中央値(median)は、データを小さい順に並べた時に真ん中に来る値です。データ数 n が奇数なら (n+1)/2 番目の値、偶数なら n/2 番目と n/2+1 番目の平均を使います。平均が値の重心を見るのに対し、中央値は順位の中心だけを見るので、外れ値に引きずられにくい代表値です。四分位点の Q2(50% 点)とも同じ値を指します。

import statistics
import numpy as np

print(np.median([2, 3, 4, 5, 20]))  # 4.0(20 が 200 でも 4.0)
print(np.median([2, 3, 4, 5]))      # 3.5
print(statistics.median_low([2, 3, 4, 5]), statistics.median_high([2, 3, 4, 5]))  # 3 4

numpy.median や pandas.Series.median は偶数個の時に真ん中 2 つの平均を返し、Python 標準の statistics の median_low / median_high はどちらか一方を返します。


本記事では、次の疑問を順に扱います。

  • 外れ値が混ざると、平均と中央値はそれぞれどれだけ動くか
  • 外れ値に強い理由と、その限界(崩壊点)
  • 回帰で中央値を予測すると何が変わるか

外れ値を足した時の動き

平均 10・標準偏差 2 の正規分布から 200 個の値を作り、95, 100, 120 の 3 個を足します。

rng = np.random.default_rng(0)
base = rng.normal(loc=10.0, scale=2.0, size=200)
outlier = np.concatenate([base, [100.0, 120.0, 95.0]])
print(f"mean:   {base.mean():.2f} -> {outlier.mean():.2f}")
print(f"median: {np.median(base):.2f} -> {np.median(outlier):.2f}")
mean:   10.03 -> 11.43
median: 10.10 -> 10.10
正規分布の 200 個に 95、100、120 の 3 個を足す前後のヒストグラム。平均は 10.03 から 11.43 へ動き、中央値は 10.10 のまま

外れ値 3 個を足す前後の平均と中央値

平均は 1.4 上がります。中央値は 203 個中 102 番目の値に変わるだけなので、外れ値が 95 でも 9500 でも結果は同じです。給与や取引金額のように右に長い裾を持つデータでは、典型的な値として中央値の方が実感に合います。


L1 損失の最小点

中央値は「L1 損失(絶対誤差の和)Σ|x - c| を最小にする c」と言い換えられます。平均が L2 損失(二乗誤差の和)Σ(x - c)² を最小にする c であることと対になる関係です。冒頭の [2, 3, 4, 5, 20] で c を動かすと、次の図になります。

[2, 3, 4, 5, 20] で c を動かした時の損失。L1 損失は c = 4(中央値)で最小、L2 損失は c = 6.8(平均)で最小

L1 損失と L2 損失の最小点

L1 損失は c = 4、L2 損失は c = 6.8 で最小です。c を少し右へ動かすと、L1 損失は c より左の点の数だけ増え、右の点の数だけ減ります。左右の点の数が釣り合う順位の真ん中で止まるので、20 がどれだけ遠くても関係ありません。L2 損失では 20 との差が二乗で効き、最小点が 20 に引き寄せられます。

[2, 3, 4, 5] のように偶数個だと、L1 損失は c が 3〜4 のどこでも 4 で、最小点が区間になります。確率の言葉では、中央値は P(X ≤ m) ≥ 1/2 かつ P(X ≥ m) ≥ 1/2 を満たす m です。m の近くで密度が正の連続分布なら累積分布関数 F(m) = 0.5 の 1 点ですが、この例では 3〜4 の全てが条件を満たし、冒頭の numpy はその中点、median_low / median_high は両端を返していました。


崩壊点(breakdown point)

ロバスト統計では、外れ値への強さの限度を Hampel(1971) が導入した崩壊点(breakdown point)で測ります。データの一部を任意の値に置き換えた時に、推定値をいくらでも遠くへ動かせるようになる最小の割合です。平均は 1 個の置き換えでいくらでも動くので n 個のデータで 1/n(n が大きければ 0 に近い)、中央値は 50% です。

平均 50・標準偏差 5 の 100 個のうち k 個を極端な値 v に置き換えて確認します。置き換える位置は v = 500 と 5000 で共通です。

rng = np.random.default_rng(1)
clean = rng.normal(50, 5, 100)
order = rng.permutation(len(clean))  # 置き換える位置の順番

for v in (500.0, 5000.0):
    for k in (10, 30, 49, 50):
        x = clean.copy()
        x[order[:k]] = v
        print(v, k, round(x.mean() - clean.mean(), 2),
              round(np.median(x) - np.median(clean), 2))

