進化学実習 2024 牧野研 東北大学
東北大学 生命科学研究科 進化ゲノミクス分野 牧野研 特任助教
- 導入: データ解析の全体像。Rの基本。
- データの可視化。
- データ構造の処理1: 抽出、集約など。
- データ構造の処理2: 結合、変形など。
- データ内容の処理: 数値、文字列など。
- データ入力、レポート作成
- 統計モデリング1: 確率分布、尤度
- 統計モデリング2: 一般化線形モデル
- 発表会
2024-04-09 東北大学 理学部生物学科 進化学実習
https://heavywatal.github.io/slides/tohoku2024r/
https://heavywatal.github.io/slides/tohoku2024r/
前処理は大きく2つに分けられる
- データ構造を対象とする処理 — 第3, 4回 本日の話題
- 使いたい部分だけ抽出
- グループごとに特徴を要約
- 何かの順に並べ替え
- 異なるテーブルの結合 👈 第4回ここから
- 変形: 縦長 ↔ 横広
- データ内容を対象とする処理 — 第5回
- 数値の変換: 対数、正規化
- 外れ値・欠損値への対処
- 型変換: 連続変数、カテゴリカル変数、指示変数、因子、日時
- 文字列処理: 正規表現によるパターンマッチ
dplyr — data.frameの高速処理担当
シンプルな関数がたくさん。繋げて使う (piping)
- 抽出
- 列:
select(), - 行:
filter(),distinct(),slice() - 要約・集計
group_by(),summarize(),count()- 並べ替え
arrange(),relocate()- 列の追加・変更
mutate(),rename()- 結合
- 行方向:
bind_rows() - 列方向:
left_join(),inner_join(),full_join()
行の結合: bind_rows()
例。先頭と末尾を6行ずつ取って縦並びで結合する:
dplyr::bind_rows(head(diamonds), tail(diamonds))
carat cut color clarity depth table price x y z
1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
4 0.29 Premium I VS2 62.4 58 334 4.20 4.23 2.63
--
9 0.72 Good D SI1 63.1 55 2757 5.69 5.75 3.61
10 0.70 Very Good D SI1 62.8 60 2757 5.66 5.68 3.56
11 0.86 Premium H SI2 61.0 58 2757 6.15 6.12 3.74
12 0.75 Ideal D SI2 62.2 55 2757 5.83 5.87 3.64
🔰 mpg で同様に3行ずつ取って結合してみよう
列の結合: bind_cols()
例。3行2列の表を横並びで結合する:
dplyr::bind_cols(band_members, band_instruments2)
name band artist plays
1 Mick Stones John guitar
2 John Beatles Paul bass
3 Paul Beatles Keith guitar
band_members band_instruments2
name band artist plays
<chr> <chr> <chr> <chr>
1 Mick Stones 1 John guitar
2 John Beatles 2 Paul bass
3 Paul Beatles 3 Keith guitar
中身が合ってなくても行数が合ってれば成功してしまう。
共通する列を糊しろにして結合したい場合は *_join() 関数 →
共通する列で結合: full_join()
他方に無い部分を NA で補完して左右とも全行保持:
dplyr::full_join(band_members, band_instruments, by = "name")
name band plays
1 Mick Stones <NA>
2 John Beatles guitar
3 Paul Beatles bass
4 Keith <NA> guitar
band_members band_instruments
name band name plays
<chr> <chr> <chr> <chr>
1 Mick Stones 1 John guitar
2 John Beatles 2 Paul bass
3 Paul Beatles 3 Keith guitar
🔰 結合前と結合後の表を手元でも確認しよう
共通する列で結合: full_join()
結合に使う列の名前が違ってても大丈夫:
dplyr::full_join(band_members, band_instruments2, by = c(name = "artist"))
name band plays
1 Mick Stones <NA>
2 John Beatles guitar
3 Paul Beatles bass
4 Keith <NA> guitar
band_members band_instruments2
name band artist plays
<chr> <chr> <chr> <chr>
1 Mick Stones 1 John guitar
2 John Beatles 2 Paul bass
3 Paul Beatles 3 Keith guitar
🔰 結合前と結合後の表を手元でも確認しよう
共通する列で結合: left_join()
右側に無い部分を NA で補完して左側だけ全行保持:
dplyr::left_join(band_members, band_instruments, by = "name")
name band plays
1 Mick Stones <NA>
2 John Beatles guitar
3 Paul Beatles bass
band_members band_instruments
name band name plays
<chr> <chr> <chr> <chr>
1 Mick Stones 1 John guitar
2 John Beatles 2 Paul bass
3 Paul Beatles 3 Keith guitar
その逆は right_join()
🔰 結合前と結合後の表を手元でも確認しよう
共通する列で結合: inner_join()
左右ともに共通する値のある行だけ保持:
dplyr::inner_join(band_members, band_instruments, by = "name")
name band plays
1 John Beatles guitar
2 Paul Beatles bass
band_members band_instruments
name band name plays
<chr> <chr> <chr> <chr>
1 Mick Stones 1 John guitar
2 John Beatles 2 Paul bass
3 Paul Beatles 3 Keith guitar
🔰 結合前と結合後の表を手元でも確認しよう
joinまとめ
生命科学における left_join() の例
左: 興味のある遺伝子の発現データ
右: 全遺伝子のアノテーション情報
↓ left_join(by = “遺伝子名”)
興味のある遺伝子の発現+アノテーション
join例題: nycflights13 データセット
# install.packages("nycflights13")
library(nycflights13)
data(package = "nycflights13")
# airlines, airports, flights, planes, weather
🔰 JFK空港発の100席以上の飛行機で最も多い目的地はどこ？
origin dest n name lat lon alt tz dst tzone
1 JFK LAX 11065 Los Angeles Intl 33.94254 -118.40807 126 -8 A America/Los_Angeles
2 JFK SFO 7587 San Francisco Intl 37.61897 -122.37489 13 -8 A America/Los_Angeles
3 JFK MCO 4616 Orlando Intl 28.42939 -81.30899 96 -5 A America/New_York
4 JFK FLL 3683 Fort Lauderdale Hollywood Intl 26.07258 -80.15275 9 -5 A America/New_York
--
51 JFK DCA 2 Ronald Reagan Washington Natl 38.85208 -77.03772 15 -5 A America/New_York
52 JFK JAC 2 Jackson Hole Airport 43.60733 -110.73775 6451 -7 A America/Denver
53 JFK BNA 1 Nashville Intl 36.12447 -86.67819 599 -6 A America/Chicago
54 JFK STL 1 Lambert St Louis Intl 38.74870 -90.37003 618 -6 A America/Chicago
tidyr — data.frameの変形・整形担当
- 横広から縦長に
pivot_longer(),gather()- 縦長から横広に
pivot_wider(),spread()- 列を分離、結合
separate(),unite()- 入れ子構造をつくる、解消する
nest(),unnest()
etc.
