Data Analysis Using Statistical Packages: Organizing and Visualizing Data
Sho Kuroda / 黒田翔
2024年3月 (Last update: 2024年4月)
1 Packages in R
パッケージには大別すると次の3種類がある：
- Rをインストールした時に自動的にインストールされており，Rを起動したときにデフォルトで使えるように設定されているもの（
base::c,utils::str, etc.） - Rをインストールした時に自動的にインストールされているが，Rを起動したときにデフォルトでは読み込まれていないもの（
MASS::Boston,Matrix::Cholesky, etc.）library(パッケージ名)で読み込んで関数名で呼び出すか，パッケージを読み込まずにパッケージ名::関数名で呼び出す
- ユーザーが自分でインストールしなければ使えないもの（
tidyverse,data.table, etc.）install.packages("パッケージ名")でインストールし（最初の一度だけ実行），library(パッケージ名)で読み込む（Rを起動する度に実行）- Rstudio で
install.packagesが使えない場合，PC がインターネットに接続されていることを確認したうえで，CRAN レポジトリを変更してリトライ：Tools > Global Options > Packages > Primary CRAN repository を 「Japan (Tokyo)」 などに変更（参考：Setting CRAN repository options）
補足：同じ名前の関数が複数のパッケージで使用されている場合があるので，常に
パッケージ名::関数名
の形式でパッケージを指定するのを好む人もいる．
1.1
tidyverse package
データの整理・操作は tidyverse
というパッケージに含まれる関数を使うのが一般的．
- 正確には，
tidyverseはdplyr(読み方：“dee-ply-er”) やggplot2などの複数のパッケージを束ねたもの tidyverseをインストール／ロードすればdplyrやggplot2などが同時にインストール／ロードされる
パッケージのインストールは R のインストール後に一度だけ実行する．
install.packages("tidyverse") # run for the first time onlyインストール後に R に読み込む． こちらはパッケージのインストールと異なり，R （または RStudio）を起動するたびに実行する．
library(tidyverse)1.1.1 dplyr
package
データのハンドリング（または data wrangling）を行うパッケージ．
filter… 条件に合致する行を抽出select… 条件に合致する列（変数）を抽出mutate… 新しい列（変数）を作成rename… 列（変数）の名前を変更left_join… 2つのデータセットを統合summarise… データを要約group_by… 行をグルーピング- Note:
group_byはそれ単体で使われるわけではなく，通常はsummarise関数と併用される
- Note:
1.1.2
ggplot2 package
データ可視化のためのパッケージ． plot
のようなデフォルトで使える関数と比べて文法に癖があるが，慣れれば論文に使える程度に綺麗な図を出力できる．
plot 関数はこれ単体でグラフを描画してくれるが，ggplot2
パッケージを使用する場合は ggplot
関数でデータと属性（X軸の変数，Y軸の変数，色に対応する変数，サイズに対応する変数）を指定し，次いで
geom_xxx
関数でジオメトリ（点，線，棒，etc.）を指定するという2段階で描画する．
詳細は Kabacoff (2024) Modern Data Visualization with R などを参照．
2 Example of The Beatles data frame
2.1 Create “tibble” object
data.frame
で作成したデータフレームのオブジェクトよりも少し扱いやすいデータフレーム型オブジェクトを
tibble::tibble 関数で作成できる．
beatles <- tibble::tibble(
name = c("John", "Paul", "George", "Ringo"),
born = c(1940, 1942, 1943, 1940),
decease = c(1980, NA, NA, NA),
height = c(179, 180, 178, 170)
)
beatles## # A tibble: 4 × 4
## name born decease height
## <chr> <dbl> <dbl> <dbl>
## 1 John 1940 1980 179
## 2 Paul 1942 NA 180
## 3 George 1943 NA 178
## 4 Ringo 1940 NA 1702.2
filter
残す行（observation）の条件を指定する．
beatles %>% filter(born >= 1941)## # A tibble: 2 × 4
## name born decease height
## <chr> <dbl> <dbl> <dbl>
## 1 Paul 1942 NA 180
## 2 George 1943 NA 178filter
を適用した後のデータセットを新しいオブジェクトに割り当てるには
<- を用いる（上書きも可；以下同様）．
beatles_ver2 <- beatles %>% filter(born >= 1941)
beatles_ver2## # A tibble: 2 × 4
## name born decease height
## <chr> <dbl> <dbl> <dbl>
## 1 Paul 1942 NA 180
## 2 George 1943 NA 178複数の条件を指定することもできる．
beatles %>% filter(born >= 1941 & height < 180)## # A tibble: 1 × 4
