Lesson1.Data Handling and Exploratory Data plotting
Kosugitti
2015年10月16日
毎回やる儀式
- インターネットに接続しておいてください（このサイトが見えていればOK）。
- Rstudioを起動し，この授業のプロジェクトを開いてください。(File>Open Project)
- File>New File>R scriptで新しいコードファイルを作ってください。
Rことはじめ
Rは一問一答式のプログラム言語です。 四則演算，関数の使い方，代入方法などについて順に説明していきます。 コピペでいいので，自分の環境で実行しながらついてきてください。
四則演算
2+3## [1] 53-4## [1] -15*6## [1] 306/3## [1] 2関数を使う
sqrt(4)## [1] 2help(sqrt)## starting httpd help server ... doneオブジェクトに代入する
obj <- 2
obj## [1] 2obj <- 3
obj## [1] 3obj2 <- 2
obj3 <- 3
obj2 + obj3## [1] 5ベクトルで扱う
obj <- c(1,2,3)
obj## [1] 1 2 3obj <- c(1:10)
obj## [1] 1 2 3 4 5 6 7 8 9 10obj * 2## [1] 2 4 6 8 10 12 14 16 18 20行列形式
obj <- matrix(c(1:10),nrow=5)
obj## [,1] [,2]
## [1,] 1 6
## [2,] 2 7
## [3,] 3 8
## [4,] 4 9
## [5,] 5 10obj <- matrix(c(1:10),nrow=5,byrow=T)
obj## [,1] [,2]
## [1,] 1 2
## [2,] 3 4
## [3,] 5 6
## [4,] 7 8
## [5,] 9 10obj *2## [,1] [,2]
## [1,] 2 4
## [2,] 6 8
## [3,] 10 12
## [4,] 14 16
## [5,] 18 20行列の計算や，行列用の関数については自分で調べてね。
データセットとして:リスト形式
obj <- list(name=c("kosugi","tanaka","suzuki"),
gender=c("male","female","male"),
hight=c(170,160),
weight=c(70.6,80.9,90.6,40.3)
)
obj## $name
## [1] "kosugi" "tanaka" "suzuki"
##
## $gender
## [1] "male" "female" "male"
##
## $hight
## [1] 170 160
##
## $weight
## [1] 70.6 80.9 90.6 40.3obj$name## [1] "kosugi" "tanaka" "suzuki"obj$weight## [1] 70.6 80.9 90.6 40.3str(obj)## List of 4
## $ name : chr [1:3] "kosugi" "tanaka" "suzuki"
## $ gender: chr [1:3] "male" "female" "male"
## $ hight : num [1:2] 170 160
## $ weight: num [1:4] 70.6 80.9 90.6 40.3データセットとして:データフレーム形式
obj <- data.frame(
list(name=c("kosugi","tanaka","suzuki"),
gender=c(1,2,1),
hight=c(170,160,170),
weight=c(70.6,80.9,90.6)
)
)
obj## name gender hight weight
## 1 kosugi 1 170 70.6
## 2 tanaka 2 160 80.9
## 3 suzuki 1 170 90.6str(obj)## 'data.frame': 3 obs. of 4 variables:
## $ name : Factor w/ 3 levels "kosugi","suzuki",..: 1 3 2
## $ gender: num 1 2 1
## $ hight : num 170 160 170
## $ weight: num 70.6 80.9 90.6obj$gender## [1] 1 2 1obj$gender <- factor(obj$gender,labels=c("male","female"))
obj## name gender hight weight
## 1 kosugi male 170 70.6
## 2 tanaka female 160 80.9
## 3 suzuki male 170 90.6str(obj)## 'data.frame': 3 obs. of 4 variables:
## $ name : Factor w/ 3 levels "kosugi","suzuki",..: 1 3 2
## $ gender: Factor w/ 2 levels "male","female": 1 2 1
## $ hight : num 170 160 170
## $ weight: num 70.6 80.9 90.6obj$hight## [1] 170 160 170obj[3,]## name gender hight weight
## 3 suzuki male 170 90.6obj[,2]## [1] male female male
## Levels: male femaleobj[3,2]## [1] male
## Levels: male femaleobj[3,2] <- NA
obj## name gender hight weight
## 1 kosugi male 170 70.6
## 2 tanaka female 160 80.9
## 3 suzuki <NA> 170 90.6summary(obj)## name gender hight weight
## kosugi:1 male :1 Min. :160.0 Min. :70.60
## suzuki:1 female:1 1st Qu.:165.0 1st Qu.:75.75
## tanaka:1 NA's :1 Median :170.0 Median :80.90
## Mean :166.7 Mean :80.70
## 3rd Qu.:170.0 3rd Qu.:85.75
## Max. :170.0 Max. :90.60簡単な描画
Rが持っているサンプルデータを使ってプロットしてみましょう。
data(iris)
