LoginSignup
51
74

More than 5 years have passed since last update.

@ninomiyt(Ninomiya Takeshi)in株式会社LIFULL

たのしいR言語入門

Last updated at Posted at 2017-02-24
1 / 47

はじめに

この記事は、社内の勉強会「R言語を使った統計入門」の発表資料です

株式会社ネクストにはネクスト大学という制度があり、職種や部門を越えてお互いに教え合う文化を醸成しています（社外への宣伝）

自己紹介

二宮健

  • デジタルマーケティングUのエンジニア

    • MAM（有料集客の管理ツール）の開発
    • 具体的にはデータ集計バッチとか広告のAPIとか

  • Rを使って×専門的な分析 ○データの検証や集計

参考書籍

Rで楽しむ統計 奥村晴彦 (著), 石田基広 (監修)

  • この発表は1章の内容に対応しますが、Rに特有の詰まりどころや便利な機能も紹介します
  • 特に「この本を使って統計・データ解析を勉強する際に、スムーズに始めるためのプログラミングの前提知識」を共有するつもりです

今回覚えて帰ってほしいこと

  1. 他のデータ分析ツールと比較したRの特徴
  2. Rによるプログラミングの基礎

今回話をしないこと

  • 統計学やデータ分析について（次回やります）
  • 最低限の話しかしないので、もし実際にRを使って分析したい場合、その都度勉強が必要です

数値計算用ツールのRの紹介

はじめまして、R

Rとは，オープンソースの言語処理系である。対話形式で使われることが多い。
特に統計・データ解析，統計グラフ作成に強い。

（『Rで楽しむ統計』P.1より）

※オープンソースとは「誰でもソースコードを見られるソフトウェア」のことだと考えてください

R以外のツールやプログラミング言語

数値計算

  • Python + pydataのライブラリ: Rとほぼ同等の機能、実運用までOK
  • Matlab: 大学や研究機関でよく使われる（ただし高額）
  • Julia: RやPythonのいいとこ取りした新興勢力

データ分析

  • SPSS, SASなどのBIツール
  • Excel: みんな使える
  • (Python + pydata)

Rの良いところ・悪いところ

良いところ

  • 慣れれば、データ分析中に高速で試行錯誤できる
  • 最新の統計手法のパッケージが揃っている
  • データ処理・集計のベストプラクティスがまとまっている（例: 整然データ）

悪いところ

  • 落とし穴が多い（古い仕様が残っている）
  • 他のプログラミング言語に比べると、実行が遅い

こんなあなたにはR

○ユーザー行動を可視化したい

Excelでもがんばればできるけど、Rのほうができることの幅が広くなる
（より専門的な作業が早くできる）

△新しい機械学習の機能を実装したい

エンジニアのあなたにはPython！
ただし、このゼミで学ぶことはpandasで活かせます

例) ディープラーニングによる不整合画像検出

Rを使った例

社内用の資料で説明します

インストール方法

※今回はサーバーにあるRStudioを利用するのでインストール不要です

普段のPCで利用したい方は、三重大学の奥村研のページにある手順でインストールしてください

Excelと比較したデータ集計

ハンズオンの前に、Excelと比較しながらRでのデータ集計（のイメージ）を軽く説明します

Excelで分析しているとき、「表形式のデータ」をよく扱いますよね？

※ アヤメ（花）のサンプルデータのirisデータを使って説明します

キャプチャ.JPG

Rには「表形式のデータ」を扱うための「データフレーム」というデータ構造があります

> #データフレームであることを確認
> class(iris)
[1] "data.frame"
>
> # 中身を確認（headは冒頭6行を取り出す関数）
> head(iris)
  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

列の合計値を計算したい

Excelなら

キャプチャ.JPG

Rなら

> # "$"で列を取り出す
> iris$Sepal.Length
  [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7 5.4 5.1 5.7 5.1 5.4 5.1 4.6 5.1 4.8
 （以下略）
> 
> # 合計値を出す
> sum(iris$Sepal.Length)
[1] 876.5

分布を知りたい

がく片の長さ(Sepal.Length)の分布を知りたい（どれくらいの長さが多いのか調べたい）

Excelなら平均値を計算する

Rならグラフ（ヒストグラム）を描く

> # Sepal.Lengthのヒストグラムを描く
> hist(iris$Sepal.Length)

