データ構造とは？

データ構造の主な種類

さまざまなデータ構造がありますが、最も一般的なものは次のとおりです。

• プリミティブデータ構造は、他のデータ構造の土台となる基本構造です。integer、character、float、double、ポインターは、単一の値を保持するプリミティブデータ構造です。たとえば、integer型は、1つの整数を表します。
• 非プリミティブデータ構造は、プリミティブデータ構造に基づいて構築された複雑なデータ構造です。非プリミティブデータ型は、線形と非線形に分けられます。
• 線形データ構造は、データ型に基づいて要素が順番に配置される構造です。要素はすべて、その前後の要素と連結されます。線形データ構造の例には、リスト、キュー、配列、スタックなどがあります。
• 非線形データ構造は、連結されておらず、すべての要素は複数の方法で他の要素に接続できます。例として、木、グラフ、トライ、ハッシュテーブルなどが挙げられます。

主なデータ構造の特徴を以下に挙げます。

• 配列データ構造：これは有限のデータグループで、共通の境界を共有するメモリ領域が特別に割り当てられており、配列内の各要素には、通常は数値またはゼロから始まるインデックスキーを介してアクセスできます。
• 連結リストデータ構造：この構造は、リストの各要素にデータとポインターをセットで指定するように設計されています。そのため、各要素はメモリ上に連続して配置されずに、指定の順序で配置されます。単方向リスト、双方向リスト、循環リストなどの種類があります。
• 木データ構造：木構造は、ルートノード、親ノード、サブツリー(子)が含まれる階層構造で、一連のリンクされたノードで表されます。木データ構造には、二分探索木、赤黒木、B木、AVL木、重み平衡木などさまざまな種類があります。
• ハッシュテーブルデータ構造：この構造では、キーと値をマッピングでき、プログラミング言語の多くで抽象化や調整が行われています。キーはハッシュ関数によって決定されますが、ハッシュ関数で個別の一意のキーを作成できない場合に発生するハッシュ衝突を回避する必要があります。

データ型とは？

データ構造は、ソートなどのアルゴリズム、コンピュータープログラム、JavaScriptやPythonをはじめとしたプログラミング言語の構成要素です。ソフトウェアエンジニアリングにおけるデータ型は、データ構造の構成要素であり、基本的な演算処理の基盤です。データ型によって、変数にどのような値を格納するかを指定し、利用できる数学演算、関係演算、論理演算などが判断されます。言い換えれば、データ型とはデータの一部に関連付けられた属性であり、コンピューターにそのデータの解釈方法を指示するものです。

コンピューターでは、データ型に基づいて、データの演算方法や使用方法が決まります。たとえば、integer型であれば、そのデータの値は整数として、character型の場合は、テキストなどの文字列として認識されます。そのため、データ型を定義することで、コンピューターが整数と文字を乗算(25 x Bob)しないようにして、エラーを防ぐことができます。

よく見られる基本的なデータ型には次のものがあります。

• ブール(Boolean)型では、真または偽などの論理値を取ります。
• 整数(Integer)型には、整数の範囲のデータを格納できます。
• 浮動小数点数(Floating-point number)型では、数式で表現される実数を格納できます。
• 固定小数点数(Fixed-point number)型では実数を格納できますが、左右の桁数に応じて小数点の位置が決まります。
• 文字(Character)型では、文字データを固定長のフィールドに格納できます。
• ポインター(Pointer)型には、他の値を指し示す参照値を格納できます。
• 文字列(String)型は配列であり、文字、数字、句読点などの文字を格納できます。

データモデルとは？

データモデルとは、データ要素やグラフデータ構造を、ノードや関係性も含めて視覚的に表現したものです。情報システムの構築をサポートするうえで、データの使用方法に基づいて組織内のデータの構造を定義するのに役立ちます。データモデルは、組織がデータをどのように保存、共有、管理、使用するかを示す設計図といえます。

