はじめに
本記事はR言語の基本的な文法をまとめたもの。環境構築(RStudioのインストール手順等)は扱わない。RStudioを用いている前提の箇所があれば都度言及する。
1. R言語入門
1.1. 電卓としての使い方
- Rはインタプリンタ言語なので1行コマンドを入力して、それを直ちに実行できる。
> 3+4
[1] 7
- 以下のように関数電卓的な使用もできる。
> sin(pi/6)+cos(pi/3)+sqrt(9)+log(exp(1))
[1] 5
- 指定した数だけ正規乱数を発生させる。(rnorm)
> rnorm(20)
[1] -1.02053634 -0.55488115 -1.47187573 0.82275377 0.81083345 -0.32256125
[7] 0.98641516 -1.87007312 -1.15759474 -0.26185971 -0.05742923 1.17155699
[13] 0.05900137 0.21806631 -0.47697859 -0.11519124 -1.74180094 0.64473029
[19] 0.31408455 0.17466594
出力行の[1]などはその行の先頭の要素が何番目の要素か示したもの(実行時の出力画面のウィンドウ幅によって決定する)。
1.2. ベクトル
単一のデータ型。Rにおいて、数値1つだけでも大きさ1のベクトルとして扱われる。
- ベクトルの明示的な作成には
c()関数を用いる。
> c(1,3,10)
[1] 1 3 10
> c(sin(pi/3),sqrt(2))
[1] 0.8660254 1.4142136
- 文字列のベクトルはダブルクォート若しくはシングルクォートで囲む。
- 数値型と文字列型が混在する場合、数値型が強制的に文字型になる。
> c("Hello","world")
[1] "Hello" "world"
> # 計算結果が文字型に変換
> c("Hello","world",2022)
[1] "Hello" "world" "2022"
- 規則的に並ぶ数列の作成例などを示す。
> # 1ずつ増加する数列
> 1:10
[1] 1 2 3 4 5 6 7 8 9 10
> # 同じ数列の繰り返し
> rep(10,3)
[1] 10 10 10
> # 等差数列(1から2まで0.1ずつ増加)
> seq(1,2,0.1)
[1] 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
1.3. 変数への代入とベクトルの演算
- 代入演算子は
<-により行われる。 - 変数の内容を確認したいときは、単に変数名を実行する。
> x <- c(3,6,10)
> x
[1] 3 6 10
- ベクトル同士の演算は、要素数が等しいならば対応する要素同士で演算する。
> y <- c(3,2,5)
> x/y
[1] 1 3 2
- 実数とベクトルの演算は、その演算が要素ごとに掛かる。
[1] 3 6 10
> x*2
[1] 6 12 20
> x^2
[1] 9 36 100
1.4. 配列と行列
ベクトルに次元属性を付与することで簡単に高次元配列が作成できる。
-
dim()を用いて、ベクトルを代入することで各次元の要素数を指定できる。
> # 2次元配列
> x <- 1:9
> dim(x) <- c(3,3) # 3*3行列
> x
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
>
> # 3次元配列
> x <- 1:27
> dim(x) <- c(3,3,3) # 3*3*3
> x
, , 1
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
, , 2
[,1] [,2] [,3]
[1,] 10 13 16
[2,] 11 14 17
[3,] 12 15 18
, , 3
[,1] [,2] [,3]
[1,] 19 22 25
[2,] 20 23 26
[3,] 21 24 27
- 要素の参照はベクトルとしても、配列の要素としても参照できる。
> x[4]
[1] 4
> x[1,2,1]
[1] 4
- 行列はmatrixで作成できる。
-
ncol：列数を指定。 -
byrow：行方向に行列を形成するか否か(デフォルトFALSE)
> matrix(1:15,ncol=5,byrow=TRUE)
[,1] [,2] [,3] [,4] [,5]
[1,] 1 2 3 4 5
[2,] 6 7 8 9 10
[3,] 11 12 13 14 15
ベクトル同士を連結し、行列にすることもできる。
-
cbind()：行方向に連結。 -
rbind()：列方向に連結。
> cbind(1:2,4:5,7:8)
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
>
> rbind(1:2,4:5,7:8)
[,1] [,2]
[1,] 1 2
[2,] 4 5
[3,] 7 8
>
> # 行列と連結させることもできる
> cbind(matrix(1:6,ncol=2),7:9)
[,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
1.5. 因子型
R言語独特の型。統計データには質的変数(量的ではないデータ)がある。それらを扱うために導入される。
- 因子型変数は水準(
