投稿

Translate

【活用編】所得・給与 市町村税課税状況等の調 (2)

イメージ
『市町村税課税状況等の調』には、たくさんの表があるのですが、市町村別内訳の表の第11表を取り上げて分析していきたいと思います。表にある正式な名称は下記の通りで、ホームページの表の名前に〔市町村別内訳〕、(所得割納税義務者数・課税対象所得・課税標準額・所得割額)という文言が追加されています。そもそも、第11表が2個あります。なんだかなぁ~ 〔市町村別内訳〕第11表 課税標準額段階別令和7年度分所得割額等に関する調(合計)(所得割納税義務者数・課税対象所得・課税標準額・所得割額) いずれにしても、各市町村(東京都の区を含む)ごとに、納税者の数や実際に収められた税金の額等が実数で把握できますから、貴重な情報ということができます。実際のExcelの表の一部は、下記のようになっています。 ※ 画像をクリックすると、画像のみの画面になり拡大することが可能です。 分析に進む前に、まずは、この表の列名について、調べてみましょう。 ちょっとうんざりですが…、仕事の場合、こういった事も分析工数として理解して欲しいものです。 データの理解 by @Cat_Taro この表のデータは所得のデータですので、スライドにあるように、収入から、給与所得控除や必要経費等を引いた金額です。いわゆる手元に残る金額です。 また、この表は均等割と所得割を納める者のみを集計しているため、所得が一定以下で住民税の所得割が非課税となる人の所得は含まれていません。 しかし、『第2表 令和7年度個人の市町村民税及び森林環境税の納税義務者等に関する調(調査表第2表)』により、 『均等割と所得割を納める者』は、人数で93%(当然、均等割額の93%)を占めていますので、納税者の9割以上のデータということができます。正確ではないけれど、ほぼほぼ現状がわかるというデータです。 さらに、課税対象所得には、下記の7個あり、赤字で示したものは分離課税(正式には申告分離課税)となることです。すべてを合算して、合算値かに税率をかけて税額を求めるものではありません。 課税対象所得 = 総所得金額等 + 分離長期譲渡所得金額に係る所得金額 + 分離短期譲渡所得金額に係る所得金額 + 一般株式等に係る譲渡所得金額 + 上場株式等に係る譲渡所得金額 + 上場株式等に係る配当所得金額 + 先物取引に係る雑所得金額 1.ライブラリのインポート まず...

【活用編】所得・給与 市町村税課税状況等の調 (1)

イメージ
前回は、【活用編】 所得・給与の第一回目ということで、所得・給与に関して、国の調査についての概要をまとめました。 今後は、それぞれの調査について、詳細を見ていき、実際のデータで分析をしてみます。 まずは、『市町村税課税状況等の調』を取り上げました。 『市町村税課税状況等の調』は、国の調査なのですが、総所得金額、所得割の納税義務者数、一般株式等に係る譲渡所得金額等がすべての市町村別(東京都は区も)にわかります。また、アンケート調査ではなく、実際に徴収された税金額や税金を算出するための所得等のデータですので、客観性、信頼性が高いと思います。 これらが、第一番に取り上げた理由です。 1.市町村税課税状況等の調 『 市町村税課税状況等の調 』は、地方自治法の規定に基づき、 総務省 (総務省 自治税務局)が、全都道府県、全市町村を対象に課税状況等について照会を行い、その報告を集計編さんしたものです。 市町村税の課税状況に関する唯一の統計資料として、地方財政計画における収入見込や、税制改正が行われる場合等における重要な基礎資料として活用されるほか、 個々の市町村 の財政運営の状況、経済動向等を知ることのできる重要な調査となっています。 各年度のデータは、下記の総務省のホームページからダウンロードすることができます。 ● 令和5年度 ~ 令和7年度 https://www.soumu.go.jp/main_sosiki/jichi_zeisei/czaisei/czaisei_seido/czei_shiryo_ichiran.html ● 平成28年度~令和4年度 https://www.soumu.go.jp/main_sosiki/jichi_zeisei/czaisei/czaisei_seido/ichiran09.html 2.税金の知識 さて、整理されている表をざっくり見てみましょう! 令和7年度_市町村税課税状況等の調_概要一覧 by @Cat_Taro ふーっ、データを分析し、何らかの洞察を得るためには、最低限の税金の知識が必要なことがわかります。 (1) 国税・地方税の税収内訳 内閣が毎年度作成して国会に提出し公表する、翌年度の地方団体の歳入歳出総額の見込額『地方財政計画額』の 令和8年度 版でみると… 金額の内訳は、 国税は約87.4兆円 、...