- こういう変形なしでそのまま使えるデータは激レア
- エクセルでポチポチやらず、tidyrで手続きを記述しよう
- ちょっとハードルは高いけど、使えるようになると強い💪
pivot_longer() 横広から縦長に
複数列にまたがる値を1列にする。
そのラベルも合わせて移動。
table4a
pivot_longer(table4a, 2:3, names_to = "year", values_to = "cases")
🔰 変形前と変形後を手元のRで確認してみよう。
pivot_longer() 横広から縦長に: relig_income の例
宗教と収入の関係を調査したデータ。
世帯数のカウントが複数列にまたがっている。
print(relig_income)
religion <$10k $10-20k $20-30k $30-40k $40-50k $50-75k $75-100k $100-150k >150k Don't know/refused
1 Agnostic 27 34 60 81 76 137 122 109 84 96
2 Atheist 12 27 37 52 35 70 73 59 74 76
3 Buddhist 27 21 30 34 33 58 62 39 53 54
4 Catholic 418 617 732 670 638 1116 949 792 633 1489
--
15 Other Christian 9 7 11 13 13 14 18 14 12 18
16 Other Faiths 20 33 40 46 49 63 46 40 41 71
17 Other World Religions 5 2 3 4 2 7 3 4 4 8
18 Unaffiliated 217 299 374 365 341 528 407 321 258 597
pivot_longer() 横広から縦長に: relig_income の例
宗教と収入の関係を調査したデータ。
こうなってたらggplotできるのに。
print(relig_long)
religion income count
1 Agnostic <$10k 27
2 Agnostic $10-20k 34
3 Agnostic $20-30k 60
4 Atheist <$10k 12
5 Atheist $10-20k 27
6 Atheist $20-30k 37
🔰 次ページの答えを見ず自力でやってみよう
pivot_longer() 横広から縦長に: relig_income の例
複数列にまたがっている世帯数カウントを count 1列に移動。
列名になってた収入帯を income 列に移動。
relig_long = relig_income[1:2, 1:4] |> print() |>
tidyr::pivot_longer(!religion, names_to = "income", values_to = "count") |>
print()
religion <$10k $10-20k $20-30k
1 Agnostic 27 34 60
2 Atheist 12 27 37
religion income count
1 Agnostic <$10k 27
2 Agnostic $10-20k 34
3 Agnostic $20-30k 60
4 Atheist <$10k 12
5 Atheist $10-20k 27
6 Atheist $20-30k 37
移動する列を指定する !religion のところは直接 2:10 とかも可。
pivot_wider() 縦長から横広に
1列に収まっていた値を複数列の行列に変換。
そのラベルを列の名前にする。
pivot_wider(table2, names_from = type, values_from = count)
🔰 変形前と変形後を手元のRで確認してみよう。
pivot_wider() 縦長から横広に: fish_encounters
発信器のついた魚が観測地点を通過したことを記録したデータ。
既にggplotしやすそうな形だけど、あえて1魚1行の横広にしたい。
print(fish_encounters)
fish station seen
1 4842 Release 1
2 4842 I80_1 1
3 4842 Lisbon 1
4 4842 Rstr 1
--
111 4864 I80_1 1
112 4865 Release 1
113 4865 I80_1 1
114 4865 Lisbon 1
print(fish_wide)
fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE MAW
1 4842 1 1 1 1 1 1 1 1 1 1 1
2 4843 1 1 1 1 1 1 1 1 1 1 1
3 4844 1 1 1 1 1 1 1 1 1 1 1
4 4845 1 1 1 1 1 NA NA NA NA NA NA
--
16 4862 1 1 1 1 1 1 1 1 1 NA NA
17 4863 1 1 NA NA NA NA NA NA NA NA NA
18 4864 1 1 NA NA NA NA NA NA NA NA NA
19 4865 1 1 1 NA NA NA NA NA NA NA NA
🔰 次ページの答えを見ず自力でやってみよう
pivot_wider() 縦長から横広に: fish_encounters
観測地点 station を列名に移動。
観察されたかどうか seen を各列に移動。存在しなければ NA
fish_encounters |>
tidyr::pivot_wider(names_from = station, values_from = seen)
fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE MAW
1 4842 1 1 1 1 1 1 1 1 1 1 1
2 4843 1 1 1 1 1 1 1 1 1 1 1
3 4844 1 1 1 1 1 1 1 1 1 1 1
4 4845 1 1 1 1 1 NA NA NA NA NA NA
--
16 4862 1 1 1 1 1 1 1 1 1 NA NA
17 4863 1 1 NA NA NA NA NA NA NA NA NA
18 4864 1 1 NA NA NA NA NA NA NA NA NA
19 4865 1 1 1 NA NA NA NA NA NA NA NA
values_fill = 0 とすれば NA じゃなく 0 で埋められる。
pivot_wider() 縦長から横広に: 練習問題1
print(population)
country year population
1 Afghanistan 1995 17586073
2 Afghanistan 1996 18415307
3 Afghanistan 1997 19021226
4 Afghanistan 1998 19496836
--
4057 Zimbabwe 2010 13076978
4058 Zimbabwe 2011 13358738
4059 Zimbabwe 2012 13724317
4060 Zimbabwe 2013 14149648
🔰 1国のデータが1行になるように変形しよう↓
country 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013
1 Afghanistan 17586073 18415307 19021226 19496836 19987071 20595360 21347782 22202806 23116142 24018682 24860855 25631282 26349243 27032197 27708187 28397812 29105480 29824536 30551674
2 Albania 3357858 3341043 3331317 3325456 3317941 3304948 3286084 3263596 3239385 3216197 3196130 3179573 3166222 3156608 3151185 3150143 3153883 3162083 3173271
3 Algeria 29315463 29845208 30345466 30820435 31276295 31719449 32150198 32572977 33003442 33461345 33960903 34507214 35097043 35725377 36383302 37062820 37762962 38481705 39208194
4 American Samoa 52874 53926 54942 55899 56768 57522 58176 58729 59117 59262 59117 58652 57919 57053 56245 55636 55274 55128 55165
--
216 West Bank and Gaza Strip 2598393 2722497 2851993 2980563 3099951 3204572 3291620 3363542 3426549 3489743 3559856 3638829 3725076 3817551 3914035 4012880 4114199 4218771 4326295
