--- title: 99log-quarto-0001.pdf tags: author: [tsukumo.log](https://image.docswell.com/user/tsukumo-log) site: [Docswell](https://www.docswell.com/) thumbnail: https://bcdn.docswell.com/page/47MYXW6V7W.jpg?width=480 description: Zenn記事"99log-quarto-0001"リンク用 published: June 03, 26 canonical: https://image.docswell.com/s/tsukumo-log/5WR4DY-2026-06-03-152709 --- # Page. 1 ![Page Image](https://bcdn.docswell.com/page/47MYXW6V7W.jpg) Quarto ドキュメント テスト 「令和７年国勢調査 人口速報集計」による都道府県別人口増減の把握 九十九 ログ 2026年06月03⽇ 1 概要 本ドキュメントは、Quartoを用いたデータ分析レポートの作成テストである。 今回はe‒statから公開されて いる令和7年国勢調査の速報データを用い、Pandasによるテーブルの出⼒と、matplotlibによるグラフの描画 の動作を確認する。 2 前提 2.1 Pythonとパッケージ 前提として、表 1 の通り、Pythonと各パッケージがインストール済みであることとする。 import sys import numpy as np import pandas as pd import openpyxl import matplotlib as mpl import seaborn as sns pkg_names = ['Python', 'numpy', 'pandas', 'openpyxl','matplotlib', 'seaborn', ] pkg_versions = [sys.version.split('|')[0].strip(), np.__version__, pd.__version__, openpyxl.__version__, ↪ mpl.__version__, sns.__version__] pd.DataFrame({'Name':pkg_names, 'Versions':pkg_versions,}).style.hide(axis="index") 表 1: インストール済みパッケージ⼀覧 表1 Name Versions Python numpy pandas openpyxl 3.13.13 2.4.6 3.0.3 3.1.5 1 # Page. 2 ![Page Image](https://bcdn.docswell.com/page/P7R9NYPWE9.jpg) Name Versions matplotlib seaborn 3.10.9 0.13.2 INFO インストールに使用したコマンド 今回はminiforgeで構築した仮想環境を使用したため、以下のコマンドでインストールした。 mamba install numpy pandas matplotlib seaborn openpyxl 2.2 フォントとデータ格納場所 予め、IPAexフォントと令和7年国勢調査 ⼈⼝速報集計のExcelデータをそれぞれ以下の場所に格納してお く。 • IPAexフォント – quartoプロジェクトフォルダのfontsフォルダに、ipaexg.ttfとipaexm.ttfを格納する。 • 「令和7年国勢調査 ⼈⼝速報集計」Excel – quartoプロジェクトフォルダと同じディレクトリに、e-stat\R7_kokusei_sokuhou_a01.xlsxを格納 する。 LIGHTBULB 想定するディレクトリ構造 ./ ├── e-stat/ │ └── R7_kokusei_sokuhou_a01.xlsx └── 【quartoプロジェクトフォルダ】/ ├── fonts/ │ ├── ipaexg.ttf │ └── ipaexm.ttf └── 【このqmdファイル】.qmd 3 データの概要と前処理 本レポートでは、e‒statからダウンロードした令和7年国勢調査 ⼈⼝速報集計のExcelデータを基に、⽇本の ⼈⼝動態、特に都道府県単位における⼈⼝増減の傾向を分析する。 import pandas as pd # データの読み込み（上部のメタデータ行をスキップ） df = pd.read_excel('../e-stat/R7_kokusei_sokuhou_a01.xlsx', sheet_name='a01', skiprows=8, ↪ header=[0,1,2,3,4]) 2 # Page. 3 ![Page Image](https://bcdn.docswell.com/page/PJXQNG3V7X.jpg) # 列名の再定義 df.columns = [ 'level', 'pref', 'municipality', 'p_r7', 'p_male', 'p_female', 'p_r2_adjusted', 'p_diff', 'p_growth_rate', 'sex_ratio', 'h_r7', 'h_r2_adjusted', 'h_diff', 'h_growth_rate', 'area', 'density' ] # 都道府県単位のデータのみを抽出（全国および市区町村を除外） # 都道府県コード（2桁）＋「_都道府県名」の形式、および「全国」等のパターンからフィルタリング df_pref = df[df['municipality'].str.contains('＿都道府県|県$|府$|都$', na=False)].copy() # 型の変換とクレンジング df_pref['p_growth_rate'] = pd.to_numeric(df_pref['p_growth_rate'], errors='coerce') df_pref['p_diff'] = pd.to_numeric(df_pref['p_diff'], errors='coerce') df_pref['p_r7'] = pd.to_numeric(df_pref['p_r7'], errors='coerce') df_pref['p_male'] = pd.to_numeric(df_pref['p_male'], errors='coerce') df_pref['p_female'] = pd.to_numeric(df_pref['p_female'], errors='coerce') 3.1 定義・計算式 本レポートで用いる主要な指標の定義は下記の通りである。 