【都市・観光情報学でのRマニュアル】2 データ構造

ご挨拶

今回の記事も、大規模なデータ処理のための基礎知識編のつもりです。

※独学の部分も多いので、修正点等あればお気軽にコメントでのご指摘をお願いします……。

前の記事はコチラ
【都市・観光情報学でのRマニュアル】1 データ型

データ構造とは

複数の値を格納する「入れ物」をデータ構造と言う。Rではデータ構造の種類によって格納できるデータ型や操作方法が異なる。

・ ベクトル(vector)

同一データ型の要素を並べた１次元配列。
基本データ型(numeric, integer, logical, complex, character, raw)しか代入できない。

#ベクトルの作り方(よく使うやつ)
a <- numeric(4)
a
# [1] 0 0 0 0

name <- c("Tanaka", "Satou", "Yamada")
name
# [1] "Tanaka" "Satou"  "Yamada"

・ 因子(factor)

character型のデータをカテゴリデータ(名義尺度・順序尺度で表されるデータ)として扱えるようになる。
因子化しておくと、統計解析を行う際に文字列の見た目のまま変数として扱えるため、使用頻度は多い。

# 文字列(名義尺度) → 因子
factors <- factor(c("Tokyo", "Chiba", "Chiba", "Tokyo", "Kanagawa"))
factors
# [1] Tokyo    Chiba    Chiba    Tokyo    Kanagawa
# Levels: Chiba Kanagawa Tokyo

# 文字列(順序尺度) → 因子
gakureki <- factor(c("大卒", "大卒", "修士", "高卒", "高卒", "大卒", "高卒"),
                   levels = c("中卒", "高卒", "大卒", "修士"),
                   ordered = TRUE)
gakureki
# [1] 大卒 大卒 修士 中卒 高卒 大卒 高卒
# Levels: 中卒 < 高卒 < 大卒 < 修士

補足
内部的には「文字列のベクトル」を「ラベル＋整数のベクトル」として扱うため、重複の多い文字列を扱う際はメモリ効率が良くなる。

・ 行列(matrix)

同一データ型の要素を行×列に並べた2次元配列。
線形代数における行列と同じで、要素が数値の場合は行列計算(加算・乗算・転置など)も可能。

# 行列の作成
m <- matrix(1:6, nrow = 2, ncol = 3)
m
#      [,1] [,2] [,3]
# [1,]    1    3    5
# [2,]    2    4    6

# 行列操作(例：転置)
t(m)
#      [,1] [,2]
# [1,]    1    2
# [2,]    3    4
# [3,]    5    6

・ データフレーム(data.frame)

異なるデータ型の列を持つ表形式の構造。
列ごとに列名やデータ型を指定することができ、統計解析やデータ整理などで多用する。
(個人的には、文法の柔軟性や処理速度に優れたデータテーブル(data.table)の利用がおすすめ)

# data.frameの作成
df <- data.frame(id = 1:3, nema = c("Tanaka", "Satou", "Yamada"))
df
#   id   nema
# 1  1 Tanaka
# 2  2  Satou
# 3  3 Yamada
 
# id列の抽出
df$id
# [1] 1 2 3

・ リスト(list)

異なるデータ型の要素をまとめて格納できる。また、データ構造を格納して入れ子構造にすることも出来る。
かなり柔軟な運用ができるので使いどころは非常に多い。

# リストの作成
list_ex <- list(num = c(1:3),
                char = "Tokyo",
                df = data.frame(x = c(1, 2), y = c("a", "b")))

# リストの要素にアクセス
# 要素名でアクセス
list_ex$num
# [1] 1 2 3

list_ex[["char"]]
# [1] "Tokyo"
 
# 順番でアクセス
list_ex[[3]]
#   x y
# 1 1 a
# 2 2 b

1 - (2) まとめ

• Rで複数の値を同時に扱うときは、データ構造という「入れ物」に格納してから処理することになる。
  ・ベクトル
  　同じ型のデータを1列に並べたいとき
  ・リスト
  　異なる方や構造を1つにまとめたいとき
  ・データフレーム
  　表形式で「列＝属性」×「行＝レコード」にまとめたいとき
  入れ物ごとに格納できるデータ型や処理方法が変わってくるため、データの形式や行いたい処理に合わせて入れ物選びが肝心。

