目次へ

R でデータを処理する

下準備

ディレクトリを確認

ここではデータファイルを読み込んで分析することを学ぶ．そのためには，まずディレクトリをきちんと意識しておくことが必要だ．その状況を下のように設定しなさい．

• カレントディレクトリは，たとえば ~/MathModels/R であるとする． （ディレクトリごとにファイルを分類していない人は，この時点で整理すること）
• カレントディレクトリの下に DATA というディレクトリがある（なければ作っておく）．
• DATA ディレクトリの下にデータファイルが置かれるものとする．
• カレントディレクトリの下に Images というディレクトリがある（なければ作っておく）．
• Images ディレクトリの下に画像を出力するものとする．

データファイルを用意する

以下のファイルをダウンロードして，上記の DATA ディレクトリの中に置く．

• squid.txt

Squid データをいじってみる

squid.txt に収容されているデータの冒頭は次のようになっている（エディタやページャで見てみるとわかる）．

Sample	Year	Month	Location	Sex	GSI
1	1	1	1	2	10.4432
2	1	1	3	2	9.8331
3	1	1	1	2	9.7356
4	1	1	1	2	9.3107
5	1	1	1	2	8.9926
6	1	1	1	2	8.7707
7	1	1	1	2	8.2576
8	1	1	3	2	7.4045
9	1	1	3	2	7.2156
10	1	2	1	2	6.8372
...
(全部で2644行のデータがある)
      

このデータは，4年間にわたって4箇所の漁場で通年漁獲されたイカの生殖器（雌なら卵巣，雄なら精巣）の重量を測ったものである．データのカラムは，左からサンプル番号，採取年(1-4)，月(1-12)，場所(1-4，性別(1-雄, 2-雌)，生殖器の重量となっている．

それでは次のように操作を進めてみよう．

ワーキングディレクトリを設定

• R または Rgui(Windows)とタイプして R コンソールを起動， 以下は R コンソール上で作業
• setwd("./DATA") # データ入力のためのワーキングディレクトリを設定

データフレームとしてファイルを読み込んで内容を確認

• SQ <- read.table("squid.txt",header=TRUE)
  ここでファイルが見つからないといったエラーになったら，上記のディレクトリ設定かファイル名等がおかしいので，調べて直すこと．
• SQ # SQ 全体を表示させる
• head(SQ) # SQ の最初の方だけ表示させる
• str(SQ) # SQ というデータフレームがどういう構造(Structure)を しているかを見る．
• names(SQ) # データフレームの各データ毎の名前が分かる．

上で確認できたこと

str(SQ) の出力は次のようになっているはずだ．上の他の操作も SQ に関する情報を与えてくれる．

	'data.frame':	2644 obs. of  6 variables:
	$ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
	$ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
	$ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
	$ Location: int  1 3 1 1 1 1 1 3 3 1 ...
	$ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
	$ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...
      

• SQはデータフレームで 2644 件の観測値と 6 つの変数をもつ
• データフレーム内の変数は次の通り
  • Sample, 整数型，最初の10個のデータは 1,2,...,10
  • Year, 整数型，最初の10個のデータは 1,1,...,1
  • GSI, 数値型, 10.44, 9.83, ...

names(SQ) について次のようなことを行なってみると，これも何か使えそうだ．

NAMES <- names(SQ)
length(NAMES)  # NAMES が6個の要素をもつベクトルであることがわかる(length は Ruby にもあるぞ)．
class(NAMES)   # 要素は文字列（キャラクター）型
str(NAMES)     # str でまとめて情報が得られる
      

	DT <- read.table("sample.csv",header=FALSE)
	str(DT) ## この操作で，次のことが分かったとする．
	## 読み込まれたDT がデータフレームである
        ## DT は V1 という名前のついたfactor型のデータを含む
        ## 数値が "0.12345..." のようにダブルクオートに挟まれていることに注意
	CHR <- as.character(DT$V1)  ## データを一旦文字列型に変換しておく
	x  <- as.numeric(CHR)    ## さらに数値型として変換して，そのデータが x に代入される
	str(x)     ## データが数値型になっていることを確認    
      

