2日目: 記述統計と基本グラフ

データの山をただ眺めていても，なかなかその中から変数の特徴をつかむことは難しいです。 そこで本章では，データを代表する値(代表値)として，平均や分散，標準偏差，中央値などを計算し，データの特徴をつかむことから始めます。

読み込みと記述統計

まずはcsvファイルを読み込みます。 csvファイルの読み込みは，基本関数read.csv()を用います。

df <- read.csv("data/chap2.csv", header = TRUE)

ある条件を満たす行を抽出したい場合は，subset()を用いいます。 subset()関数はsubset(データ, 条件式)のように書くことで，条件を満たす行をデータから抽出できます。 ここでは、基本関数subset()を用いてB国(nationが2)のデータを取り出してみましょう。

df_B <- subset(df, nation==2)

つぎに，as.factor()を使い，カテゴリー変数genderを因子型に変換します。

df_B$gender <- as.factor(df_B$gender)

B国のデータだけを取り出せたので，B国の所得と性別の記述統計量を求めてみましょう。

summary(df_B[,c(1,3)]) # 1列目と3列目の変数だけ
     income      gender
 Min.   :487.0   1:4   
 1st Qu.:494.5   2:6   
 Median :499.5         
 Mean   :500.6         
 3rd Qu.:502.0         
 Max.   :517.0

グラフ

次に、B国の収入の分布を知るために，ヒストグラム(histogram)を作成してみます。 基本関数hist()は引数に1次元の数値ベクトルをとり，ヒストグラムを作成します。

ヒストグラムはhist()

par(family = "HiraKakuProN-W3") # mac文字化け対策
hist(df_B$income, xlab="収入", ylab="度数")

性別の度数分布を表す棒グラフを、基本関数barplot()を用いて作成します。

ヒストグラムはbarplot()

plot(
  df_B$gender, # 性別のベクトル 
  xlab="性別", ylab="度数", # x軸とy軸のラベル
  names.arg = c("男性","女性") # x軸のラベル
  )

次に、男女別の所得分布を表す箱ひげ図(box plot)を作成します。 箱ひげ図は、データの分布を視覚的に表現するためのグラフで、中央値や四分位数、外れ値などを示します。 箱ひげ図は基本関数boxplot()を用いて作成します。

箱ひげ図はboxplot()

par(family = "HiraKakuProN-W3") # mac文字化け対策
boxplot(
  df_B$income ~ df_B$gender, # 性別ごとの所得の分布
  xlab="性別", ylab="所得", 
  names.arg = c("男性","女性")
  )

tidyverseで再実行

ここまで基本関数を用いて、データの読み込みや、データの抽出・加工、グラフの作成をしてきましたが、以下では、よりモダンな記述方法であるtidyverseを用いて同じことを行います。 tidyverseはデータの整形や可視化を行うためのパッケージ群で、データ分析を行う上で非常に便利です。

まずはtidyverseパッケージをインストールし、読み込みます。 ここでは、パッケージのインストールと読み込みを一度に実行してくれるpacmanパッケージのp_load()関数を用いています。

pacman::p_load(tidyverse)

tidyverseパッケージ群の1つであるreadrパッケージのread_csv()関数でcsvファイルを読み込みます。 read_csv()のオプションcol_typesを使うことで、各列の型を指定できます。 1行目は整数i，2と3行目はファクターfを指定して読み込みます。

df <- read_csv(
  "data/chap2.csv",
  col_types = "iff"
  )

次にdplyrパッケージのfilter()関数を用いてB国のデータを取り出しつつ，select()関数で必要な変数だけを選び，summary()で記述統計量を計算します。 このように複数の処理を順番に行う場合には、|>演算子を用いて、パイプラインを作成します。 |>演算子は、左側の結果を右側の関数の第1引数に渡すことができます。

df |> 
  dplyr::filter(nation==2) |> 
  dplyr::select(-nation) |> 
  summary()
     income      gender
 Min.   :487.0   1:4   
 1st Qu.:494.5   2:6   
 Median :499.5         
 Mean   :500.6         
 3rd Qu.:502.0         
 Max.   :517.0

データ操作パッケージdplyrのfilter()関数でデータを抽出し，filter()関数で変数を選択する。 - 変数はその変数以外という意味

tidyverseパッケージ群のなかの強力な作図パッケージggplot2を用いてB国の収入のヒストグラムを書いてみましょう。

df_BB <- df |>
  filter(nation == 2) |> # B国のデータだけを抽出 
  select(income,gender) # incomeとgenderの変数

ggplot(df_BB) + 
  aes(x = income) + # 所得をx軸に
  geom_histogram(
    binwidth = 5, 
    breaks = seq(485, 520, by=5), 
    colour="darkgreen", 
    fill="skyblue"
  ) + theme_bw()

性別の度数分布の棒グラフ

ggplot(data = df_BB) + 
  aes(gender) + 
  geom_bar(
    colour = "darkgreen", 
    fill = "skyblue") + 
  theme_bw()

男女別の所得分布を表す箱ひげ図

ggplot(df_BB) + 
  aes(y = income, x = gender) + 
  geom_boxplot(aes(fill = gender))

課題補足

小数点以下を切り捨てるfloor()とtrunc()は引数がマイナスのとき返す結果が異なるので要注意

# 正の値の時は問題ないが，
floor(3.14159)
[1] 3
trunc(3.14159)
[1] 3
# 負の値の時は結果が異なる。
floor(-3.14159)
[1] -4
trunc(-3.14159)
[1] -3