217 Yemen 15018201 15578640 16088019 16564235 17035531 17522537 18029989 18551068 19081306 19612696 20139661 20661714 21182162 21703571 22229625 22763008 23304206 23852409 24407381
218 Zambia 8841338 9073311 9320089 9577483 9839179 10100981 10362137 10625423 10894519 11174650 11470022 11781612 12109620 12456527 12825031 13216985 13633796 14075099 14538640
219 Zimbabwe 11639364 11846110 12045813 12229500 12384727 12503652 12586763 12640922 12673103 12693047 12710589 12724308 12740160 12784041 12888918 13076978 13358738 13724317 14149648
pivot_wider() 縦長から横広に: 練習問題2
print(population)
country year population
1 Afghanistan 1995 17586073
2 Afghanistan 1996 18415307
3 Afghanistan 1997 19021226
4 Afghanistan 1998 19496836
--
4057 Zimbabwe 2010 13076978
4058 Zimbabwe 2011 13358738
4059 Zimbabwe 2012 13724317
4060 Zimbabwe 2013 14149648
🔰 1年のデータが1行になるように変形しよう↓
year Afghanistan Albania Algeria American Samoa Andorra Angola Anguilla Antigua and Barbuda Argentina Armenia Aruba Australia Austria Azerbaijan Bahamas Bahrain Bangladesh Barbados Belarus Belgium Belize Benin Bermuda Bhutan Bolivia (Plurinational State of) Bonaire, Saint Eustatius and Saba Bosnia and Herzegovina Botswana Brazil British Virgin Islands Brunei Darussalam Bulgaria Burkina Faso Burundi Cabo Verde Cambodia Cameroon Canada Cayman Islands Central African Republic Chad Chile China China, Hong Kong SAR China, Macao SAR Colombia Comoros Congo Cook Islands Costa Rica Côte d'Ivoire Croatia Cuba Curaçao Cyprus Czech Republic Democratic People's Republic of Korea Democratic Republic of the Congo Denmark Djibouti Dominica Dominican Republic Ecuador Egypt El Salvador Equatorial Guinea Eritrea Estonia Ethiopia Fiji Finland France French Polynesia Gabon Gambia Georgia Germany Ghana Greece Greenland Grenada Guam Guatemala Guinea Guinea-Bissau Guyana Haiti Honduras Hungary Iceland India Indonesia Iran (Islamic Republic of) Iraq Ireland Israel Italy Jamaica Japan Jordan Kazakhstan Kenya Kiribati Kuwait Kyrgyzstan Lao People's Democratic Republic Latvia Lebanon Lesotho Liberia Libya Lithuania Luxembourg Madagascar Malawi Malaysia Maldives Mali Malta Marshall Islands Mauritania Mauritius Mexico Micronesia (Federated States of) Monaco Mongolia Montenegro Montserrat Morocco Mozambique Myanmar Namibia Nauru Nepal Netherlands Antilles Netherlands New Caledonia New Zealand Nicaragua Niger Nigeria Niue Northern Mariana Islands Norway Oman Pakistan Palau Panama Papua New Guinea Paraguay Peru Philippines Poland Portugal Puerto Rico Qatar Republic of Korea Republic of Moldova Romania Russian Federation Rwanda Saint Kitts and Nevis Saint Lucia Saint Vincent and the Grenadines Samoa San Marino Sao Tome and Principe Saudi Arabia Senegal Serbia & Montenegro Serbia Seychelles Sierra Leone Singapore Sint Maarten (Dutch part) Slovakia Slovenia Solomon Islands Somalia South Africa South Sudan Spain Sri Lanka Sudan Suriname Swaziland Sweden Switzerland Syrian Arab Republic Tajikistan Thailand The Former Yugoslav Republic of Macedonia Timor-Leste Togo Tokelau Tonga Trinidad and Tobago Tunisia Turkey Turkmenistan Turks and Caicos Islands Tuvalu Uganda Ukraine United Arab Emirates United Kingdom of Great Britain and Northern Ireland United Republic of Tanzania United States of America Uruguay US Virgin Islands Uzbekistan Vanuatu Venezuela (Bolivarian Republic of) Viet Nam Wallis and Futuna Islands West Bank and Gaza Strip Yemen Zambia Zimbabwe
1 1995 17586073 3357858 29315463 52874 63854 12104952 9807 68349 34833168 3223173 80326 18124234 7985372 7770806 280050 563730 119869585 263165 10189075 10161914 206962 5985658 61407 509105 7635362 NA 3520996 1583453 161890816 18425 295003 8358116 10089876 6209923 399477 10769198 13929575 29294899 31672 3275695 6980351 14440103 1237531429 6144498 398459 36573895 465895 2720633 18305 3478197 14217430 4690192 10932013 NA 855389 10339223 21763678 42012524 5232582 663999 71367 7977966 11315800 61168397 5748013 441829 3407812 1433076 57023519 775587 5108176 58008958 215200 1080477 1065746 5067143 83147770 16760926 10671809 55809 100253 145562 9983861 7837173 1139667 728136 7838241 5591935 10351994 267454 955804355 194112556 60468352 20363138 3610918 5331622 56967071 2462051 124483305 4320158 15549632 27418077 76378 1586123 4592135 4871472 2487988 