カテゴリ：統計 > R

2019年07月13日

【3-4】Rのggplot2でヒストグラムを作るgeom_histogram関数

第3章ではggplot2を使ったグラフの作り方を紹介しています。

【3-1】ExcelにはないRでグラフを作るメリットと特徴

【3-2】ggplot2でグラフを作る流れを説明します

【3-3】Rのggplot2で散布図を作るgeom_point関数

今回はヒストグラムを紹介します。

1.データの読み込み

今回もggplotパッケージが含まれているtidyverseパッケージを読み込みます。

#tidyverseパッケージを読み込みます。

if(!require(tidyverse)) install.packages("tidyverse", repos = "http://cran.us.r-project.org")

#既にtidyverseパッケージをインストールしている方は以下でもOK

library(tidyverse)

#データ取り込みます。今回はdatという変数にデータを入れます

url <- "https://github.com/mitti1210/myblog/blob/master/heights.csv?raw=true"
dat <- read.csv(url)

2.ヒストグラムとは？

ヒストグラムはデータの分布を確認することができます。

まず1本1本の縦棒のことを"bin"といいます。
これをみると身長140台〜190台の分布で、170cm付近が一番多そうです。
ただ170cmを中心にすると左右対称ではない印象を受けます。

ヒストグラムを見ることでわかることの例

分布がどうなっているか？

分布には正規分布やポワソン分布など様々な分布があります
正規分布かどうかを確認するときにはヒストグラムで直接データを確認することが必要です。
他にも対数正規分布やポワソン分布など色々な分布があります。

外れ値がないか？

とんでもないところにデータがあれば、それが偶然飛び抜けたデータなのか入力ミスなのか確認することをおすすめします。

カテゴリーごとの分布がわかる

もし山が2つある分布だったとします。
その場合、もしかしたら2つ以上の別のグループが潜んでいるかもしれません。
各グループに分けるとそれぞれのグループで正規分布になっているかもしれません。

また各グループごとの比較をするときにも使えます。
下は同じデータですが棒グラフとヒストグラム、どちらが見やすいでしょうか？

2.ヒストグラムの基本的な作り方

ggplot2でヒストグラムを作る時にはgeom_histogram関数を使います。

ggplot()+
theme_gray(base_family = "HiraKakuPro-W3")+
geom_histogram(aes(x = 身長), bins = 30, data = dat)

ヒストグラムのy軸は個数なので指定の必要がありません。

3.bins, binwidthについて

ヒストグラムはbin1つの幅を指定する必要があります。
幅を変えると見え方が変わります。

bins = binの数を指定する
binwidth = binの幅を指定する

何も指定しないと自動的にbins = 30としてグラフを作ります。

binsの数を減らすと1つの幅が広くなることがわかります。

binwidthを増やすと1本の幅が広くなっているのがわかります。

どのbins(またはbinwidth)がいいかは数字を変えグラフをみて傾向を探りながら見つけてみてください。

4.線の色を赤にする

ggplot()+

  theme_gray(base_family = "HiraKakuPro-W3")+

  geom_histogram(aes(x = 身長), color = "red", bins = 30, data = dat)

binの周りの線の色を変えるにはcolor="○○"で指定します。
代表的な色なら"red"などが使えますが、color = "#FFFFFF"のような指定もできます。

5.binの色を赤にする

binの中の色を変えるにはfillを使います。

ggplot()+
theme_gray(base_family = "HiraKakuPro-W3")+
geom_histogram(aes(x = 身長), fill = "red", bins = 30, data = dat)

6.alpha = ○○でfillの色を薄くする

ここで周りの線の色を黒にした上で、fillの色を薄くします。
色を薄くするときはalpha = ○○で色を薄くすることができます。
alphaは0〜1の値を入力します。

ggplot()+

  theme_gray(base_family = "HiraKakuPro-W3")+

  geom_histogram(aes(x = 身長), color = "black", fill = "red", alpha = 0.5, bins = 30, data = dat)

