変数の標準化

次に、**各変数の単位による影響をなくすため**のデータの標準化を行います。

```python
#データの標準化
df_std = df.apply(lambda x: (x-x.mean())/x.std(), axis=0)
df_std
```

![因子分析　標準化](/wp-content/uploads/2023/08/factor_analysis_wine_std.jpg)

それぞれの変数が標準化されていることがわかります。

### 4. 因子数の決定

続いて、先ほど標準化したデータフレームの相関行列を算出し固有値を求めます。

その後、スクリープロットを描いて**因子数を決定**します。

```python
#相関行列を求める
df_std_corr = df_std.corr()

#固有値を求める
ev = np.linalg.eigvals(df_std_corr)
ev_sorted = sorted(ev,reverse=True)
```

```python
#スクリープロットの描画
#固有値をプロット
plt.plot(ev_sorted, 's-') 

# 軸名を指定
plt.xlabel("因子の数")
plt.ylabel("固有値")

plt.grid()
plt.show()
```

![因子分析　スクリープロット](/wp-content/uploads/2023/08/factor_analysis_wine_scr.jpg)

因子数の選び方には、**固有値1.0以上の因子数**、または**固有値の累積パーセントが60%以上の因子数**、または**スクリープロットが安定する因子数**の3つがあります。

上のスクリープロットを見ると、3つの因子が固有値1.0以上であり、その後はスクリープロットがある程度安定していることがわかります。

よって**因子数は3**とします。

### 5. 因子分析の実行

以下のコードで因子分析を実行します。

```python
# 因子分析の実行
fa = FactorAnalyzer(n_factors=3, rotation="promax")
fa.fit(df_std)
```

n_factorsで因子数を指定します（今回は先ほど決定した因子数3）。

また、rotationで軸の回転方法を指定します（今回はプロマックス回転）。

:::talk{who="umatan"}
他にもいくつか回転方法はあるんだけど、一般的によく使われるプロマックス回転を今回は選択したよ！
:::

### 6. 結果の解釈

続いて、分析結果の解釈を行います。ですがその前に、結果の見方を説明しておきましょう。

以下が分析結果になります。

```python
# 因子負荷量，共通性の表示
loadings_df = pd.DataFrame(fa.loadings_, columns=["第１因子", "第２因子","第3因子"]) #fa.loadingsで因子負荷量を算出
loadings_df.index = df_std.columns
loadings_df["共通性"] = fa.get_communalities() #共通性の算出
loadings_df
```

![因子分析　結果の解釈](/wp-content/uploads/2023/08/factor_analysis_wine_results.jpg)

各変数ごとに**因子負荷量**と**共通性**が算出されていることがわかります。見やすくするため、値が0.5より大きい値に色付けをしてあります。

**因子負荷量**とは、各因子と各変数との相関係数です。つまり関係性が深い変数ほど値が大きくなり、-1から1の間の値を取ります。

**共通性**とは、各変数からみた因子負荷量の合計値です。つまり共通性が高いほど分析により算出された因子と深く関係していることになります。逆に、共通性が低い変数は、独自因子の割合が高いことを意味します。

<mark>さて、ここから結果の解釈に入っていきます。</mark>

因子分析の結果の解釈では、**各因子に名前をつけること**で解釈を行います。各変数の因子負荷量の値をもとに、因子に名前をつけていきます。

名前をつけた結果を以下に示します。

:::box
**因子1：ポリフェノール量\
因子2：アルコール量\
因子3：ミネラル量**
:::

順番に見ていきます。

#### 因子1：ポリフェノール量

因子1での因子負荷量が大きかったのが以下の変数。

:::box
**total_phenol：フェノール量\
flavanoids：フラボノイド量\
proanthocyanins：プロアントシアニン量\
hue：色調\
od280/od315_of_diluted_wines：薄めたワインの280nmと315nmの波長の光に対する濁度**
:::

ポリフェノール類や色に関する変数がまとまっていることがわかります。

実際、赤ワインなどの色もポリフェノールが関連しているそうなので、そういった関連性をうまく一つの因子にまとめられています。

<mark>以上より、因子1を**ポリフェノール量**と名づけました。</mark>

#### 因子2：アルコール量

因子2での因子負荷量が大きかったのが以下の変数。

:::box
**alcohol：アルコール濃度\
color intensity：色の強度\
proline：プロリン量**
:::