3033406 1753824 2079921 4747619 3628079 408152 13452526 9964065 20725374 244965 8988853 395615 51020 2334388 1128676 95392647 107556 30700 2298063 NA 10232 26833093 15981571 45329862 1654214 9970 20587157 194332 15420000 189220 3675060 4659458 9167078 108424827 2167 57518 4359788 2154600 126689577 17255 2757004 4715929 4801834 23939261 69606539 38479899 10097055 3689649 501154 44652994 4339081 22963512 148602147 5663838 42888 147040 108122 170158 25680 130378 18567343 8711528 10989446 NA 75433 3927105 3482640 NA 5362950 1991848 359236 6346440 41426810 NA 39420568 18241711 29963988 435776 963428 8826720 7017042 14338240 5784330 58983954 1967013 NA 4284497 1520 95928 1255001 8982649 58522320 4188010 15334 9227 20740726 51146967 2346305 57997197 29944302 268039654 3224383 107018 22950898 168236 22092144 76020043 14143 2598393 15018201 8841338 11639364
2 1996 18415307 3341043 29845208 53926 64274 12451945 10063 70245 35264070 3173425 83195 18339037 8009345 7852273 283678 579697 122400896 263884 10156258 10186767 212375 6176318 61703 512594 7806953 NA 3485575 1620989 164392423 18834 302511 8274592 10372562 6294482 408790 11090611 14316949 29586368 33535 3350299 7216321 14662323 1247897092 6275363 405231 37236124 477548 2797572 18244 3566605 14632391 4647843 10980758 NA 873246 10327823 22016518 43122601 5254383 675891 71146 8118570 11557151 62123592 5806750 456389 3473399 1412522 58815116 784647 5126021 58216225 219282 1108698 1095930 4990097 83388930 17169151 10758368 55832 100796 148060 10214623 8094751 1165465 730865 7986858 5723639 10334876 270089 973147577 197097887 61440887 21017108 3638411 5486219 56937309 2485230 124794906 4450852 15326132 28186224 77511 1585244 4658815 4986592 2458305 3070984 1779197 2197801 4837354 3606012 414004 13882646 10153315 21259831 250659 9222157 398698 51397 2403805 1142191 97201533 108342 30971 2316598 NA 9375 27237150 16463426 45991828 1705309 10033 21115271 192128 15514794 193493 3717342 4756631 9499605 111166210 2122 60248 4385951 2175998 130083700 17695 2814525 4841020 4911701 24365985 71184718 38480234 10140627 3719446 512476 44940974 4308050 22841943 148375246 5929575 43391 148962 108078 171276 25914 132323 18848350 8940298 11028631 NA 76391 3919708 3570085 NA 5372351 1989709 369439 6481035 42204043 NA 39513721 18367795 30824141 441734 984506 8849420 7059633 14746306 5862347 59562136 1975207 NA 4392177 1529 96218 1258365 9116617 59442502 4267690 15967 9264 21407693 50821019 2470810 58168519 30780453 271231546 3247585 107589 23381250 171802 22556838 77166873 14221 2722497 15578640 9073311 11846110
3 1997 19021226 3331317 30345466 54942 64090 12791388 10305 72232 35690778 3137652 85447 18563442 8014124 7921745 286845 597400 124945315 264606 10120556 10205970 218484 6361301 61992 521146 7978521 NA 3535998 1657349 166925457 19270 309904 8199715 10664982 6369573 417562 11395958 14709426 29866502 35596 3424733 7463347 14872458 1257021784 6430651 412031 37901358 489627 2878333 18093 3658020 15042149 4601596 11024249 NA 890733 10311228 22240833 44078397 5276683 687897 70756 8256496 11799289 63094069 5855226 471288 3560353 1397071 60584273 793098 5140755 58418324 223734 1137412 1126986 4922489 83490697 17568461 10833632 55876 101125 150306 10449636 8296478 1191672 734059 8136372 5852719 10311227 272798 990460131 200050444 62542531 21693597 3669799 5630066 56887127 2509439 125048712 4551911 15085965 28943647 78725 1635999 4739263 5096724 2434628 3092718 1801679 2365290 4924347 3583272 419979 14329239 10404259 21805835 256347 9462256 401373 51697 2475726 1154701 98968558 108506 31242 2335723 NA 8217 27632321 16914628 46664455 1757969 10056 21647305 188609 15603344 197726 3752131 4849272 9849621 113979481 2069 62939 4412958 2177723 133597492 18123 2873288 4970823 5021271 24789855 72780928 38461279 10182158 3746634 529491 45220543 4268774 22717415 148079919 6470628 43885 150994 108001 172191 26114 134029 19060850 9164050 11025594 NA 77173 3928313 3653156 NA 5379101 1988790 379861 6673254 42906581 NA 39603778 18473862 31682982 447771 1006760 8859106 7090176 15168523 5937177 60206941 1991687 NA 4504291 1548 96574 1260677 9237249 60372413 4335991 16527 9298 22084527 50421998 2608993 58346633 31586039 274606475 3270549 108002 23789736 175004 23020184 78199254 14309 2851993 16088019 9320089 12045813