Levels)が出力される。 -
as.numeric()：因子型を数値型に変換する。その際、水準番号に変換されることに注意(Rは1始まり)。 -
as.character()：因子型を文字型に変換する。
> # 数値による因子型作成
> hakata <- c(0,2,3,1,3,2,1,2)
> factor_hakata <- factor(hakata,levels=0:3)
> factor_hakata
[1] 0 2 3 1 3 2 1 2
Levels: 0 1 2 3
> as.numeric(factor_hakata)
[1] 1 3 4 2 4 3 2 3
> as.numeric(as.character(factor_hakata))
[1] 0 2 3 1 3 2 1 2
-
levels()関数により、水準の参照・代入が可能。
> levels(factor_hakata)
[1] "0" "1" "2" "3"
> levels(factor_hakata) <- c("天ぷら","もつ鍋","ラーメン","ごまさば")
> factor_hakata
[1] 天ぷら ラーメン ごまさば もつ鍋 ごまさば ラーメン もつ鍋 ラーメン
Levels: 天ぷら もつ鍋 ラーメン ごまさば
> as.numeric(factor_hakata)
[1] 1 3 4 2 4 3 2 3
1.6. リスト(型)
複数の異なるベクトルの集まりを1つのオブジェクトとして扱うデータ構造のこと。(C++でいうところの構造体に近い?)
> description <- "英語のテスト"
> reading <- c(198,132,180,97,190)
> listening <- c(50,29,37,15,41)
> # リストを作成
> english <- list(description=description,reading=reading,listening=listening)
> english
$description
[1] "英語のテスト"
$reading
[1] 198 132 180 97 190
$listening
[1] 50 29 37 15 41
-
{リストのオブジェクト名}${要素の参照名}でリストの要素を参照できる。
> english$reading
[1] 198 132 180 97 190
- 要素番号で参照することもできる。
> english[[2]]
[1] 198 132 180 97 190
- 要素の文字列で指定して参照できるが、その場合はリストとして返される。
> english["reading"]
$reading
[1] 198 132 180 97 190
> class(english["reading"])
[1] "list"
- リストの要素の参照名一覧は
names()で取得できる。
> names(english)
[1] "description" "reading" "listening"
1.7. データフレーム
同じ長さのベクトルを要素とするリストである。つまり、テーブル形式のデータ集合を扱うための構造体である。
- データフレームの各行を個体。各列を変数という。
- データフレームの作成には
data.frame()を用いる。引数はlist()と同じ。
> english.seiseki <- data.frame(people=c("Bob","John","Ken","Michel","Alice"),reading=reading,listening=listening)
> english.seiseki
people reading listening
1 Bob 198 50
2 John 132 29
3 Ken 180 37
4 Michel 97 15
5 Alice 190 41
リストの時と同様に、要素名を指定して値を返す。
> english.seiseki$reading
[1] 198 132 180 97 190
> english.seiseki["listening"]
listening
1 50
2 29
3 37
4 15
5 41
リストとは異なり、行列の要領で値を参照することもできる。
> english.seiseki[5,2]
[1] 190
余談
Rで統計分析を行う関数の多くは引数にデータフレームを取ったり、戻り値としてデータフレームが返される。重要な型である。
2. 外部データの読み込み
- CSVファイルをデータフレームとして読み込むには
read.csv()を用いる。
実行例で用いているcsvファイルはhttps://archive.ics.uci.edu/ml/machine-learning-databases/00292/ より取得できる。
> ws.customer <- read.csv("Wholesale customers data.csv")
> ws.customer
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
1 2 3 12669 9656 7561 214 2674 1338
2 2 3 7057 9810 9568 1762 3293 1776
3 2 3 6353 8808 7684 2405 3516 7844
4 1 3 13265 1196 4221 6404 507 1788
5 2 3 22615 5410 7198 3915 1777 5185
... 中略 ..