こんなグラフが描けます

zu.png

○○ごとの平均値を計算したい

がく片の長さ(Sepal.Length)の平均値をアヤメの種類(Species)ごとに計算したい

zu.png

Excelなら、ピボットテーブルを使います

キャプチャ.JPG

Rならこう書けます

> # 集計用のパッケージ
> library(dplyr)
> 
> # SpeciesごとにSepal.Lengthの平均(mean)を集計する
> iris %>%
+   group_by(Species) %>%
+   summarise(mean = mean(Sepal.Length))
# A tibble: 3 × 2
     Species  mean
      <fctr> <dbl>
1     setosa 5.006
2 versicolor 5.936
3  virginica 6.588

※ 「これくらい簡単に集計できる」という例のため、暗記する必要はありません
データフレームを集計するためのdplyrパッケージの詳しい使い方が気になる方は@matsuou1さんの『dplyrを使いこなす！基礎編』を見てください

ここまででイメージを持ってもらいたいこと

Rには次の2つの強みがあります

  1. Rでは「データフレーム」を操作してデータを集計する
    • 他のプログラミング言語よりも簡単
    • Excelでは「表形式のデータ」以外でも入力できてしまうので、手順化（≒プログラム化）しづらいこともある
  2. 簡単にグラフが描ける
    • グラフを見ながら仮説検証できる
    • 高速なPDCAが可能！

Rによるプログラミングの基礎

ここから実際にプログラムを実行しながら学んでいきましょう

簡単な計算

四則演算（＋－÷×）ができます

> 123 + 456
[1] 579
> 
> # 円周率のπ
> pi
[1] 3.141593
>
> 2 * pi
[1] 6.283185

変数の代入

何度も使う変数には、名前を付けましょう

> # C言語のようにこう書けますが、
> x = 12345
> 
> # デジタルマーケティングUではこう書くよう決めています
> #（コーディング規約）
> x <- 12345
> x
[1] 12345
>
> x + 1
[1] 12346
>
> # 大文字と小文字は区別されるので大文字のXに代入しても
> X <- 10
> # 小文字のxの値は元のままです
> x
[1] 12346

関数

関数とは「何らかのインプットに対して処理を加えアウトプットを返すもの」です

> # 値を丸める
> floor(1.9)
[1] 1
> 
> # 平方根√2
> x <- sqrt(2)
> x
[1] 1.414214

出典: はじめての「R」

r-51-638.jpg

出典: はじめての「R」

関数は自分で定義することもできます

> # xとyを足し算する
> plus <- function(x, y) {
+   return (x + y)
+ }
> 
> plus(1, 2)
[1] 3
> plus(3, 4)
[1] 7

ベクトル

他のプログラミング言語での「配列」に似たものです

ベクトルはcという関数を使って定義します

> c(1, 2, 3, 4, 5)
[1] 1 2 3 4 5
> # 整数の順列はこうも書けます
> 1:5
[1] 1 2 3 4 5

ベクトルに対する四則演算は、全体に作用します

> x <- c(3.14, 2.718, 0.577)
> x + 10
[1] 13.140 12.718 10.577

関数も多くの場合はベクトル全体に作用します
これにより、他の多くのプログラミング言語よりも計算をシンプルに書けます

> # √2 平方根
> sqrt(2)
[1] 1.414214
> sqrt(1:5)
[1] 1.000000 1.414214 1.732051 2.000000 2.236068

そのため、Rでは繰り返し文(for)はあまり使いません

> # こんな風にはふつうは書きません
> x <- c(3.14, 2.718, 0.577)
> result <- c()
> for(i in x) {
+   result <- c(result, i + 10)
+ }
> result
[1] 13.140 12.718 10.577
>
> # こう書きます
> result <- x + 10
[1] 13.140 12.718 10.577

リスト

Rには、ベクトルの他に「複数の値を持つ」ための仕組みがもう一つあります

リストでは他の種類の型（整数、文字列）が混ぜられます

> list(1, "a", 3.14)
[[1]]
[1] 1

[[2]]
[1] "a"

[[3]]
[1] 3.14
>
> # ベクトルでは他のデータ型は混ぜられません
> # （文字列と数値を混ぜると、全部文字列型に変換されます）
> c(1, "a", 3.14)
[1] "1"    "a"    "3.14"