4 1998 19496836 3325456 30820435 55899 63799 13137542 10545 74206 36109342 3112958 87276 18794552 8009051 7984460 289926 617537 127478524 265370 10080772 10222896 225083 6546493 62276 533737 8150214 NA 3640821 1692148 169472347 19726 317214 8131424 10967836 6447672 425932 11685332 15107909 30140562 37742 3498140 7724316 15072409 1265222536 6591717 418810 38568056 502128 2961357 17915 3750585 15436470 4554877 11063917 NA 908040 10291153 22444993 44960941 5298680 699922 70295 8392534 12042454 64084443 5895018 486542 3668350 1385531 62353942 800616 5153229 58635564 228380 1166525 1159271 4861848 83500716 17968830 10896763 55948 101302 152275 10691090 8457221 1218336 737526 8285690 5980152 10282937 275568 1007746556 202990922 63713397 22387179 3706616 5764197 56850303 2534127 125266855 4630762 14858241 29702246 80018 1722208 4823870 5200898 2414650 3114014 1821609 2558085 5009240 3558827 425834 14790245 10700180 22355057 261973 9712365 403688 51922 2550307 1166070 100678867 108236 31517 2355618 NA 6936 28013585 17350739 47321204 1809719 10054 22175431 184455 15688091 201899 3783470 4937320 10215806 116867371 2010 65374 4440109 2171135 137139290 18524 2933100 5104516 5130723 25206817 74393147 38428791 10222540 3769718 550367 45489131 4221726 22596183 147715550 7169658 44391 153066 107923 172979 26321 135650 19282965 9387783 10990409 NA 77891 3961869 3735537 NA 5383590 1988806 390493 6904978 43558285 NA 39729942 18575763 32551853 453920 1028694 8861204 7113505 15591261 6012933 60903042 2013117 NA 4620710 1566 96991 1262544 9347451 61308204 4395293 17114 9334 22780451 49974187 2753498 58534306 32378333 278053607 3291677 108271 24170760 178074 23482700 79140734 14394 2980563 16564235 9577483 12229500
--
16 2010 28397812 3150143 37062820 55636 77907 19549124 13768 87233 40374224 2963496 101597 22404488 8401924 9094718 360498 1251513 151125475 280396 9491070 10941288 308595 9509798 64951 716939 10156601 17616 3845929 1969341 195210154 27223 400569 7389175 15540284 9232753 487601 14364931 20624343 34126240 55509 4349921 11720781 17150760 1359821465 7049514 534626 46444798 683081 4111715 20284 4669685 18976588 4338027 11281768 147560 1103685 10553701 24500520 62191161 5550959 834036 71167 10016797 15001072 78075705 6218195 696167 5741159 1298533 87095281 860559 5367693 63230866 268065 1556222 1680640 4388674 83017404 24262901 11109999 56546 104677 159440 14341576 10876033 1586624 786126 9896400 7621204 10014633 318042 1205624648 240676485 74462314 30962380 4467561 7420368 60508978 2741485 127352833 6454554 15921127 40909194 97743 2991580 5334223 6395713 2090519 4341092 2008921 3957990 6040612 3068457 507885 21079532 15013694 28275835 325694 13985961 424738 52428 3609420 1230659 117886404 103619 36845 2712738 620078 4953 31642360 23967265 51931231 2178967 10025 26846016 NA 16615243 246379 4368136 5822209 15893746 159707780 1468 53860 4891251 2802768 173149306 20470 3678128 6858945 6459721 29262830 93444322 38198754 10589792 3709671 1749713 48453931 3573024 21861476 143617913 10836732 52352 177397 109316 186029 30861 178228 27258387 12950564 NA 9647109 91208 5751976 5078969 42519 5433437 2054232 526447 9636173 51452352 NA 46182038 20758779 45592931 524960 1193148 9382297 7830534 21532647 7627326 66402316 2102216 1079450 6306014 1135 104098 1328095 10631830 72137546 5041995 30993 9827 33987213 46050220 8441537 62066350 44973330 312247116 3371982 106382 27769270 236299 29043283 89047397 13565 4012880 22763008 13216985 13076978
17 2011 29105480 3153883 37762962 55274 77865 20180490 13956 88152 40728738 2964120 101932 22740536 8432890 9202432 366331 1292764 152862431 281804 9450391 11006632 316280 9779795 65086 729429 10324445 18194 3839322 1986701 196935134 27730 406512 7333122 15995313 9540362 490556 14605862 21156272 34487414 56601 4436217 12080037 17308449 1368440300 7096359 546278 47078792 700216 4225359 20409 4737680 19389954 4323822 11276053 151523 1116513 10611037 24631291 63931512 5575237 846646 71401 10147598 15246481 79392466 6256242 715996 5932852 1294498 89393063 867921 5389084 63582112 270874 1594034 1734966 4374226 82892904 24820706 11118556 