データの定義と「仕組み」の見方
データとは、何らかの事実や観測、判断を、後で扱える形に符号化したものです。たとえば「気温 25℃」という対象は、実際の計測値として存在し、それを数値・時刻・単位などの形に変換することでデータとして記録されます。ここで重要なのは、データが単体で完結しているのではなく、意味（何を表すか）と前提（いつ、どの条件で、どう測ったか）を併せて理解すると初めて役に立つ点です。
データは“対象”と“符号”のセット
観測や入力された対象そのものではなく、対象を表すための符号（数値、文字列、画像など）を指すのが一般的な捉え方です。符号だけを見ると、単位や尺度、欠損の扱いが分からず解釈が崩れます。そのためデータを扱う際は、値と同時に「メタ情報（定義、形式、範囲、更新時点、欠損の意味）」を確認する必要があります。
データの基本要素と単純モデル
データを理解するための簡単なモデルとして、「入力→変換→保存→利用」を考えると整理しやすくなります。
- 入力：センサー測定、手入力、既存データの取得など。
- 変換：単位換算、丸め、文字コード化、正規化、型変換など。
- 保存：ファイルやデータベースに格納。ここで形式（日時の表現、文字エンコーディング、欠損表現）に差が出ます。
- 利用：集計、分析、学習、意思決定への投入。
この流れのどこかで前提が変わると、同じ「見た目の値」でも意味が変わることがあります。たとえば、丸め方法が違えば平均や順位が変わりますし、欠損値の扱いが違えば集計結果が変わります。
データの制限：品質・整合性・前提のずれ
データは万能ではありません。特に次の制限が実務で問題になります。
- 欠損：値がないのか、意図的に空にしているのか、取得失敗なのかが混ざる。
- 誤り：入力ミス、センサーの故障、変換ロジックのバグで値が不正になる。
- 一貫性不足：同じ項目なのに基準や定義が途中で変わる（たとえば時刻のタイムゾーン、単位、カテゴリ体系）。
- 偏り：収集の仕方や対象範囲により、現実を代表しない。
- 更新頻度のズレ：いつのデータかを見ないと、状態の比較が崩れる。