## name born decease height
## <chr> <dbl> <dbl> <dbl>
## 1 George 1943 NA 1782.3
select
残す列（変数）の名前を指定する．
beatles %>% select(name)## # A tibble: 4 × 1
## name
## <chr>
## 1 John
## 2 Paul
## 3 George
## 4 Ringobeatles %>% select(name, born)## # A tibble: 4 × 2
## name born
## <chr> <dbl>
## 1 John 1940
## 2 Paul 1942
## 3 George 1943
## 4 Ringo 1940マイナス記号 -
を使って「-変数名」と指定すると当該変数以外が残る．
beatles %>% select(-height)## # A tibble: 4 × 3
## name born decease
## <chr> <dbl> <dbl>
## 1 John 1940 1980
## 2 Paul 1942 NA
## 3 George 1943 NA
## 4 Ringo 1940 NA2.4
mutate
新しく列（変数）を作成する．
beatles %>% mutate(primary_role = c("vocal", "vocal", "guitar", "drum"))## # A tibble: 4 × 5
## name born decease height primary_role
## <chr> <dbl> <dbl> <dbl> <chr>
## 1 John 1940 1980 179 vocal
## 2 Paul 1942 NA 180 vocal
## 3 George 1943 NA 178 guitar
## 4 Ringo 1940 NA 170 drum既存の変数を利用して新しい変数を作成することもできる．
beatles %>% mutate(age_at_debut = 1962 - born)## # A tibble: 4 × 5
## name born decease height age_at_debut
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 John 1940 1980 179 22
## 2 Paul 1942 NA 180 20
## 3 George 1943 NA 178 19
## 4 Ringo 1940 NA 170 222.5
rename
列（変数）の名前を変える．
beatles %>% rename(birth_year = born)## # A tibble: 4 × 4
## name birth_year decease height
## <chr> <dbl> <dbl> <dbl>
## 1 John 1940 1980 179
## 2 Paul 1942 NA 180
## 3 George 1943 NA 178
## 4 Ringo 1940 NA 1702.6
left_join
別のデータセットと統合する．
beatles_primary_role <- tibble::tibble(name = c("John", "Paul", "George", "Ringo"),
primary_role = c("vocal", "vocal", "guitar", "drum"))
beatles_primary_role## # A tibble: 4 × 2
## name primary_role
## <chr> <chr>
## 1 John vocal
## 2 Paul vocal
## 3 George guitar
## 4 Ringo drumbeatles %>% left_join(beatles_primary_role, by = "name")## # A tibble: 4 × 5
## name born decease height primary_role
## <chr> <dbl> <dbl> <dbl> <chr>
## 1 John 1940 1980 179 vocal
## 2 Paul 1942 NA 180 vocal
## 3 George 1943 NA 178 guitar
## 4 Ringo 1940 NA 170 drum2.6.1 If either data frame contains NA / いずれかのデータフレームに欠損値がある場合
一方のデータフレームにしかない行がある場合，主たるデータフレーム（マージされる側）の行はそのまま残る．
補足：コードの文法上左側にあるデータセットに合わせてマージするので
left_join という関数名が使われている．右側に合わせる場合は
right_join，積集合でマージするのは
inner_join，和集合でマージするのは
full_join．
Case 1. 担当楽器のデータセットに欠損がある場合．
beatles_primary_role_wo_paul <- tibble::tibble(name = c("John", "George", "Ringo"),
primary_role = c("vocal", "guitar", "drum"))
beatles_primary_role_wo_paul## # A tibble: 3 × 2
## name primary_role
## <chr> <chr>
## 1 John vocal
## 2 George guitar
## 3 Ringo drumbeatles %>% left_join(beatles_primary_role_wo_paul, by = "name")## # A tibble: 4 × 5
## name born decease height primary_role
## <chr> <dbl> <dbl> <dbl> <chr>
## 1 John 1940 1980 179 vocal
## 2 Paul 1942 NA 180 <NA>
## 3 George 1943 NA 178 guitar
## 4 Ringo 1940 NA 170 drumCase 2. 逆に，主なデータフレームの方に欠損がある場合．
beatles %>%