56626 105074 160858 14706578 11161530 1624228 790882 10032864 7776669 9996227 322052 1221156319 243801639 75424285 31837015 4522844 7542327 60729316 2754669 127319206 6731151 16097998 42027891 99250 3124705 5403419 6521314 2073385 4478105 2029516 4079697 6103233 3043980 516348 21678934 15457531 28758968 331964 14416737 426356 52495 3702763 1234910 119361233 103424 37261 2754209 620644 5000 32059424 24581367 52350763 2217618 10024 27156367 NA 16666206 249786 4413923 5905146 16511462 164192925 1426 53230 4943754 3024774 176166353 20606 3740282 7012977 6573097 29614887 95053437 38204598 10597629 3701373 1910902 48732640 3542928 21808931 143438152 11144315 52971 179271 109357 187429 31048 183177 27761728 13330737 NA 9597413 91799 5865491 5192183 43451 5440253 2061952 537997 9907903 51949041 10381110 46514117 20925532 36430923 529761 1212159 9448965 7915200 21804363 7814850 66576332 2103890 1096293 6472304 1148 104554 1333082 10753073 73058638 5106668 31726 9844 35148064 45802721 8925096 62426923 46354607 314911752 3383486 106364 28151746 241778 29500625 89913956 13451 4114199 23304206 13633796 13358738
18 2012 29824536 3162083 38481705 55128 78360 20820525 14132 89069 41086927 2969081 102384 23050471 8463948 9308959 371960 1317827 154695368 283221 9405097 11060095 324060 10050702 65216 741822 10496285 18694 3833916 2003910 198656019 28088 412238 7277831 16460141 9849569 494401 14864646 21699631 34837978 57570 4525209 12448175 17464814 1377064907 7148493 556783 47704427 717503 4337051 20523 4805295 19839750 4307422 11270957 155293 1128994 10660051 24763188 65705093 5597760 859652 71684 10276621 15492264 80721874 6297394 736296 6130922 1290778 91728849 874742 5408466 63936575 273814 1632572 1791225 4358242 82800121 25366462 11124639 56787 105483 162810 15082831 11451273 1663558 795369 10173775 7935846 9976195 325867 1236686732 246864191 76424443 32778030 4575890 7643905 60884593 2768941 127249704 7009444 16271201 43178141 100786 3250496 5474213 6645827 2060428 4647079 2051545 4190435 6154623 3027621 523744 22293914 15906483 29239927 338442 14853572 427764 52555 3796141 1239557 120847477 103395 37579 2796484 621081 5046 32521143 25203395 52797319 2259393 10032 27474377 NA 16714018 253155 4459852 5991733 17157042 168833776 1384 53305 4993875 3314001 179160111 20754 3802281 7167010 6687361 29987800 96706764 38210924 10603804 3694237 2050514 49002683 3514381 21754741 143169653 11457801 53584 180870 109373 188889 31247 188098 28287855 13726021 NA 9552553 92339 5978727 5303264 44355 5445757 2067717 549598 10195134 52385920 10837527 46754541 21098099 37195349 534541 1230985 9511313 7997399 21889682 8008990 66785001 2105575 1114106 6642928 1169 104941 1337439 10874915 73997128 5172931 32427 9860 36345860 45529944 9205651 62783115 47783107 317505266 3395253 106462 28541423 247262 29954782 90795769 13353 4218771 23852409 14075099 13724317
19 2013 30551674 3173271 39208194 55165 79218 21471618 14300 89985 41446246 2976566 102911 23342553 8495145 9413420 377374 1332171 156594962 284644 9356678 11104476 331900 10323474 65341 753947 10671200 19130 3829307 2021144 200361925 28341 417784 7222943 16934839 10162532 498897 15135169 22253959 35181704 58435 4616417 12825314 17619708 1385566537 7203836 566375 48321405 734917 4447632 20629 4872166 20316086 4289714 11265629 158760 1141166 10702197 24895480 67513677 5619096 872932 72003 10403761 15737878 82056378 6340454 757014 6333135 1287251 94100756 881065 5426323 64291280 276831 1671711 1849285 4340895 82726626 25904598 11127990 56987 105897 165124 15468203 11745189 1704255 799613 10317461 8097688 9954941 329535 1252139596 249865631 77447168 33765232 4627173 7733144 60990277 2783888 127143577 7273799 16440586 44353691 102351 3368572 5547548 6769727 2050317 4821971 2074465 4294077 6201521 3016933 530380 22924851 16362567 29716965 345023 15301650 429004 52634 3889880 1244403 122332399 103549 37831 2839073 621383 5091 33008150 25833752 53259018 2303315 10051 27797457 NA 16759229 256496 4505761 6080478 17831270 173615345 1344 53855 5042671 3632444 182142594 20918 3864170 7321262 6802295 30375603 98393574 38216635 10608156 3688318 2168673 49262698 3487204 21698585 142833689 11776522 54191 182273 109373 190372 31448 192993 28828870 14133280 NA 9510506 92838 6092075 5411737 45233 5450223 2071997 561231 10495583 52776130 11296173 46926963 21273228 37964306 539276 1249514 9571105 8077833 21898061 8207834 67010502 2107158 1132879 6816982 1195 105323 1341151 10996515 74932641 5240072 33098 9876 37578876 45238805 9346129 63136265 49253126 320050716 3407062 106627 28934102 252763 30405207 91679733 13272 4326295 24407381 14538640 14149648