リストは次のように使います

> # リストを代入する
> x <- list(1, 2, 3)
> 
> # 1番目の要素を取り出す（※[[0]]でないことに注意！）
> x[[1]]
[1] 1

リストに対する四則演算は、ベクトルと違い全体に作用しません（エラーが出ます）

> x <- list(1, 2, 3)
> # 間違ったプログラム！
> x + 1
Error in x + 1 : non-numeric argument to binary operator
>
> # リスト全体に足し算したいときは、汎関数（高階関数）のlapplyを使う必要があります
> # 最初に覚える必要はないですし、この場合はベクトルを使ったほうが自然です
> plus10 <- function(x) { x + 10 }
> lapply(list(1, 2, 3), plus10)
[[1]]
[1] 11

[[2]]
[1] 12

[[3]]
[1] 13

リストには名前も付けられ、これを「名前付きリスト」と呼ぶこともあります
（むしろ、名前付きリストのほうがよく使われます）

PHPやRubyの「連想配列」や「ハッシュテーブル」のような使い方ができます

> ninomiya <- list(名字 = "二宮", 名前 = "健", ユニット = "デジタルマーケティングU")
> ninomiya
$名字
[1] "二宮"

$名前
[1] "健"

$ユニット
[1] "デジタルマーケティングU"

> # 名字を取り出す
> ninomiya$名字
[1] "二宮"

データフレーム

先ほども出ましたが「表形式のデータ」を表現するためのデータ構造です

データフレームの実体は「同じ長さのベクトル」が入った「リスト」です

> 身長 <- c(168.5, 172.8, 159.0)
> 体重 <- c(69.5, 75.0, 56.5)
> X <- data.frame(身長, 体重)
> X
   身長 体重
1 168.5 69.5
2 172.8 75.0
3 159.0 56.5
>
> # リストと同様、$で値を取り出します
> X$身長
[1] 168.5 172.8 159.0
> # 取り出した値はベクトルなので、演算を要素全体に適用できます
> X$身長 / 100
[1] 1.685 1.728 1.590

後から行を追加することもできます

> # 行を追加する
> X$性別 <- c("M", "M", "F")
> X
   身長 体重 性別
1 168.5 69.5    M
2 172.8 75.0    M
3 159.0 56.5    F
>
> X$BMI <- round(X$体重 / (X$身長 / 100) ^ 2)
> X
   身長 体重 性別 BMI
1 168.5 69.5    M  24
2 172.8 75.0    M  25
3 159.0 56.5    F  22

ファイルを読み込む

大きなデータは画面からタイプするのは大変です
Rでは、csvやExcelファイルを読み込むこともできます

> # 参考（今回のハンズオン用のサーバーにはcsvを置いていないのでエラーが出ます）
> X <- read.csv("D:/work/X.csv", stringsAsFactors = FALSE)

より詳しくは、『Rで楽しむ統計』のP.7～を読んでください

図を描く

Rには「グラフを簡単に描ける」という特徴的な機能があります

ヒストグラム（度数分布表）を描いてみましょう

> # 正規分布の乱数を100万個作る
> x <- rnorm(1000000)
> # ヒストグラムを描く
> hist(x)

zu.png

パッケージのインストール

Rは外部パッケージをインストールすることで機能を拡張することができます

「世界中の統計学者が作成した統計モデルを簡単に使える」ことが、Rを使う最大のメリットです

> # install.packageでインストールできます
> # ハンズオンでは元々インストールされています
> install.packages("readxl")
>
> # インストール後はlibrary関数でインポートできる
> library(readxl)

まとめ

ここまでできれば、『Rで楽しむ統計』でRを使いながらデータ分析を試せるようになっているはずです

今回覚えて帰ってほしいこと

  1. 他のデータ分析ツールと比較したRの特徴
    • データ分析で試行錯誤するためのツール
    • 世界中の統計学者が作ったモデルを利用できる
  2. Rによるプログラミングの基礎
    • 変数や関数
    • リストとベクトルの使い方
    • 表形式のデータをデータフレームで表現する

参考資料

参加していただきありがとうございますm(_ _)m

51
74
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
51
74