filter(name != "Paul") %>%
left_join(beatles_primary_role, by = "name")## # A tibble: 3 × 5
## name born decease height primary_role
## <chr> <dbl> <dbl> <dbl> <chr>
## 1 John 1940 1980 179 vocal
## 2 George 1943 NA 178 guitar
## 3 Ringo 1940 NA 170 drum2.7
summarise
データを要約する．
beatles %>% summarise(mean_height = mean(height),
std_dev_height = sd(height),
sample_size = n())## # A tibble: 1 × 3
## mean_height std_dev_height sample_size
## <dbl> <dbl> <int>
## 1 177. 4.57 42.8
group_by
summarise
関数と組み合わせて使うことで，グループごとの要約統計量を計算したり何らかの統計処理を行うことができる．
beatles %>%
group_by(born) %>%
summarise(mean_height = mean(height),
std_dev_height = sd(height),
sample_size = n())## # A tibble: 3 × 4
## born mean_height std_dev_height sample_size
## <dbl> <dbl> <dbl> <int>
## 1 1940 174. 6.36 2
## 2 1942 180 NA 1
## 3 1943 178 NA 12.9 Scatter plot
まずは ggplot だけ実行してみる．
データが何も描かれていないキャンバスだけが表示される．
ggplot(data = beatles, mapping = aes(x = born, y = height))
ここに点のレイヤーを geom_point 関数で追加する．
ggplot(data = beatles, mapping = aes(x = born, y = height)) +
geom_point()
軸のラベルを変更する．
ggplot(data = beatles, mapping = aes(x = born, y = height)) +
geom_point() +
xlab("Year of birth")
キャンバスのテーマを変える．
ggplot(data = beatles, mapping = aes(x = born, y = height)) +
geom_point() +
theme_classic()
3 Example of
swiss data
R をインストールした際にビルトインされているデータセットは
data() で確認できる．
そのうちの一つ「swiss」データを用いて
tidyverse と ggplot2
の基本的な使い方を確認する．
- 理解しやすいように，
swissデータセットの最初の6行（provinces）と最初の4列（variables）だけを切り出して，「swiss2」という名前の新しいデータセットとして定義する．
swiss2 <- swiss[1:6, 1:4] # Extract a portion of `swiss` dataset
swiss2## Fertility Agriculture Examination Education
## Courtelary 80.2 17.0 15 12
## Delemont 83.1 45.1 6 9
## Franches-Mnt 92.5 39.7 5 5
## Moutier 85.8 36.5 12 7
## Neuveville 76.9 43.5 17 15
## Porrentruy 76.1 35.3 9 73.1 filter,
select, mutate, rename, and
summarise
swiss2 %>% filter(Fertility > 80) # Keep only provinces with a "Fertility" greater than 80## Fertility Agriculture Examination Education
## Courtelary 80.2 17.0 15 12
## Delemont 83.1 45.1 6 9
## Franches-Mnt 92.5 39.7 5 5
## Moutier 85.8 36.5 12 7filter(swiss2, Fertility > 80) # same as above## Fertility Agriculture Examination Education
## Courtelary 80.2 17.0 15 12
## Delemont 83.1 45.1 6 9
## Franches-Mnt 92.5 39.7 5 5
## Moutier 85.8 36.5 12 7swiss2 %>% filter(Fertility > 80, Examination > 10) # multiple conditions## Fertility Agriculture Examination Education
## Courtelary 80.2 17.0 15 12
## Moutier 85.8 36.5 12 7swiss2 %>% select(Fertility, Examination) # select specified variables## Fertility Examination
## Courtelary 80.2 15
## Delemont 83.1 6
## Franches-Mnt 92.5 5
## Moutier 85.8 12
## Neuveville 76.9 17
## Porrentruy 76.1 9swiss2 %>% mutate(Exam_Edu = (Examination + Education)/2) # creates new variable as the mean## Fertility