データフレーム内の各変数にアクセスする

Sample, Year, ... , GSI のそれぞれがどうなっているかを知るには，＄記号を使うことができる（重要！）． これらについても上で SQ について行った方法が使える．他の組み合わせについても試してみよう．

• SQ$Sample
• head(SQ$Sample)
• str(SQ$Sample)

集計してみよう

GSI はヤリイカの生殖器の重量のデータで，量的な意味をもつ（他のデータは番号付けや分類に使われている）．GSI については量的統計量を知る意味がある．次の関数が何の情報を引き出しているのかを調べよう．検索すれば分かるはず．

• mean(SQ$GSI)
• min(SQ$GSI)
• max(SQ$GSI)
• median(SQ$GSI)
• var(SQ$GSI)
• sd(SQ$GSI)
• summary(SQ$GSI)

分類を集計する

Year, Month, Location(場所), Sex は整数型だが，量的な意味を持たない単なる分類である． このような変数は，因子（ファクター），カテゴリカル変数，名義変数などと呼ばれることがある（ちょっとあいまいだが）．これらについても集計が役に立つことは多い．Year の他の変数についても試してみよう．

• mean(SQ$Year) # これはナンセンスだ
• summary(SQ$Year) # これもナンセンスだ
• table(SQ$Year)) # この結果は重要だね

可視化してみよう

2次元のグラフでデータを表現するときには，横軸の変数（独立変数）について縦軸の変数（従属変数）をプロットする．R ではチルダ '~' を使って， 縦軸の変数 ~ 横軸の変数 とする． 変数の表現には， $ 記号を使う他， data = SQ のようなやり方も可能だ． データのプロットのための基本的な関数は plot だが，この関数は多機能で，引数として取られたデータによっていろいろな振る舞いをする。

• plot(SQ$GSI ~ SQ$Month)
• plot(GSI ~ Month, data = SQ) # これは上と同じ結果になる。
• plot(SQ$GSI, SQ$Month) # これは (x,y)のように解釈されて変数が逆転するので注意。
• plot(SQ$GSI ~ SQ$Month)

因子（ファクター）を活用する

上で得られたグラフは，整数による分類ごとにデータ点をプロットしている。これは散布図で，どちらの軸にも数値目盛が出力される(オプションの引数で他のタイプのプロットもできる)。このとき，Month を独立変数にとった上の例では違和感は出ないが，Location, Year, Sex を独立変数にとるとおかしなことになる。試してみよう。

• plot(SQ$GSI ~ SQ$Sex)

1 をオスに 2 をメスに対応させているわけだが，目盛には中間の値が現れる。たぶん漁業にとってはトランスジェンダーなイカに関心はないだろうから，これは無意味だ。つまり，Sex や Location や Year は数としてではなく，分類として意味があるわけだ。そこでこれらは因子として， factor(SQ$Sex) のように使うと異なったグラフが現れる。 Sex 以外の変数についても試してみよう。

• plot(SQ$GSI ~ factor(SQ$Sex)) # オス(1),メス(2)ごとに箱ひげ図が表示される。

可視化したデータを画像ファイルに保存する

出力先と画像のフォーマットを指定して描画

上のようにして得られるグラフを画像ファイルに落とせば，文書への貼りこみなどに活用できることになる。R は当然その機能を持っていて，画像ファイルのフォーマットも postscript, pdf, png, jpeg, svg など他種類のものを出力できる。 画像を出力するには，plot 関数の前で，フォーマットと出力先を指定する。次の例を見てみよう。

• setwd("../Images")
• png(file="Squid_GSI_Month.png",width=1200,height=1200)
• plot(SQ$GSI ~ SQ$Month)

カレントディレクトリを指定するところが setwd("../Images") となっているところに注意。その前のカレントディレクトリは ./DATA にあったので，そこから一度上に上がって Images に入るというイメージだ。

ラベルを指定して出力する

上のままの画像では，他に人には意味のないデータフレームや変数の名前がグラフのラベルに使われていて，これは面白くない。グラフのメインタイトルもほしい。そのためには次のようにする。見てわかるように，行をわけても構わない。

  plot(SQ$GSI ~ SQ$Month, xlab="月", 
        ylab="重量/g",main="イカの生殖器重量の月別分布")