3.1.1 人口増減率 (𝑅) 令和2年の組替⼈⼝を 𝑃 ̲2、令和7年の速報⼈⼝を 𝑃 ̲7 としたとき、5年間の⼈⼝増減率 𝑅 (%) は 式( 1) で算定される。 𝑅= 𝑃 ̲7 − 𝑃 ̲2 × 100 𝑃 ̲2 (1) 3.1.2 人口性比 (𝑆 ) ⼥性100⼈に対する男性の数を示す⼈⼝性⽐ 𝑆 は、男性⼈⼝を 𝑀 、⼥性⼈⼝を 𝐹 としたとき、 式( 2) で 定義される。 𝑆= 𝑀 × 100 𝐹 (2) 3.2 都道府県別の人口動態分析 3.2.1 人口増減数の大きい都道府県 令和2年から令和7年にかけて、⼈⼝増減数（増加および減少）の絶対値が⼤きい上位5位までの都道府県は それぞれ、 表 2 と 表 3 の通りである。 3 # Page. 4 ![Page Image](https://bcdn.docswell.com/page/3JK9N4Y5JD.jpg) # 増加上位5件 top5_inc = df_pref.sort_values(by='p_diff', ascending=False).head(5) # 1始まりの連番をインデックスに代入 top5_inc.index = range(1, 6) top5_inc[['pref', 'p_r7', 'p_diff', 'p_growth_rate']] 表 2: ⼈⼝増加数 上位5都道府県 1 2 3 4 5 pref p̲r7 p̲diff p̲growth̲rate 13̲東京都 47̲沖縄県 25̲滋賀県 12̲千葉県 31̲⿃取県 14246219 1468220 1392439 6258512 523732 198621 740 ‒21171 ‒25968 ‒29675 1.41391 0.05043 ‒1.49765 ‒0.41321 ‒5.36224 # 減少上位5件 top5_dec = df_pref.sort_values(by='p_diff', ascending=True).head(5) top5_dec.index = range(1, 6) top5_dec[['pref', 'p_r7', 'p_diff', 'p_growth_rate']] 表 3: ⼈⼝減少数 下位5都道府県 1 2 3 4 5 pref p̲r7 p̲diff p̲growth̲rate 22̲静岡県 28̲兵庫県 15̲新潟県 07̲福島県 34̲広島県 3468845 5323825 2068476 1711937 2683399 ‒164357 ‒141177 ‒132796 ‒121215 ‒116303 ‒4.52375 ‒2.58329 ‒6.03269 ‒6.61238 ‒4.15412 3.2.2 人口増減率の比較 各都道府県における⼈⼝増減率（%）のトップ5およびワースト5を抽出し、可視化した結果を 図 1 に示 す。 from pathlib import Path import matplotlib.font_manager as fm import matplotlib.pyplot as plt import seaborn as sns # 日本語化設定 fpath = Path('fonts/ipaexg.ttf') if not fpath.exists(): print(f"Warning: Font not found at {fpath}") fm.fontManager.addfont(fpath) #フォントをmatplotlibに明示的に追加 prop = fm.FontProperties(fname=fpath) #追加したフォントのプロパティを取得 plt.rcParams['font.family'] = prop.get_name() 4 # Page. 5 ![Page Image](https://bcdn.docswell.com/page/LE3WVL91E5.jpg) # マイナス記号が文字化けするのを防ぐ設定 plt.rcParams['axes.unicode_minus'] = False # 上位と下位の結合 target_prefs = pd.concat([ df_pref.sort_values(by='p_growth_rate', ascending=False).head(5), df_pref.sort_values(by='p_growth_rate', ascending=True).head(5) ]).sort_values(by='p_growth_rate') plt.figure(figsize=(10, 6)) bars = plt.barh(target_prefs['pref'], target_prefs['p_growth_rate'], color='lightseagreen', height=0.6) # 減少している地域（マイナス値）のバーの色を変更 for bar in bars: if bar.get_width() < 0: bar.set_color('salmon') # 5位と6位の間に垂直線を引く（境界線） # 10個のデータがあるため、インデックス4.5（中央）に配置 plt.axhline(y=4.5, color='gray', linestyle='--', linewidth=1) # 0%のラインを強調する垂直線を追加 plt.axvline(x=0, color='black', linestyle='-', linewidth=0.8, alpha=0.5) plt.xlabel('5年間の人口増減率 (%)') plt.ylabel('都道府県') plt.title('都道府県別の人口増減率トップ＆ワースト5') plt.grid(axis='x', linestyle='--', alpha=0.5) plt.tight_layout() plt.show() 5 # Page. 6 ![Page Image](https://bcdn.docswell.com/page/8EDK8NGK7G.jpg) 5 13_ 47_ 12_ 14_ 11_ 39_ 06_ 03_ 02_ 05_ -8 -6 5 -4 (%) -2 0 図 1: 令和7年国勢調査速報に基づく⼈⼝増減率の⽐較（上位・下位5都道府県） 4 総括 本速報集計データの分析結果より、特定の都市圏や都道府県への⼈⼝集中、および地⽅部における⼈⼝減少 の継続という、⼆極化の傾向が数値および視覚的データによって確認された。 5 出典・参考文献 データ出典: 総務省統計局「令和７年国勢調査 ⼈⼝速報集計（全国、都道府県、市区町村別⼈⼝及び世帯 数）」 以上 6