アルコール濃度、色、プロリン（アミノ酸の一種）の3つの変数がまとまっています。

<mark>各変数の関連性がわからなかったので、最も因子負荷量の大きいアルコール濃度より、因子2を**アルコール量**と名づけました。</mark>

#### 因子3：ミネラル量

因子3での因子負荷量が大きかったのが以下の変数。

:::box
**ash：灰分濃度\
alcalinity of ash：灰のアルカリ性**
:::

灰分（ミネラル）に関する変数がまとまっていますね。

<mark>以上より、因子3を**ミネラル量**と名づけました。</mark>

因子分析の結果、観測されたワインに関する13個の変数には3つの共通因子（**ポリフェノール量、アルコール量、ミネラル量**）があることがわかりました！

:::talk{who="umatan"}
目的である**共通因子の探索**が無事にできたね！
:::

## まとめ

今回は**因子分析の概要からPythonでの実装方法**まで解説していきました。

<mark>因子分析は、ビジネスの現場においてよく用いられる手法です。</mark>

因子分析を用いてデータの背後に存在する共通因子を見つけることで、**問題の根本的対策**を考えることができます。

複数の変数が観測されているデータがあれば、積極的に**因子分析**を行っていきましょう！

また、今回分析に用いたPythonについて勉強したい方は以下の記事を参考にしてみてください！

<https://toukei-lab.com/python-learn>

さらに詳しくAIやデータサイエンスの勉強がしたい！という方は当サイト「スタビジ」が提供する[スタビジアカデミー](https://toukei-lab.com/achademy/)というサービスで体系的に学ぶことが可能ですので是非参考にしてみてください！

:::box
**AIデータサイエンス特化スクール「スタアカ」**

![スタアカ（スタビジアカデミー）のトップページ](/wp-content/uploads/2026/10/achademy-top.jpg)
:::

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>ライトプラン：1,280円/月（全コースが受講し放題）<br>
プレミアムプラン：129,800円（通常149,800円・買い切り）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【サポート体制】</th>
<td><span class="stars" role="img" aria-label="5点中4点" data-value="4"></span></td>
</tr>
<tr>
<th>【受講形式】</th>
<td>オンライン形式</td>
</tr>
<tr>
<th>【学習範囲】</th>
<td>統計学・機械学習・ディープラーニングを網羅的に学ぶ<br>
生成AI（LLM・RAG・プロンプトエンジニアリング）を学ぶ<br>
SQLとPythonを組み合わせて実データを使った様々なワークを行う<br>
実践的なビジネスフレームワークを学ぶ<br>
マーケティングの実行プラン策定</td>
</tr>
</tbody>
</table>

データサイエンティストとしての自分の経験をふまえてエッセンスを詰め込んだのがこちらのスタビジアカデミー、略して「[スタアカ](https://toukei-lab.com/achademy/)」！！

当メディアが運営するスクールです。

月額1,280円のライトプランで、統計学から機械学習・生成AIまで全コースが受講し放題です！

<mark>プレミアムプランでは、24時間以内の質問対応と現役データサイエンティストとの1on1（30分×4回）を実施します！</mark>

カリキュラム自体は、他のスクールと比較して圧倒的に良い自信があるのでぜひ受講してみてください！

他のスクールのカリキュラムはPythonでの機械学習実装だけに焦点が当たっているものが多く、実務に即した内容になっていないものが多いです。

<mark>そんな課題感に対して、実務で使うことの多いSQLや機械学習のビジネス導入プロセスの理解なども合わせて学べるボリューム満点のコース</mark>になっています！

Pythonが初めての人でも学べるようなカリキュラムにしておりますので是非チェックしてみてください！

ウォルマートのデータを使って商品の予測分析をしたり、実務で使うことの多いGoogleプロダクトのBigQueryを使って投球分析をしたり、データサイエンティストに必要なビジネス・マーケティングの基礎を学んでマーケティングプランを作ってもらったりする盛りだくさんの内容になってます！

:::box
**・BigQuery上でSQL、Google Colab上でPythonを使い野球の投球分析**\
**・世界最大手小売企業のウォルマートの実データを用いた需要予測**\
**・ビジネス・マーケティングの基礎を学んで実際の企業を題材にしたマーケティングプランの策定**\
**・生成AIのAPIを使ってチャットボットやAIエージェントを作る**
:::

::button[スタアカの受講はこちら]{href="https://toukei-lab.com/achademy/" note="＼今すぐ試す／"}