summary(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## hist(iris$Sepal.Length)
plot(iris$Sepal.Length,iris$Sepal.Width)
plot(iris$Sepal.Length,iris$Sepal.Width,pch=21,bg=c(2,3,4)[iris$Species])
boxplot(iris$Sepal.Length~iris$Species)
Rで記述統計
mean(iris$Sepal.Length)## [1] 5.843333median(iris$Sepal.Length)## [1] 5.8var(iris$Sepal.Length)## [1] 0.6856935sd(iris$Sepal.Length)## [1] 0.8280661cor(iris$Sepal.Length,iris$Sepal.Width)## [1] -0.1175698データ・ハンドリング
実際に自分のデータを分析する時は，外部ファイルから読み込むことが一般的です。 配布済みのデータセットを読み込んでみましょう。 10.16追記 エンコーディングのところでエラーがでるので指定しないようにしました。
b.data <- read.csv("baseball2015.csv",na.strings="*")
summary(b.data)## CP name team money position
## C:100 クルーズ : 2 巨人 :24 Min. : 4250 外野手:38
## P:100 Ｔ?岡田 : 1 ソフトバンク:23 1st Qu.: 6000 投手 :95
## Ｙ．グリエル: 1 オリックス :20 Median : 9750 内野手:58
## アンダーソン: 1 ヤクルト :17 Mean :13467 捕手 : 9
## イ・デウン : 1 中日 :16 3rd Qu.:16375
## ウィーラー : 1 日本ハム :16 Max. :51000
## (Other) :193 (Other) :84
## year age birth.y birth.m
## Min. : 1.00 Min. :21.00 Min. :1970 Min. : 1.00
## 1st Qu.: 4.00 1st Qu.:29.00 1st Qu.:1980 1st Qu.: 4.00
## Median : 9.00 Median :31.00 Median :1983 Median : 7.00
## Mean : 8.79 Mean :31.75 Mean :1983 Mean : 7.01
## 3rd Qu.:13.00 3rd Qu.:35.00 3rd Qu.:1986 3rd Qu.:10.00
## Max. :27.00 Max. :45.00 Max. :1994 Max. :12.00
##
## birth.d height weight b.type throw
## Min. : 1.00 Min. :167.0 Min. : 67.00 A :59 右:172
## 1st Qu.: 9.00 1st Qu.:178.0 1st Qu.: 80.00 AB :14 左: 28
## Median :15.00 Median :180.5 Median : 87.50 B :34
## Mean :15.95 Mean :181.9 Mean : 88.62 O :47
## 3rd Qu.:24.25 3rd Qu.:185.0 3rd Qu.: 95.25 不明:46
## Max. :31.00 Max. :205.0 Max. :130.00
##
## hit from
## 右:129 アメリカ : 25
## 左: 66 大阪 : 15
## 両: 5 京都 : 10
## ドミニカ共和国: 9
## 神奈川 : 9
## 福岡 : 9
## (Other) :123head(b.data)## CP name team money position year age birth.y birth.m
## 1 C 阿部 慎之助 巨人 51000 内野手 15 36 1979 3
## 2 C 杉内 俊哉 巨人 50000 投手 14 34 1980 10
## 3 P 金子 千尋 オリックス 50000 投手 11 31 1983 11
## 4 C マートン 阪神 45600 外野手 6 34 1981 10
## 5 C 黒田 博樹 広島 40000 投手 12 40 1975 2
## 6 C 鳥谷 敬 阪神 40000 内野手 12 34 1981 6
## birth.d height weight b.type throw hit from
## 1 20 180 97 A 右 左 千葉
## 2 30 175 82 A 左 左 福岡
## 3 8 180 77 O 右 左 新潟
## 4 3 185 99 不明 右 右 アメリカ
## 5 10 185 93 B 右 右 大阪
## 6 26 180 77 B 右 左 東京tail(b.data)## CP name team money position year age birth.y birth.m
## 195 C 松岡 健一 ヤクルト 4550 投手 11 33 1982 6
## 196 C 小笠原 道大 中日 4500 内野手 19 41 1973 10
## 197 C 大野 雄大 中日 4500 投手 5 27 1988 9
## 198 C 藤井 彰人 阪神 4500 捕手 17 39 1976 6
## 199 C 福谷 浩司 中日 4500 投手 3 24 1991 1
## 200 C ザガースキー 広島 4250 投手 1 32 1983 1
## birth.d height weight b.type throw hit from
## 195 7 181 85 AB 右 右 熊本
## 196 25 178 84 A 右 左 千葉
## 197 26 183 78 O 左 左 京都
## 198 18 170 80 AB 右 右 大阪
## 199 9 183 90 B 右 右 愛知
## 200 27 183 109 不明 左 左 アメリカデータの部分抽出
セ・リーグのデータだけにします。
centrals <- subset(b.data,b.data$CP=="C")
summary(centrals)## CP name team money position