121 1 3 17160 1200 3412 2417 174 1136
122 1 3 4020 3234 1498 2395 264 255
123 1 3 12212 201 245 1991 25 860
124 2 3 11170 10769 8814 2194 1976 143
125 1 3 36050 1642 2961 4787 500 1621
[ reached 'max' / getOption("max.print") -- omitted 315 rows ]
- タブ区切りのようなカンマ区切りではないデータは
read.table()関数で取得できる。たとえばCSVをEXCELで開いてコピーするとタブ区切りになるが、それを取得するには以下のように書く。 - タブ区切りでない場合、
read.table()関数の中でsep=で区切り文字を指定する。
> ws.customer <- read.table("clipboard",header=T)
> ws.customer
Channel Region Fresh Milk Grocery Frozen
1 2 3 12669 9656 7561 214
2 2 3 7057 9810 9568 1762
3 2 3 6353 8808 7684 2405
このときクリップボードは以下のようになっている。
また、ファイルを読み取る場合は、第一引数にclipboardの代わりにファイルのパスを設定する。
3. データの要約
データフレームに格納される各列のデータについて、代表的な統計量(平均・中央値・分散・標準偏差・四分位偏差)などを計算する関数summary()を適用し、データの要約ができる。
- Min：最小値
- 1st Qu：第1四分位点(中央値以下のデータの中の中央値)
- Median：中央値
- Mean：平均値
- 3rd Qu：第3四分位点(中央値以上のデータの中の中央値)
- Max：最大値
> # ChannelとRegionは名義尺度なので、因子型に変換
> ws.customer$Channel <- factor(ws.customer$Channel,labels=c("Horeca","Retail"))
> ws.customer$Region <- factor(ws.customer$Region,labels=c("Lisbon","Oporto","Other Region"))
> summary(ws.customer)
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
Horeca:298 Lisbon : 77 Min. : 3 Min. : 55 Min. : 3 Min. : 25.0 Min. : 3.0 Min. : 3.0
Retail:142 Oporto : 47 1st Qu.: 3128 1st Qu.: 1533 1st Qu.: 2153 1st Qu.: 742.2 1st Qu.: 256.8 1st Qu.: 408.2
Other Region:316 Median : 8504 Median : 3627 Median : 4756 Median : 1526.0 Median : 816.5 Median : 965.5
Mean : 12000 Mean : 5796 Mean : 7951 Mean : 3071.9 Mean : 2881.5 Mean : 1524.9
3rd Qu.: 16934 3rd Qu.: 7190 3rd Qu.:10656 3rd Qu.: 3554.2 3rd Qu.: 3922.0 3rd Qu.: 1820.2
Max. :112151 Max. :73498 Max. :92780 Max. :60869.0 Max. :40827.0 Max. :47943.0
-
var()：分散を計算。 -
sd()：標準偏差を計算。 -
IQR()：四分位偏差(第3四分位点と第1四分位点の差)を計算。 -
cor()：相関係数を計算。
> var(ws.customer$Fresh)
[1] 159954927
> sd(ws.customer$Fresh)
[1] 12647.33
> IQR(ws.customer$Fresh)
[1] 13806
> # 因子型を除くために3列目以降のみ指定している。
> cor(ws.customer[,3:6])
Fresh Milk Grocery Frozen
Fresh 1.00000000 0.1005098 -0.01185387 0.34588146
Milk 0.10050977 1.0000000 0.72833512 0.12399376
Grocery -0.01185387 0.7283351 1.00000000 -0.04019274
Frozen 0.34588146 0.1239938 -0.04019274 1.00000000
4. パッケージのインストール
-
install.packages()関数でインストールする。 -
library()関数で使えるようにする。- インストールは最初の1度のみ行うが、
library()はRを起動するたびに実行する必要がある。
- インストールは最初の1度のみ行うが、
> install.packages("dplyr")
> library(dplyr)
5. dplyrによるデータフレーム操作
Rの標準関数でもいいが、実行速度に難があるためdplyrを用いる。
-
filter()：条件式を追加し、条件を満たす個体(行)のみ抽出する。カンマ区切りのときはAND,「|」区切りの時はORである。
> filter(ws.customer,Frozen>8000,Grocery>9000)
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
1 Horeca Other Region 112151 29627 18148 16745 4948 8550
2 Horeca Other Region 36847 43950 20170 36534 239 47943
3 Horeca Lisbon 5909 23527 13699 10155 830 3636
4 Horeca Other Region 68951 4411 12609 8692 751 2406
5 Horeca Oporto 32717 16784 13626 60869 1272 5609
6 Horeca Other Region 29703 12051 16027 13135 182 2204
>
> filter(ws.customer,Frozen>8000|Grocery>9000)
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
1 Retail Other Region 7057 9810 9568 1762 3293 1776
2 Retail Other Region 7579 4956 9426 1669 3321 2566
3 Retail Other Region 6006 11093 18881 1159 7425 2098
4 Retail Other Region 3366 5403 12974 4400 5977 1744
... 中略 ..