pivot_wider() 縦長から横広に: 練習問題3
print(us_rent_income)
GEOID NAME variable estimate moe
1 01 Alabama income 24476 136
2 01 Alabama rent 747 3
3 02 Alaska income 32940 508
4 02 Alaska rent 1200 13
--
101 56 Wyoming income 30854 342
102 56 Wyoming rent 828 11
103 72 Puerto Rico income NA NA
104 72 Puerto Rico rent 464 6
🔰 income と rent の推定値がそれぞれ列となるように変形しよう
GEOID NAME income rent
1 01 Alabama 24476 747
2 02 Alaska 32940 1200
3 04 Arizona 27517 972
4 05 Arkansas 23789 709
--
49 54 West Virginia 23707 681
50 55 Wisconsin 29868 813
51 56 Wyoming 30854 828
52 72 Puerto Rico NA 464
separate() 列を分離
table3 |> tidyr::separate(rate, into = c("cases", "population"), sep = "/")
country year cases population
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
sep は指定しなくてもデフォルトで記号や空白を認識してくれる。
🔰 変形前と変形後を手元のRで確認してみよう。
unite() 列を融合
YEAR
table5 |> tidyr::unite(YEAR, century, year, sep = "") |>
dplyr::mutate(YEAR = as.integer(YEAR))
country YEAR rate
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
結合直後は文字列になっているので数値なら忘れずに変換。
🔰 変形前と変形後を手元のRで確認してみよう。
separate() / unite() 練習問題1
🔰 table3 の rate を分割したあと、また元に戻してみよう。
🔰 table3 の year を分割して table5 を作ってみよう。
print(table3)
country year rate
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
separate() / unite() 練習問題2
🔰 world_bank_pop の indicator を3列に分割してみよう。
(sep = "." を指定せず省略する。理由は文字列処理の回で説明)
print(world_bank_pop)
country indicator 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
1 ABW SP.URB.TOTL 4.162500e+04 4.202500e+04 4.219400e+04 4.227700e+04 4.231700e+04 4.239900e+04 4.255500e+04 4.272900e+04 4.290600e+04 4.307900e+04 4.320600e+04 4.349300e+04 4.386400e+04 4.422800e+04 4.458800e+04 4.494300e+04 4.529700e+04 4.564800e+04
2 ABW SP.URB.GROW 1.664222e+00 9.563731e-01 4.013352e-01 1.965172e-01 9.456936e-02 1.935880e-01 3.672580e-01 4.080490e-01 4.133830e-01 4.023963e-01 2.943735e-01 6.620631e-01 8.493932e-01 8.264135e-01 8.106692e-01 7.930256e-01 7.845785e-01 7.718989e-01
3 ABW SP.POP.TOTL 8.910100e+04 9.069100e+04 9.178100e+04 9.270100e+04 9.354000e+04 9.448300e+04 9.560600e+04 9.678700e+04 9.799600e+04 9.921200e+04 1.003410e+05 1.012880e+05 1.021120e+05 1.028800e+05 1.035940e+05 1.042570e+05 1.048740e+05 1.054390e+05
4 ABW SP.POP.GROW 2.539234e+00 1.768757e+00 1.194718e+00 9.973955e-01 9.009892e-01 1.003077e+00 1.181566e+00 1.227711e+00 1.241397e+00 1.233231e+00 1.131541e+00 9.393559e-01 8.102306e-01 7.493010e-01 6.916153e-01 6.379592e-01 5.900625e-01 5.372957e-01
--
1061 ZWE SP.URB.TOTL 3.995150e+06 4.069981e+06 4.144889e+06 4.163625e+06 4.170453e+06 4.169863e+06 4.183242e+06 4.201195e+06 4.211896e+06 4.232267e+06 4.262290e+06 4.300463e+06 4.355539e+06 4.426387e+06 4.503674e+06 4.584076e+06 4.667645e+06 4.755312e+06
1062 ZWE SP.URB.GROW 2.228930e+00 1.855721e+00 1.823768e+00 4.510080e-01 1.638574e-01 -1.414815e-02 3.203362e-01 4.282465e-01 2.543894e-01 4.824881e-01 7.068791e-01 8.916117e-01 1.272568e+00 1.613531e+00 1.730983e+00 1.769505e+00 1.806610e+00 1.860765e+00
1063 ZWE SP.POP.TOTL 1.183468e+07 1.191098e+07 1.198464e+07 1.207583e+07 1.216088e+07 1.222475e+07 1.233049e+07 1.245057e+07 1.255035e+07 1.267981e+07 1.283977e+07 1.302578e+07 1.326533e+07 1.355542e+07 1.385575e+07 1.415494e+07 1.445270e+07 1.475110e+07
1064 ZWE SP.POP.GROW 1.003969e+00 6.426630e-01 6.165668e-01 7.579605e-01 7.018556e-01 5.238506e-01 8.612226e-01 9.691188e-01 7.982070e-01 1.026265e+00 1.253650e+00 1.438339e+00 1.822309e+00 2.163267e+00 2.191391e+00 2.136294e+00 2.081806e+00 2.043620e+00
nest() 入れ子にする
グループ毎にdata.frameを区切ってlist型の列に入れる。
purrrパッケージと共に扱えるようになると強力 (今回は紹介だけ)
nest() 入れ子にする
グループ毎にdata.frameを区切ってlist型の列に入れる。
mpg_nested = mpg |> tidyr::nest(data = !drv) |> print()
drv data
1 f <tbl_df [106 x 10]>
2 4 <tbl_df [103 x 10]>
3 r <tbl_df [25 x 10]>
mpg_nested$data[[1]]