Agriculture Examination Education Exam_Edu
## Courtelary 80.2 17.0 15 12 13.5
## Delemont 83.1 45.1 6 9 7.5
## Franches-Mnt 92.5 39.7 5 5 5.0
## Moutier 85.8 36.5 12 7 9.5
## Neuveville 76.9 43.5 17 15 16.0
## Porrentruy 76.1 35.3 9 7 8.0swiss2 %>% rename(Exam = Examination) # new name is `Exam`, old name is `Examination`## Fertility Agriculture Exam Education
## Courtelary 80.2 17.0 15 12
## Delemont 83.1 45.1 6 9
## Franches-Mnt 92.5 39.7 5 5
## Moutier 85.8 36.5 12 7
## Neuveville 76.9 43.5 17 15
## Porrentruy 76.1 35.3 9 7swiss2 %>% summarise(mean_fert = mean(Fertility), sd_fert = sd(Fertility),
median_fert = median(Fertility), mean_educ = mean(Education))## mean_fert sd_fert median_fert mean_educ
## 1 82.43333 6.145459 81.65 9.166667summarise
を使わないで計算する場合は以下のようになる．
mean(swiss2$Fertility); sd(swiss2$Fertility); median(swiss2$Fertility); mean(swiss2$Education)## [1] 82.43333## [1] 6.145459## [1] 81.65## [1] 9.1666673.2 group_by
and summarise
出生率が高いか低いかでグループを分けて，そのグループごとに平均値や分散などを計算することもできる．
- 出生率が高いかどうかを示す
high_fertility_provinceという変数を作成し，それをgroup_by関数に使用する．
swiss2 %>%
mutate(high_fertility_province = Fertility > mean(Fertility)) %>%
group_by(high_fertility_province) %>%
summarise(mean_fert = mean(Fertility), mean_exam = mean(Examination))## # A tibble: 2 × 3
## high_fertility_province mean_fert mean_exam
## <lgl> <dbl> <dbl>
## 1 FALSE 77.7 13.7
## 2 TRUE 87.1 7.67先ほどと同様に group_by や summarise
関数を使わずに同じものを計算しようとすると以下のようになる．
group_by
関数の便利さと可読性がおわかりいただけるだろう．
mean(swiss2$Fertility[swiss2$Fertility > mean(swiss2$Fertility)])## [1] 87.13333mean(swiss2$Fertility[swiss2$Fertility <= mean(swiss2$Fertility)])## [1] 77.73333mean(swiss2$Examination[swiss2$Fertility > mean(swiss2$Fertility)])## [1] 7.666667mean(swiss2$Examination[swiss2$Fertility <= mean(swiss2$Fertility)])## [1] 13.66667上記の操作を行ったデータセットを今後の分析に使用する場合，元のデータセットを上書きしてもよいし，新しいデータセットを作成してもよいが，上書きすると元のデータはR上から消えるので注意．
swiss2_new <- swiss2 %>% filter(Fertility > 90) # create new
swiss2 <- swiss2 %>% filter(Fertility > 90) # overwrite3.3
left_join
2つのデータセットがある場合，left_join
関数を使って統合することができる．
例：swiss データに人口の変数を統合する．
- マージする key として province の名前を用いる
swissデータセットには province の名前が列としてではなく rownames として記録されているので，統合される側のデータに province の名前を表すprov変数を作成
swiss2 <- swiss[1:6, 1:4]
swiss2b <- swiss2 %>% mutate(prov = rownames(swiss2)) # add province names as a column "prov"
swiss2b## Fertility Agriculture Examination Education prov
## Courtelary 80.2 17.0 15 12 Courtelary
## Delemont 83.1 45.1 6 9 Delemont
## Franches-Mnt 92.5 39.7 5 5 Franches-Mnt
## Moutier 85.8 36.5 12 7 Moutier
## Neuveville 76.9 43.5 17 15 Neuveville
## Porrentruy 76.1 35.3 9 7 Porrentruy（仮想の）人口変数を含む swiss2_pop
というデータセットを作成する．
swiss2_pop <- data.frame(prov = c("Courtelary", "Delemont", "Franches-Mnt",
"Moutier", "Neuveville", "Porrentruy"),