123 Retail Oporto 9759 25071 17645 1128 12408 1625
124 Horeca Oporto 13360 944 11593 915 1679 573
125 Horeca Oporto 32717 16784 13626 60869 1272 5609
[ reached 'max' / getOption("max.print") -- omitted 41 rows ]
-
select()：指定した変数名を抽出する。コロンで連続する変数を抽出できる。カンマは指定した変数のみ抽出する。
> select(ws.customer,Channel:Milk)
Channel Region Fresh Milk
1 Retail Other Region 12669 9656
2 Retail Other Region 7057 9810
3 Retail Other Region 6353 8808
4 Horeca Other Region 13265 1196
... 略 ..
> select(ws.customer,Channel,Delicassen)
Channel Delicassen
1 Retail 1338
2 Retail 1776
3 Retail 7844
4 Horeca 1788
... 略 ..
-
summarize()：データの要約を行う。後述するが因子ごとにグループ分けした統計量も容易に算出できる。
下記例では、1列目にデータ数、2,3列目にそれぞれの変数の平均を出力。
> summarise(ws.customer,n=n(),Fresh.m=mean(Fresh),Milk.m=mean(Milk))
n Fresh.m Milk.m
1 440 12000.3 5796.266
-
group_by()：因子型の種類ごとにグループ分けする。以下の例ではChannelとRegionについてグループ分けしている。
この状態でsummariseするとグループごとの統計量が計算できる。
> ws.customer.g <- group_by(ws.customer,Channel,Region)
> summarise(ws.customer.g,n=n(),Fresh.m=mean(Fresh),Milk.m=mean(Milk),.groups="keep")
# A tibble: 6 × 5
# Groups: Channel, Region [6]
Channel Region n Fresh.m Milk.m
<fct> <fct> <int> <dbl> <dbl>
1 Horeca Lisbon 59 12902. 3870.
2 Horeca Oporto 28 11651. 2304.
3 Horeca Other Region 211 13878. 3487.
4 Retail Lisbon 18 5200 10784
5 Retail Oporto 19 7290. 9191.
6 Retail Other Region 105 9832. 10981.
-
arrange()：データをソートする。
ソートしたい変数をカンマ区切りで指定する。デフォルトは昇順だが、desc()により降順にできる。左に書いた変数ほど優先してソートされる。
> arrange(ws.customer,Fresh,Milk,Grocery)
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
1 Horeca Oporto 3 333 7021 15601 15 550
2 Horeca Other Region 3 2920 6252 440 223 709
3 Horeca Other Region 9 1534 7417 175 3468 27
4 Retail Lisbon 18 7504 15205 1285 4797 6372
5 Retail Other Region 23 2616 8118 145 3874 217
... 略 ..
>
> arrange(ws.customer,desc(Fresh),Milk,Grocery)
Channel Region Fresh Milk Grocery Frozen Detergents_Paper Delicassen
1 Horeca Other Region 112151 29627 18148 16745 4948 8550
2 Horeca Other Region 76237 3473 7102 16538 778 918
3 Horeca Other Region 68951 4411 12609 8692 751 2406
4 Horeca Other Region 56159 555 902 10002 212 2916
5 Horeca Lisbon 56083 4563 2124 6422 730 3321
... 略 ..