manufacturer model displ year cyl trans cty hwy fl class
1 audi a4 1.8 1999 4 auto(l5) 18 29 p compact
2 audi a4 1.8 1999 4 manual(m5) 21 29 p compact
3 audi a4 2.0 2008 4 manual(m6) 20 31 p compact
4 audi a4 2.0 2008 4 auto(av) 21 30 p compact
--
103 volkswagen passat 2.0 2008 4 manual(m6) 21 29 p midsize
104 volkswagen passat 2.8 1999 6 auto(l5) 16 26 p midsize
105 volkswagen passat 2.8 1999 6 manual(m5) 18 26 p midsize
106 volkswagen passat 3.6 2008 6 auto(s6) 17 26 p midsize
前処理は大きく2つに分けられる
- データ構造を対象とする処理 👈 第3, 4回 本日の話題
- 使いたい部分だけ抽出 —
select(),filter() - グループごとに特徴を要約 —
group_by(),summarize() - 何かの順に並べ替え —
arrange(),relocate() - 異なるテーブルの結合 —
*_join() - 変形: 縦長 ↔ 横広 —
pivot_longer(),pivot_wider()
- 使いたい部分だけ抽出 —
- データ内容を対象とする処理 — 第5回
- 数値の変換: 対数、正規化
- 外れ値・欠損値への対処
- 型変換: 連続変数、カテゴリカル変数、指示変数、因子、日時
- 文字列処理: 正規表現によるパターンマッチ
憶えなくていい。公式サイトなどを見ながら作業
🔰 課題1: economics を変形して作図しよう
print(economics)
date pce pop psavert uempmed unemploy
1 1967-07-01 506.7 198712.0 12.6 4.5 2944
2 1967-08-01 509.8 198911.0 12.6 4.7 2945
--
573 2015-03-01 12158.3 320230.8 7.4 12.0 8504
574 2015-04-01 12193.8 320402.3 7.6 11.5 8526
🔰 課題2: world_bank_pop を変形して作図しよう
print(world_bank_pop)
country indicator 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
1 ABW SP.URB.TOTL 4.162500e+04 4.202500e+04 4.219400e+04 4.227700e+04 4.231700e+04 4.239900e+04 4.255500e+04 4.272900e+04 4.290600e+04 4.307900e+04 4.320600e+04 4.349300e+04 4.386400e+04 4.422800e+04 4.458800e+04 4.494300e+04 4.529700e+04 4.564800e+04
2 ABW SP.URB.GROW 1.664222e+00 9.563731e-01 4.013352e-01 1.965172e-01 9.456936e-02 1.935880e-01 3.672580e-01 4.080490e-01 4.133830e-01 4.023963e-01 2.943735e-01 6.620631e-01 8.493932e-01 8.264135e-01 8.106692e-01 7.930256e-01 7.845785e-01 7.718989e-01
--
1063 ZWE SP.POP.TOTL 1.183468e+07 1.191098e+07 1.198464e+07 1.207583e+07 1.216088e+07 1.222475e+07 1.233049e+07 1.245057e+07 1.255035e+07 1.267981e+07 1.283977e+07 1.302578e+07 1.326533e+07 1.355542e+07 1.385575e+07 1.415494e+07 1.445270e+07 1.475110e+07
1064 ZWE SP.POP.GROW 1.003969e+00 6.426630e-01 6.165668e-01 7.579605e-01 7.018556e-01 5.238506e-01 8.612226e-01 9.691188e-01 7.982070e-01 1.026265e+00 1.253650e+00 1.438339e+00 1.822309e+00 2.163267e+00 2.191391e+00 2.136294e+00 2.081806e+00 2.043620e+00
少し前に出てきたこれ、そろそろできるのでは
print(VADeaths)
Rural Male Rural Female Urban Male Urban Female
50-54 11.7 8.7 15.4 8.4
55-59 18.1 11.7 24.3 13.6
60-64 26.9 20.3 37.0 19.3
65-69 41.0 30.9 54.6 35.1
70-74 66.0 54.3 71.1 50.0
↓ 下ごしらえ: 作図・解析で使いやすい整然データに
lbound ubound region sex death
1 50 54 Rural Male 11.7
2 50 54 Rural Female 8.7
3 50 54 Urban Male 15.4
4 50 54 Urban Female 8.4
--
17 70 74 Rural Male 66.0
18 70 74 Rural Female 54.3
19 70 74 Urban Male 71.1
20 70 74 Urban Female 50.0
🔰 課題3: VADeaths を縦長にしてggplotしてみよう
VADeaths |> as.data.frame() |> # dplyr/tidyrで扱うのはdata.frame
tibble::rownames_to_column("age") # 行名は扱いにくいので普通の列に
age Rural Male Rural Female Urban Male Urban Female
1 50-54 11.7 8.7 15.4 8.4
2 55-59 18.1 11.7 24.3 13.6
3 60-64 26.9 20.3 37.0 19.3
4 65-69 41.0 30.9 54.6 35.1
5 70-74 66.0 54.3 71.1 50.0
class(VADeaths)
[1] "matrix" "array"
rownames(VADeaths)
[1] "50-54" "55-59" "60-64" "65-69" "70-74"
🔰 課題4: anscombe を縦長にしてggplotしてみよう
anscombe |> tibble::rowid_to_column("id") # IDをつけておく
id x1 x2 x3 x4 y1 y2 y3 y4
1 1 10 10 10 8 8.04 9.14 7.46 6.58
2 2 8 8 8 8 6.95 8.14 6.77 5.76
3 3 13 13 13 8 7.58 8.74 12.74 7.71
--
9 9 12 12 12 8 10.84 9.13 8.15 5.56
10 10 7 7 7 8 4.82 7.26 6.42 7.91
11 11 5 5 5 8 5.68 4.74 5.73 6.89
🔰 課題5: anscombe の要約統計量を計算しよう
4組のx-yは、平均・分散・相関係数がほぼ同じ？
group mean_x mean_y sd_x sd_y cor_xy
1 1 9 7.500909 3.316625 2.031568 0.8164205
2 2 9 7.500909 3.316625 2.031657 0.8162365
3 3 9 7.500000 3.316625 2.030424 0.8162867
4 4 9 7.500909 3.316625 2.030579 0.8165214
今日の残り時間
- 班やTAに相談し、消化しきれなかった部分をなるべく解消する。
- 5つの課題を協力/手分けして解く。
- TAが評価して合格した班から解散。
- 残ってほかの課題に取り組んでもOK。
Reference
- R for Data Science — Hadley Wickham et al.
- https://r4ds.hadley.nz, Paperback, 日本語版書籍
前処理大全 — 本橋智光
RユーザのためのRStudio[実践]入門 (宇宙船本) — 松村ら
- 整然データとは何か — @f_nisihara
- Speaker Deck, Colorless Green Ideas
- Older versions
- 「Rにやらせて楽しよう — データの可視化と下ごしらえ」 岩嵜航 2018
- 「Rを用いたデータ解析の基礎と応用」石川由希 2019 名古屋大学
- 「Rによるデータ前処理実習」 岩嵜航 2022 東京医科歯科大
- 「Rを用いたデータ解析の基礎と応用」 石川由希 2023 名古屋大学