pop = c(100, 200, 300, 400, 500, 600))
swiss2_pop## prov pop
## 1 Courtelary 100
## 2 Delemont 200
## 3 Franches-Mnt 300
## 4 Moutier 400
## 5 Neuveville 500
## 6 Porrentruy 600統合．
swiss2b %>% left_join(swiss2_pop, by = "prov")## Fertility Agriculture Examination Education prov pop
## 1 80.2 17.0 15 12 Courtelary 100
## 2 83.1 45.1 6 9 Delemont 200
## 3 92.5 39.7 5 5 Franches-Mnt 300
## 4 85.8 36.5 12 7 Moutier 400
## 5 76.9 43.5 17 15 Neuveville 500
## 6 76.1 35.3 9 7 Porrentruy 600上記の例では，swiss2b というデータセットの州の並びと
swiss2_pop
というデータセットの州の並びが同じだったが，異なっている場合でもマージ可能．
また，swiss2_pop
にデータが欠損している州があったとしてもマージ可能．
swiss2_pop <- data.frame(prov = c("Porrentruy", "Courtelary", "Delemont",
"Franches-Mnt", "Neuveville"),
pop = c(600, 100, 200, 300, 500))
swiss2_pop## prov pop
## 1 Porrentruy 600
## 2 Courtelary 100
## 3 Delemont 200
## 4 Franches-Mnt 300
## 5 Neuveville 500swiss2b %>% left_join(swiss2_pop, by = "prov")## Fertility Agriculture Examination Education prov pop
## 1 80.2 17.0 15 12 Courtelary 100
## 2 83.1 45.1 6 9 Delemont 200
## 3 92.5 39.7 5 5 Franches-Mnt 300
## 4 85.8 36.5 12 7 Moutier NA
## 5 76.9 43.5 17 15 Neuveville 500
## 6 76.1 35.3 9 7 Porrentruy 6003.4 Scatter plot using
ggplot2
ビートルズのデータと同様に散布図を描いてみる．
ggplot(data = swiss, mapping = aes(x = Education, y = Fertility)) +
geom_point()
マーカーの色をカトリック教徒の割合（%）で指定するには
aes 内で指定する．
ggplot(data = swiss, mapping = aes(x = Education, y = Fertility, color = Catholic)) +
geom_point()
swiss
データを加工して描画に使用する場合は下のようにコーディングしてもよい．
このとき，ggplot 関数の一つ目の引数 data
として ggplot 関数の直前のデータが指定される．
swiss %>%
filter(Education <= 20) %>%
ggplot(mapping = aes(x = Education, y = Fertility)) +
geom_point()
データポイントにフィットする曲線のレイヤーを追加する．
ggplot(data = swiss, mapping = aes(x = Education, y = Fertility)) +
geom_point() +
geom_smooth()
4 Example of Titanic data
titanic <- read.csv("https://raw.githubusercontent.com/kurodaecon/bs/main/data/titanic3_csv.csv")4.1
filter
titanic %>% filter(age > 75)## pclass survived sex age sibsp parch fare embarked
## 1 1 1 male 80 0 0 30.00 S
## 2 1 1 female 76 1 0 78.85 S4.2 group_by
and summarise
性別ごとの生存率．
titanic %>%
group_by(sex) %>%
summarise(survival_rate = mean(survived),
sample_size = n())## # A tibble: 2 × 3
## sex survival_rate sample_size
## <chr> <dbl> <int>
## 1 female 0.727 466
## 2 male 0.191 843性別と客室等級ごとの生存率．
titanic %>%
group_by(sex, pclass) %>%
summarise(survival_rate = mean(survived),
sample_size = n())## # A tibble: 6 × 4
## # Groups: sex [2]
## sex pclass survival_rate sample_size
## <chr> <int> <dbl> <int>
## 1 female 1 0.965 144
## 2 female 2 0.887 106
## 3 female 3 0.491 216
## 4 male 1 0.341 179
## 5 male 2 0.146 171
## 6 male 3 0.152 493性別と年齢層ごとの生存率．
titanic %>%
mutate(age_group = cut(age, breaks = c(0, 20, 60, 100), right = FALSE)) %>%
group_by(sex, age_group) %>%