-
%>%によるデータフレーム操作の結合
上記を組み合わせた一連の操作をするために、通常では1つ1つの操作で別のオブジェクトを作りそのオブジェクトをまた上記関数に渡し......という面倒な操作が生じる。それを回避するために用いる。その際に2つ目以降の関数ではデータフレームを引数に書かずに実行できる。
> select(ws.customer,Channel,Delicassen) %>% # 変数を選択する
+ arrange(desc(Delicassen)) %>% # 選択したデータフレームをソートする
+ head(4) # 選択&ソートしたデータフレームの上から4行目を抽出する
Channel Delicassen
1 Horeca 47943
2 Retail 16523
3 Horeca 14472
4 Horeca 14351
6. データの可視化
可視化もRの標準関数があるが、ggplot2というパッケージを用いるのが主流のよう。ここでもそれを用いる。
> install.packages("ggplot2")
> library(ggplot2)
qplot関数について
ggplot2のqplot()関数の第一引数等に渡すデータ型により描画する図のタイプが変わるので、まずまとめておく。詳細は後述する。
- 棒グラフ：因子型の変数が1つだけ指定された場合
- ヒストグラム：量的変数が1つだけ指定された場合
- 箱ひげ図(ドットチャート)：因子型の変数と量的変数が指定された場合
- 散布図：量的変数が2つ指定された場合
6.1. 棒グラフ
主に質的変数と比例尺度の組からなるデータの可視化に用いられる。
-
ws.customerデータにおいて、Channelの度数は以下のようにtable()関数で求められる。
> channel.tab <- table(ws.customer$Channel)
> channel.tab
Horeca Retail
298 142
- 因子型1つ指定すると、棒グラフになる。
qplot(Channel,data=ws.customer,fill=I("red"),ylab="度数")
- 棒グラフを更に別の質的変数のカテゴリの比率に応じて区切り、対応する色を割り当てることができる。これを積み上げ縦棒グラフという。
> qplot(Channel,data=ws.customer,fill=Region,ylab="度数")
- 帯グラフ(100%積み上げ棒グラフ)は
qplotを使用できないのでggplotで以下のように書く。
> ggplot(ws.customer) +
+ aes(Channel, fill=factor(Region)) +
+ geom_bar(position="fill")
6.2. ヒストグラム
量的変数の値の分布をみるために用いる。
-
qplot()で1つの量的変数を指定することでヒストグラムを出力する。
> qplot(Milk,data=ws.customer,fill=I("grey"),color=I("black"),binwidth=8000,ylab="度数")
6.3. 箱ひげ図
質的変数により分類された個体のグループごとに、量的変数の分布を比較したいときに用いる。
-
qplotで質的変数と量的変数が指定された場合、ドットチャートが出力される。ひげ図を出力するにはgeom="boxplot"を追加する。
> qplot(Channel,Milk,data=ws.customer,geom="boxplot")
- 箱の下限と上限がそれぞれ第1四分位点、第3四分位点。箱の中の線が中央値(第3四分位点)となる。
- 箱から延びる線(ひげ)の下限、上限はそれぞれ(
第1四分位点-1.5*{第3四分位点-第1四分位点},第3四分位点+1.5*{第3四分位点-第1四分位点})の範囲にあるデータの最小値および最大値である。慣習的にこの範囲外のデータを外れ値として別途プロットしているのが上記の箱ひげ図である。
6.4. 散布図
2つの量的変数を座標平面上にプロットすることで、関連性を見るときに用いる。
-
qplot2つの量的変数を指定することで、散布図を作成できる。
> qplot(Grocery,Detergents_Paper,data=ws.customer)
- プロットの大きさや色をそれぞれ別の変数に対応させて描画することもできる。
qplot(Grocery,Detergents_Paper,data=ws.customer,size=Fresh,color=Channel)
量的変数(Fresh)の場合は、適当に区切られている。
6.5. 層別プロット
質的カテゴリごとのプロットを図を分けて描画できる。以下の例では上記の散布図の例をChannelごとに分けて描画する。
qplot(Grocery,Detergents_Paper,data=ws.customer,size=Fresh,color=Channel,facets=~Channel)
さらにRegionで分けることもできる。
> qplot(Grocery,Detergents_Paper,data=ws.customer,size=Fresh,color=Channel,facets=Region~Channel)