## C:100 Ｙ．グリエル: 1 巨人 :24 Min. : 4250 外野手:20
## P: 0 アンダーソン: 1 ヤクルト:17 1st Qu.: 6000 投手 :48
## エルドレッド: 1 中日 :16 Median :10000 内野手:28
## エルナンデス: 1 広島 :15 Mean :13595 捕手 : 4
## オンドルセク: 1 阪神 :15 3rd Qu.:16375
## グスマン : 1 DeNA :13 Max. :51000
## (Other) :94 (Other) : 0
## year age birth.y birth.m
## Min. : 1.00 Min. :21.00 Min. :1970 Min. : 1.00
## 1st Qu.: 4.00 1st Qu.:30.00 1st Qu.:1979 1st Qu.: 4.00
## Median :10.00 Median :32.00 Median :1983 Median : 7.00
## Mean : 9.57 Mean :32.48 Mean :1982 Mean : 7.03
## 3rd Qu.:13.25 3rd Qu.:36.00 3rd Qu.:1985 3rd Qu.:10.00
## Max. :27.00 Max. :44.00 Max. :1994 Max. :12.00
##
## birth.d height weight b.type throw
## Min. : 1.00 Min. :167.0 Min. : 68.00 A :32 右:82
## 1st Qu.:10.75 1st Qu.:178.8 1st Qu.: 81.75 AB :11 左:18
## Median :16.00 Median :182.0 Median : 88.00 B :16
## Mean :17.30 Mean :182.2 Mean : 89.10 O :19
## 3rd Qu.:26.00 3rd Qu.:185.0 3rd Qu.: 96.00 不明:22
## Max. :31.00 Max. :203.0 Max. :122.00
##
## hit from
## 右:65 アメリカ:12
## 左:32 大阪 :10
## 両: 3 神奈川 : 7
## 千葉 : 6
## 愛知 : 5
## 京都 : 5
## (Other) :55身長と体重のデータだけ抜き出し，相関関係を見てみます。
physical <- subset(b.data,select=c("height","weight"))
cor(physical)## height weight
## height 1.0000000 0.7284891
## weight 0.7284891 1.00000002015からプレイ年数(year)を引くことで,入団年（あるいはプロになった年齢）がわかります。これを新しい変数にします。
b.data$nyudan <- 2015-b.data$yearプレイ年数が第一4分位より長い人はexpertというラベルを張ることにします。
hist(b.data$year)
quantile(b.data$year,prob=c(0,0.25,0.5,0.75,1))## 0% 25% 50% 75% 100%
## 1 4 9 13 27b.data$grade <- ifelse(b.data$year>=13,1,2)
b.data$grade <- factor(b.data$grade,labels=c("expert","normal"))
table(b.data$grade)##
## expert normal
## 52 148探索的データプロット
** データは図にする。プロットする。** これが分析の基本です。まずデータがどういう特徴を持っているかを，しっかりと目で把握しましょう。 それができていないと，データにモデルを当てはめるという話が始まりませんので。
ggplot2の導入
探索的データプロットのパッケージ，ggplot2をインストールします。
install.packages("ggplot2")インストールしただけでは使えません。library関数（またはrequire関数）で装備します。
library(ggplot2)まずはデータと全体設定を持ったggplotオブジェクトを作ります。
gp <- ggplot(b.data,aes(x=year,y=money,color=team))点を打ってみましょう。
gp_point <- gp + geom_point()
plot(gp_point)
色だけじゃなく，大きさや形状を変えてプロットすることもできます。
gp <- ggplot(b.data,aes(x=year,y=money,color=team,shape=position,size=b.type))
gp_point <- gp + geom_point()
plot(gp_point)
タイトルや軸ラベルも書いておきましょう。
gp <- ggplot(b.data,aes(x=year,y=money,color=team,shape=position,size=b.type))
gp_point <- gp + geom_point()+xlab("プレイ期間")+ylab("年俸")+ggtitle("野球選手の年棒とプレイ期間の関係")
plot(gp_point)
画を複数に分けることもできます。
gp <- ggplot(b.data,aes(x=year,y=money,color=team,shape=position))
gp_point <- gp + geom_point() + facet_wrap(~b.type)
plot(gp_point)
横軸がカテゴリカルであれば，箱ひげ図や棒グラフになります。
gp <- ggplot(b.data,aes(x=team,y=money,fill=position))
gp_box <- gp + geom_boxplot()
plot(gp_box)
gp_bar <- gp + geom_bar(stat="identity",position="dodge")
plot(gp_bar)
# 平均が見たい
gp_bar <- gp + stat_summary(fun.y=mean,geom="bar",position="dodge")
plot(gp_bar)
# 中央値が見たい
gp_bar <- gp + stat_summary(fun.y=median,geom="bar",position="dodge")
plot(gp_bar)
エラーバーを追加する例。
gp <- ggplot(b.data,aes(x=position,y=money,fill=position))
gp_bar <- gp + stat_summary(fun.y=mean,geom="bar",position="dodge") +
stat_summary(fun.data=mean_se,geom="errorbar",width=0.5)
plot(gp_bar)
様々な角度からデータをプロットし，分布の形状や変数間関係をしっかり見極める癖をつけましょう。
本日の課題
- 野球選手のBMIを計算してください。計算した値は，同じデータセットにBMIという変数を作って入れてください。
- 年俸と守備位置とBMIの関係をグラフにして表現してください。何グラフを用いても良い。