データモデルには、抽象的なものから詳細なものへと段階的に変化する、概念、論理、物理の3つの主要なタイプがあります。

• 概念データモデルは、最も単純で抽象的なモデルです。プロジェクトの調査段階で、データの関係性を示す全体的なレイアウトやルールを作成するためによく使用されます。
• 論理データモデルは、概念モデルで作成された基本的な概要から一歩進んで、より多くの関係要因が考慮されます。データウェアハウスの計画立案の際によく使用されます。
• 物理データモデルは、最も複雑で詳細なモデルであり、データベースのモデリングの最終段階で使用されます。このモデルには、データベースの構築を完了するために必要なすべてのコンポーネントが含まれます。

多くのデータモデルには、データ構造を扱う以下のような特定の順序方式があります。

• FIFO：先入れ先出しは、最初に格納された古い要素が先に処理され、最も新しい要素が最後に処理される手法です。
• LIFO：後入れ先出しは、最も新しい要素が先に処理され、最初に格納された古い要素が最後に処理される手法です。

データ階層とは？

データおよびデータベース理論におけるデータ階層とは、指定の順序(この場合は階層)に基づいてデータを編成する方法をいいます。データは、文字、フィールド、レコード、ファイルなどのコンポーネントで構成されます。階層構造では、要素は相互に論理的な関係を持つように順序付けられます。

顧客データベースを例に挙げてみましょう。各顧客レコードには、姓、名、会社、役職、部門などの情報が登録されています。階層関係では、こういった項目が階層の要素として上下関係で示されるため、Julia LopezがXYZ社の経理部門のシニアマネージャーであるとデータベースで処理できます。

一般的なデータ階層は、最小のデータ型(データフィールド)から始まり、より複雑な組み合わせへと作り込まれていきます。

• データフィールド：日付などの単一の事実または属性。
• レコード：顧客レコードを構成する氏名、住所、役職、電話番号などの関連するフィールドの集合体。
• ファイル：関連するレコードの集合体。すべての顧客レコードをまとめたものが、顧客ファイルになります。
• データベース：関連するファイルの集合体。すべての顧客ファイルをまとめたものが、顧客データベースになります。

構造化データと非構造化データの違い

非構造化データとは、従来のデータモデルに即していないデータのことで、リレーショナルデータベースで保存したり管理したりすることができません。また、非構造化データをデータモデルやスキーマに落とし込むこともできません。

構造化データは通常、文字や数字で構成されています。一方、非構造化データは、任意の種類のデータであり、ネイティブのファイル形式で保存され、数字、単語、日付、その他の種類の情報などのデータが含まれます。

形式のほかに、構造化データと非構造化データの主な違いとして挙げられるのが、その使用方法です。データ構造を作成する目的は、データを機械学習アルゴリズムやコンピュータープログラム、アプリケーションで活用することにあります。そのため、理解のしやすさと使いやすさを特に重視して構造化されています。対して、非構造化データは一貫性がなく、所定のデータ構造に沿って整形されていないため、通常、非構造化データを理解し解析するために特別に用意されたアプリケーションでのみ使用できます。

データログとは？データ構造との関係は？

データログとは、1つ以上のデータセットに対してファイルに取得、保存、表示するアクティビティ、イベント、アクションの記録であり、その目的はパターンの発見、アクティビティの分析、イベントやトレンドの予測です。システム管理者は、データのサイズ、変更の種類、変更者などのイベントを記録できるログデータを使用して、システムの経時的なパフォーマンスの監視や分析を行えます。

また、サイバーセキュリティやコンプライアンスの担当者であればログデータを活用して、システムにアクセスしたユーザーを確認したり、監査証跡を分析してマルウェアを検出したり、ネットワーク内の疑わしいアクティビティを特定して監視したりすることができます。

ログの種類には、境界上のデバイスログ、Windowsイベントログ、エンドポイントログ、アプリケーションログ、プロキシログ、IoTログなどがあります。ログ形式としてよく使用されるのが、CSV、JSON、キーと値のペア、共通イベント形式(例：Syslog)です。

ログはアクティビティの履歴を記録した情報です。そのため、何らかのデータ構造または優先度付きキューのインデックスで分類/格納することで、優先度や使用頻度に基づいて優先順位を付けて利用できます。また、障害やクラッシュが発生した場合に、データと関連構造を復元するための権限および信頼できる情報源としても使用されます。