• データを追加する際は主に

  1. 既存のデータ構造の末尾に新しいデータ(レコード)を追加する
  2. 空のベクトル・リストを作成しておいて、後からアドレスを指定して格納する

  の2通りの方法がある。
  実務的な面では、2の方がメモリに負荷がかからず処理速度が速い。

• 実際に表形式のデータを扱う際は'data.table'を利用することが強く推奨される。

補足
ベクトルやデータフレームは処理の度にデータをコピー＆新規作成する仕組みが多く、データサイズが大きいとメモリ効率が悪化する。一方で、data.tableは追加・更新が参照ベースで行われ、速度とメモリ効率が大幅に改善される。

登場した関数

・ 引数をベクトルにまとめる関数

c(x, …)

引数	説明
x	格納するデータ。複数指定可能。

Tips
異なる方を同時に引数とした場合、最も幅の広いデータ型に自動変換される

vec <- c(3, 4L, "5")

class(vec)
# [1] "character"

Tips
基地のベクトルを結合して新しいベクトルを作ることも可能(= データの追加)

vec1 <- c(1:3)
vec2 <- c(4:5)

# vec1とvec2を結合する
vec3 <- c(vec1, vec2)
vec3
# [1] 1 2 3 4 5

・ 空の数値ベクトルを作成する関数

要素は全て0になる。

numeric(length)

引数	説明
length	生成するベクトルの長さ。省略した場合0

Tips
空ベクトルを作成してから、あとでアドレスを指定してデータを追加していく方法

# まずは空ベクトルを作成
vec <- numeric(4)
vec
# [1] 0 0 0 0

# i番目の要素にi×2を格納
for (i in 1:4) {
  vec[i] <- i * 2
}
vec
# [1] 2 4 6 8

・ 因子型データを作成する関数

使い方は因子(factor)を参照

factor(x, levels, labels, exclude, ordered, nmax)

引数	説明
x	因子に変換したいベクトル
levels	水準を指定。省略時にはunique(x)(重複を削除したxの要素)の順序になる。
labels	各levelにたいして表示するときの見た目の名前を指定
exclude	除外する値を指定。省略時はNA
ordered	順序付き因子にするかをTRUE/FALSEで指定。省略時にはFALSE
nmax	内部的な引数なので指定不要

・ 行列を作成する関数

matrix(data, nrow, ncol, byrow, dimnames)

引数	説明
data	行列に変換したいベクトル
nrow	行数(整数のみ)
ncol	列数(整数のみ)
byrow	ベクトルを行単位で詰めていくかをTRUE/FALSEで指定。省略時にはFALSE
dimnames	行名・列名をリスト形式で指定可能(あんまり使わない)

Tips
デフォルトでは列ごとに要素が埋まっていく

# デフォルト(列ごとに埋まっていく)
m <- matrix(c(1:6), nrow = 3, ncol = 2)
m
     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6

# byrow = TRUEに設定(行ごとに埋まっていく)
m <- matrix(c(1:6), nrow = 3, ncol = 2, byrow = TRUE
m
     [,1] [,2]
[1,]    1    2
[2,]    3    4
[3,]    5    6

・ データフレームを作成する関数

使い方はデータフレーム(data.frame)を参照。

data.frame(col.nemes = data, …
           row.names, 
           check.rows, 
           check.names,
           fix.empty.names, 
           stringsAsFactors)

引数	説明
col.names = data	データフレームに格納したいベクトル。col.namesに文字列を入れることで列名の指定が可能(省略可)
row.names	行名を指定。省略時は自動で1, 2, ...と割り振られる。
check.rows	列ごとに行数が一致しているかの確認をするかをTRUE/FALSEで指定。省略時はTRUE
fix.empty.names	空の列名を自動で補完するかをTRUE/FALSEで指定。省略時はTRUE
stringAsFactor	文字列を因子型にするかをTRUE/FALSEで指定。省略時はFALSE

・ リストを作成する関数

使い方はリスト(list)を参照。

list(col.names = data, ...)

引数	説明
col.names = data	リストに格納したいオブジェクト(複数指定可能)。col.namesの部分に文字列を入れることで列名の指定が可能(省略可)

次の投稿

Rの基本構文や予約語について書くと思います。

＞ 書きました。
【都市・観光情報学でのRマニュアル】3 Rの基本構文