出力を表にまとめます(元の平均・中央値からのずれ)。

k平均(500)中央値(500)平均(5000)中央値(5000)
1045.220.75495.220.75
30135.302.131485.302.13
49220.825.552425.825.55
50225.29227.912475.292477.91
100 個のうち k 個を極端な値に置き換え、k を 0〜55 で動かした時の平均と中央値のずれ。平均は k に比例して増え、中央値は k = 49 まで小さく、k = 50 で跳ねる

置き換える個数 k と平均・中央値のずれ

平均のずれは k ×(v − 置き換えた元の値)/ 100 なので、v を大きくすればいくらでも増えます。中央値は k = 49 まで 500 と 5000 で同じ値です。100 個の中央値は 50 番目と 51 番目の平均で、置き換えが 49 個以下ならこの 2 つは元の値のどれかなので、上向きの置き換えであるこの例では、ずれは元の最大値と中央値の差(10.44)を超えません。k = 50 で 51 番目が v になり、中央値も跳ねます。

ただし、崩壊しないことと動かないことは別です。k = 49 の中央値は元の標準偏差 5 と同じくらいの 5.55 ずれています。崩壊点が保証するのはずれに上限があることで、汚染が増えれば推定は偏ります。


中央値を予測する回帰

線形回帰にも同じ対比があります。損失関数に L2 を使う OLS(Ordinary Least Squares、最小二乗法)は条件付きの平均を予測し、quantile=0.5 の分位点回帰(quantile regression)は pinball loss(L1 損失の 0.5 倍)で条件付きの中央値を予測します。真の直線 y = 1.5x + 2 に、上向きの外れ値を 10 個混ぜて比べます。

from sklearn.linear_model import LinearRegression, QuantileRegressor

rng = np.random.default_rng(42)
x_data = np.linspace(0, 10, 80)
y_data = 1.5 * x_data + 2.0 + rng.normal(0, 1.5, 80)
idx = rng.choice(80, size=10, replace=False)
y_data[idx] += rng.uniform(15, 30, 10)  # 上向きの外れ値

X = x_data.reshape(-1, 1)
ols = LinearRegression().fit(X, y_data)
qr = QuantileRegressor(quantile=0.5, alpha=0.0).fit(X, y_data)
print(f"OLS: slope={ols.coef_[0]:.2f} intercept={ols.intercept_:.2f}")
print(f"QR : slope={qr.coef_[0]:.2f} intercept={qr.intercept_:.2f}")
OLS: slope=0.94 intercept=7.62
QR : slope=1.42 intercept=2.83
真の直線 y = 1.5x + 2 に上向きの外れ値 10 個を混ぜた散布図。OLS の直線は左端が持ち上がって寝ており、中央値の回帰の直線は真の直線の近くに残る

OLS と中央値の回帰の比較

外れ値 10 個のうち 7 個が x < 4 に入ったため、OLS は左端を持ち上げ、切片 7.62、傾き 0.94 と真の 1.5 より寝ました。上向きの外れ値でも、傾きがどちらへずれるかは外れ値の x の位置で決まります。QuantileRegressor は傾き 1.42、切片 2.83 で、真の直線の近くに残りました。


機械学習での使いどころ

  • 欠損値の補完: SimpleImputer(strategy="median") は、平均補完より外れ値に引きずられにくい
  • ロバストな標準化: RobustScaler は中央値を引いて IQR(Interquartile Range、四分位範囲)で割る
  • 指標の要約: レイテンシのような右に長い分布は、平均と並べて中央値(p50)を見る

注意点と適さないケース

  • 順序を付けられるデータが前提です(数値・順序尺度)
  • 分布の形(裾の重さ・多峰性)や総量は分かりません。形は KDE やヒストグラム、総量は合計や平均で見ます
  • 10 件程度以下では、真ん中の値がたまたまの 1 個に左右されます
  • 並べ替えると O(n log n) ですが、numpy.median は np.partition で真ん中の位置だけを確定させ、平均的に O(n) です
  • L1 損失 |x - c| は x = c で微分できないので、勾配法では劣勾配を使うか、HuberRegressor が使う Huber 損失のように、0 付近だけ二乗にした損失で代用します