データ構造が重要な理由

データ構造は、基本的な型に合わせてデータをまとめ、使用に適した形式で格納し、特定の機能を実行するアルゴリズムを構築するうえで重要です。データを構造化することで時間を節約できるだけでなく、コンピューターでデータの保存、取得、処理などの操作をより効率的に実行できるようになります。

また、アルゴリズムやアプリケーションで処理できるように抽象的なデータ要素をまとめることができます。たとえば、「顧客名」というラベルは抽象データ型であり、「姓」と「名」の文字列で構成されます。しかし、「顧客名」を定義するデータ構造がなければ、アプリケーションでデータを適切に使用できません。

また、データ構造を活用することで、とても効率的にアルゴリズムやアプリケーションを構築できます。プログラムを書くときにデータ構造を使用して関数を作成すれば、データ型を個々に宣言する必要がなくなるためです。

非構造化データ向けのユースケース

Deloitte社が2019年に実施した調査によると、非構造化データを活用できていると回答した組織はわずか18%でした。しかし、非構造データに内在するインサイトを引き出せれば、大きなビジネス価値を生み出せる可能性があります。非構造化データの実際のユースケースには、次のようなものがあります。

• 医療記録：医療業界では、医用画像から収集されたマシン生成データ、ウェアラブルデバイスで生成されるデータ、さらには医療関係者が患者と交わした会話から読み取れる情報など、膨大な量の非構造化データが生成されています。
• 感情分析：企業は専門家に多額の報酬を支払って、消費者が自社についてどう考えているかを把握しようとしています。そうしたデータの多くは、ソーシャルメディアやその他の公開フォーマットで自由に入手できますが、非構造化データ(ツイート、投稿、更新内容、アンケートへのコメントなど)に含まれていることがほとんどです。そのデータを理解する能力は、自社がどのように認識されているかを把握したい企業にとって、大きく役立ちます。
• テキスト文書に含まれる情報：一般的なビジネスで作成されるテキスト文書には、テキスト、数値、画像などの非構造化形式のデータが含まれています。有用な情報が含まれている可能性がありますが、検索することはできません。この種の文書から情報を抽出するために使用できる、パターン認識、テキストマイニング、自然言語処理(NLP)などのツールに焦点を当てたチュートリアルが多数用意されています。
• ビジネスコミュニケーション：メール、ライブチャット、テキストメッセージ、およびその他類似のコミュニケーション技術はビジネスで広く使用されていますが、これらは通常、従来の方法ではインデックス化も検索もできない非構造化データで構成されています。NLPツールを使用することで、主なトピックや検索用語を特定し、これらのコミュニケーションに含まれる情報を有効活用できます。
• 録音された電話の会話：電話営業、カスタマーサービス、一般的な問い合わせ、緊急電話など録音された会話の中には、抽出できれば役立つ情報が含まれている可能性があります。音声からテキストへの変換処理を行えば、会話を機械で読み取り可能なテキスト形式に変換してから、NLPでキーワードを特定し、トランスクリプトを分類することができます。
• アンケートの回答：調査やアンケートには通常、回答者がテキストで回答できる自由形式の質問、つまり非構造化データが含まれています。テキスト分析ツールを使用すると、コンピューターが読み取って解釈できる形式に回答をレンダリングできます。
• デジタル出版物とWebコンテンツ：テキストでWebに公開されるあらゆる情報は、市場調査、競合他社の情報、消費者調査、販売予測などさまざまなビジネス上の目的を達成するための貴重な情報源となる可能性があります。NLPと人工知能(AI)を組み合わせることでデジタルテキストを理解できるようになり、データを効果的に活用できます。

データ構造は、データサイエンスとコンピューターサイエンスの基本的な構成要素の1つです。プログラミングで使用できるように、最も小さく最も単純なデータ型で最小限のコンテキストを取得してグループ化すると、アルゴリズム、アプリケーション、オペレーティングシステムを駆使して、特定の有用なタスクを実行できます。データ構造の仕組みを理解することはプログラミングの要であり、データ構造を用いて計算処理をすることは、効果的なアプリケーションを作成するための鍵となります。データ構造が優れたコードを作成するための秘訣であるのは、実用的なアプリケーションを開発するためだけでなく、プログラマーが解決しようとしている問題や達成しようとしている目標の理解を深めるのにも役立つからです。