summarise(survival_rate = mean(survived),
sample_size = n())## # A tibble: 8 × 4
## # Groups: sex [2]
## sex age_group survival_rate sample_size
## <chr> <fct> <dbl> <int>
## 1 female [0,20) 0.699 103
## 2 female [20,60) 0.770 274
## 3 female [60,100) 0.818 11
## 4 female <NA> 0.603 78
## 5 male [0,20) 0.279 122
## 6 male [20,60) 0.193 507
## 7 male [60,100) 0.103 29
## 8 male <NA> 0.141 185性別と客室等級と年齢層ごとの生存率．
titanic %>%
mutate(age_group = cut(age, breaks = c(0, 20, 60, 100), right = FALSE)) %>%
group_by(sex, pclass, age_group) %>%
summarise(survival_rate = mean(survived),
sample_size = n()) ## # A tibble: 24 × 5
## # Groups: sex, pclass [6]
## sex pclass age_group survival_rate sample_size
## <chr> <int> <fct> <dbl> <int>
## 1 female 1 [0,20) 0.938 16
## 2 female 1 [20,60) 0.972 108
## 3 female 1 [60,100) 0.889 9
## 4 female 1 <NA> 1 11
## 5 female 2 [0,20) 0.958 24
## 6 female 2 [20,60) 0.885 78
## 7 female 2 [60,100) 0 1
## 8 female 2 <NA> 0.667 3
## 9 female 3 [0,20) 0.540 63
## 10 female 3 [20,60) 0.420 88
## # ℹ 14 more rowsカテゴリー数が多いためにすべて表示されていない． 以下のように表示数を調整できる．
titanic %>%
mutate(age_group = cut(age, breaks = c(0, 20, 60, 100), right = FALSE)) %>%
group_by(sex, pclass, age_group) %>%
summarise(survival_rate = mean(survived),
sample_size = n()) %>%
print(n = 30)## # A tibble: 24 × 5
## # Groups: sex, pclass [6]
## sex pclass age_group survival_rate sample_size
## <chr> <int> <fct> <dbl> <int>
## 1 female 1 [0,20) 0.938 16
## 2 female 1 [20,60) 0.972 108
## 3 female 1 [60,100) 0.889 9
## 4 female 1 <NA> 1 11
## 5 female 2 [0,20) 0.958 24
## 6 female 2 [20,60) 0.885 78
## 7 female 2 [60,100) 0 1
## 8 female 2 <NA> 0.667 3
## 9 female 3 [0,20) 0.540 63
## 10 female 3 [20,60) 0.420 88
## 11 female 3 [60,100) 1 1
## 12 female 3 <NA> 0.531 64
## 13 male 1 [0,20) 0.6 10
## 14 male 1 [20,60) 0.363 124
## 15 male 1 [60,100) 0.118 17
## 16 male 1 <NA> 0.286 28
## 17 male 2 [0,20) 0.444 27
## 18 male 2 [20,60) 0.0806 124
## 19 male 2 [60,100) 0.143 7
## 20 male 2 <NA> 0.154 13
## 21 male 3 [0,20) 0.188 85
## 22 male 3 [20,60) 0.166 259
## 23 male 3 [60,100) 0 5
## 24 male 3 <NA> 0.111 144年齢の平均を計算しようとすると NA が返ってくる．
titanic %>%
summarise(age_mean = mean(age))## age_mean
## 1 NAこれは年齢変数 age に NA が含まれるため．
na.rm = TRUE 引数を追加する．
titanic %>%
summarise(age_mean = mean(age, na.rm = TRUE))## age_mean
## 1 29.881144.3 Correlation matrix
相関係数行列．
titanic %>%
select(age, fare, parch) %>%
cor(use = "complete.obs")## age fare parch
## age 1.0000000 0.1787399 -0.1502409
## fare 0.1787399 1.0000000 0.2167232
## parch -0.1502409 0.2167232 1.00000004.4 Histogram using
ggplot2
年齢．
ggplot(data = titanic, mapping = aes(x = age)) +
geom_histogram()
性別ごとに分ける．
ggplot(data = titanic, mapping = aes(x = age, fill = sex)) +
geom_histogram(position = "dodge") +