【活用編】所得・給与 国の調査

イメージ
10月に入って、年収やボーナスの話題が増えてきました。 そろそろ、ボーナスや年末調整の季節になってきたのでしょうね。 ところが、 Yahooで見た限り、その根拠となるデータがそれぞれ異なっています。民間給与実態統計調査、民間給与実態統計調査、毎月勤労統計調査、賃金構造基本統計調査、市町村税課税状況等の調…。 それぞれどんな調査なのか、Geminiの助けを借りて、まとめてみました。 なるほど、Yahooで見つけた記事の根拠となるデータは、それぞれ実施している機関や調査対象などが異なっているようです。 『主な集計項目』に関しては、Geminiでは限界がありそうなので、確認していく必要がありそうです。また、 NDBオープンデータ の時と同様に、年度ごとの集計になっていますので、時系列で見たときに新たな知見が生まれてくるかもしれません。 そこで、それぞれのデータのサマリーを行い、チュートリアルで体験したコードを中心にした分析を試みることにしました。NDBオープンデータでは、データの収集や加工を中心に体験しましたが、今度は、分析によって新たな知見を発見することを目標とします。 この記事は、日本にオープンデータがある限り続きますので、多分、終わることはないでしょう…。終わるまで、チャレンジを続けるという決意を込めて、このブログの構成も変更しました。今までのデータサイエンス体験に関する記事は『チュートリアル』、そして、新しくはじめるものは『活用編』として分類します。 詳細は、『 ■ このブログのガイド 』をご覧ください。 『活用編』は、 一般社団法人先端技術普及協会(略称:DLTA/デルタ) とのコラボを活用して、より多くの方々に参加していただければと思います。大げさに考えず、このブログの記事にコメントお願いします! ・こんなデータがあったよ ・このデータは、ココに注意! ・分析結果に物申す 等など、お気軽に~

#83 トレーニングされたモデルを使用する

イメージ
 最後に、体験したトレーニング済みモデルを使って、ある1個の画像に対する予測を行ってみましょう。 1.予測する画像の選択 テスト用データセットの2番目の画像を選択します。 念のため、選んだ『test_image[1]』の縦・横のピクセル数を確認してみると、縦28ピクセル × 横28ピクセルで、トレーニング済みモデルで予測することが可能であることが確認できました。 この確認作業は、予測をする際に重要です。今回は、同じデータセットをトレーニング用とテスト用に分割したので、縦・横のピクセル数が揃っていることはわかっていますが、実際の場面では、予測用の新たなデータを使うことが多いので、このような確認作業をルーティンにしていきましょう。 2.予測する画像の目視 選んだ画像がどんなものか、 Section 4『データの前処理』 のところで書いたコードを活用して、実物を見てみます。 3.予測する画像の前処理 今回のKeras のモデルは、『 3次元テンソル 』 を予測するように作ってきました。そのため、内部では常に『3次元テンソル』のデータを待ち受けています。 もし、次元を追加せずに1枚の画像を probability_model.predict(img) に渡してしまうと、モデルは「データの形が違う!」とエラーを起こしてしまいます。 そのため、「1枚だけの画像だけど、形の上では『枚数が1のデータの塊』ですよ」と見せかけるために、『 np.expand_dims 』を使って先頭に次元を追加します。 『 np.expand_dims(配列, 軸の番号) 』は、指定した位置に、長さ「1」(すなわち枚数が1)の新しい次元(軸)を追加する NumPy の関数です。 4.予測結果  さて、予測するデータの次元を『3次元テンソル』 にできたところで、予測をしてみましょう。 上記の結果は直感的にわかりにくいので、『f文字列』を使って、通常の小数に変換してみます。 この際、『for p in predictions_single:』でループを回すと、エラーが出てしまいます。 この原因は、『predictions_single』が、2次元の配列(形が (1, 10))になっているためです。 先ほどのステップで『np.expand_dims()』を使って画像にバッチの次元を追加した...

#82 予測結果の図示と検証

イメージ
『np.argmax(predictions[数字])』で、画像が何かを予測できるようになりました。 これ以降は、下図のように『予測結果の一部を一覧で表示し、確率をグラフで図示する』コードを体験していきましょう。 1.予測結果の図示 画像と確率がグラフで分かりやすいですね。出来上がったモデルをプレゼンテーションする際に、非常に説得力のある図ですので、さっそくコードを見ていきましょう。 ※ Matplotlib が中心になりますので、興味のある方は、下記を参照してください。 【参考】 matplotlib – GridSpec で図の中に複数のグラフを作成する方法 興味が湧かない方は、こういうコードもあると頭の片隅にでも記憶しておいて、使う場面があったらコピペしましょう。 2.自作の関数 さて、ここでは、自作の関数を作成し、『予測結果の一部を一覧で表示し、確率をグラフで図示する』コードを書いていきます。  def 関数名(引数):          処理内容 関数名は自由に決めることができますが、慣習として すべて小文字 にします。関数名に複数の単語を使う時は、単語の間に『 _ 』を使います。 下記に、簡単な例を挙げておきます。 『 while 』は、条件を満たさなくなったら繰返し処理(ループ)を終了するものです。以前解説した『 forループ 』では、指定された回数繰り返すと終了でしたので、繰返し処理(ループ)の条件が異なりますね。 【参考】 #35 データの結合 3.画像と予測ラベルを表示する関数 チュートリアルのコードを見てみましょう。前半の部分は、自作の関数『 plot_image 』を定義したもので、それは、指定した1枚の画像を表示し、その下に『予測結果』、『確率(%)』、『実際の正解』をテキストで表示させる関数です。 4.10個のクラスの予測確率を棒グラフで表示する関数  後半の部分は、自作の関数『 plot_value_array 』を定義したもので、それは、モデルが出力した10個のクラスごとの確率を、0~1の範囲の棒グラフで可視化させるものです。 5.予測を検証する では、予測を検証するために、テスト用データセットの最初の画像(インデックス 0)について、モデルの予測画像と各クラスの予測確率の棒グラフを左右...