scale_fill_grey() + # grey scale
theme_classic()
4.5 Bar plot using
ggplot2
出港地ごとの人数．
titanic %>%
filter(embarked != "") %>%
group_by(embarked) %>%
summarise(person = n()) %>%
ggplot(mapping = aes(x = embarked, y = person)) +
geom_bar(stat = "identity") +
theme_classic()
性別ごとに分ける． ついでにX軸のラベルも修正しておく．
titanic %>%
filter(embarked != "") %>%
group_by(embarked, sex) %>%
summarise(person = n()) %>%
ggplot(mapping = aes(x = embarked, y = person, fill = sex)) +
geom_bar(stat = "identity", position = "dodge") +
scale_x_discrete(labels = c("Cherbourg", "Queenstown", "Southampton")) +
scale_fill_grey() +
theme_classic()
4.6 Pie chart using
ggplot2
出港地ごとの人数．
titanic %>%
filter(embarked != "") %>%
group_by(embarked) %>%
summarise(person = n()) %>%
ggplot(mapping = aes(x = "x", y = person, fill = embarked)) +
geom_bar(stat = "identity", position = "stack") +
coord_polar(theta = "y") +
scale_fill_brewer(labels = c("Cherbourg", "Queenstown", "Southampton")) +
theme_classic()
4.7 Boxplot using
ggplot2
性別ごとの年齢．
ggplot(data = titanic, mapping = aes(x = sex, y = age)) +
geom_boxplot()
性別・客室等級ごとの年齢．
ggplot(data = titanic, mapping = aes(x = sex, y = age, fill = factor(pclass))) +
geom_boxplot() +
scale_fill_grey(start = 0.4, end = 0.9) +
theme_classic()
データの分布が複雑な場合（多峰など），バイオリンプロットという選択肢がある．
ggplot(data = titanic, mapping = aes(x = sex, y = age)) +
geom_violin()
4.8 Scatter plot using
ggplot2
ビートルズやSwissデータと同様に散布図を描き，スムージング曲線を追加する．
点同士が重なってしまうため geom_jitter
関数でY軸方向にばらつかせて描画．
ggplot(data = titanic, mapping = aes(x = age, y = survived)) +
geom_point() +
geom_jitter(height = .05, width = 0) +
geom_smooth() 
Y軸の survived は 0/1 の binary 変数なので jitter
は違和感がある． Binned plot はよい代替案だろう．
ggplot(data = titanic, mapping = aes(x = age, y = survived)) +
stat_summary_bin()
性別による死亡率の違いを示す．
ggplot(data = titanic, mapping = aes(x = age, y = survived, color = sex, shape = sex, linetype = sex)) +
geom_point(size = 0.5) +
geom_jitter(height = .05, width = 0) +
geom_smooth(se = FALSE) +
scale_color_brewer(palette = "Dark2") + # colorblind-friendly palette
theme_classic()
50歳代からサンプルサイズが大きく低下するため，フィッティングの曲線は参考にならない点に注意．
客室等級による死亡率の違いを示す．
pclassは連続変数なのでfactor関数で因子型の変数に変換して使う．
ggplot(data = titanic, mapping = aes(x = age, y = survived, color = factor(pclass),
shape = factor(pclass), linetype = factor(pclass))) +
geom_point() +
geom_jitter(height = .05, width = 0) +
geom_smooth(se = FALSE) +
scale_color_brewer(palette = "Dark2") +
theme_classic()
性別ごとに独立した散布図を作成してそれぞれのパネルを並べた図を作ることもできる．
facet_wrap(~ グループ変数)を利用
ggplot(data = titanic, mapping = aes(x = age, y = survived, color = factor(pclass),
shape = factor(pclass), linetype = factor(pclass))) +
geom_point() +
geom_jitter(height = .05, width = 0) +
geom_smooth(se = FALSE) +
facet_wrap(~ sex) +
scale_color_brewer(palette = "Dark2") +
theme_classic()
.