7.グループごとで色分けする

グループごとに色分けするときはaes()の中にfill = グループの列名を入れます。

aes関数に関しては前回の記事のでも説明していますので気になる方は【3-3】Rのggplot2で散布図を作るgeom_point関数をご参照ください。

fillでグループ分けするときはpositionを指定する必要があります。

①position = "stack"　重ねずに積み上げる

ggplot()+
  theme_gray(base_family = "HiraKakuPro-W3")+
  geom_histogram(aes(x = 身長, fill = 性別), bins = 30, position = "stack", alpha = 0.7,  data = dat)

②position = "nudge"　色を重ねる
色を重ねるときはalpha = で透過率を上げる必要があります。

ggplot()+
  theme_gray(base_family = "HiraKakuPro-W3")+
  geom_histogram(aes(x = 身長, fill = 性別), bins = 30, position = "nudge", alpha = 0.7,  data = dat)

8.応用編（グループ毎に別のグラフにする）

最後にこのグラフのようにグループ毎にグラフを作る方法を紹介します。

グループ毎にグラフを作るときは主に①facet_grid、②facet_wrapの2つがありますが今回はfacet_gridを紹介します。

facet_grid(縦 ~ 横)という表記をします。

ggplot()+
  theme_gray(base_family = "HiraKakuPro-W3")+
  geom_histogram(aes(x = 身長, fill = 性別), bins = 30, position = "nudge", alpha = 1,  data = dat)+
  facet_grid(性別 ~ .)

縦に並べるか横に並べるかですが、次の考え方が参考になります。

水平方向の変化を見るグラフは垂直方向、垂直方向の変化を見るグラフは水平方向

今回のヒストグラムは水平方向の変化なので縦に並べる方が比較しやすいことがわかります。

9.まとめ

今回はヒストグラムの基本的な作り方を紹介しました。

最初に「左右対称ではない？」と書きましたが、男性と女性の2つの分布が重なっていることが原因だとわかります。ちなみにこのデータは男性が173±10cm（130人）、女性が157cm±5cm（70人）を組み合わせたデータでした。

統計になれないとExcelで表を作り平均と標準偏差だけ計算して比較したくなりますが、分析する前に分布を確認する習慣のきっかけになれば幸いです。

タグ：: R; RStudio; ggplot2; ヒストグラム; グラフ

2019年02月28日

【3-2】ggplot2でグラフを作る流れを説明します

前回の記事ではRでグラフを作るときの特徴やメリットについて紹介しました。

今回はggplot2でグラフ実際に作りながら、基本的な考え方について紹介します。

１．準備

ggplot2パッケージを使うためにはtidyverseパッケージを事前に読み込む必要があります。

library(tidyverse)

今回使うデータは以下のデータを使います。
見慣れない関数もありますが、無視して全て実行していただいて構いません。

set.seed(3) 
性別 <- as.integer(runif(200, 0, 2)) 
年齢 <- as.integer(rnorm(200, 65 , 10) + 性別*10)
身長 <- as.integer(rnorm(200, 165, 10) - 性別*10)
体重 <- as.integer(rnorm(200, 65, 10) - 年齢*0.05)
SIAS <- as.integer(rnorm(200, 45, 5))
SIAS <- ifelse(SIAS<=72,SIAS,72)
SIAS <- ifelse(SIAS<0,0,SIAS)
MMSE <- rnorm(200, 30, 5) -年齢*0.1
MMSE <- as.integer(ifelse(MMSE<=30,MMSE,30))
MMSE <- ifelse(MMSE<0,0,MMSE)
BBS <- rnorm(200, 42,5) -0.05*年齢 +0.15*SIAS -0.04*MMSE 
BBS <- as.integer(ifelse(BBS<=56,BBS,56))
BBS <- ifelse(BBS<0,0,BBS)
lin.pred <- 1 - 1.1*年齢 + 0.6*SIAS + 2.5*BBS - 2.5*MMSE
theta <- exp(lin.pred) / (1 + exp(lin.pred))
歩行 <- rbinom(200, 1, theta)
df <- data.frame(性別,年齢,身長,体重,SIAS,BBS,MMSE,歩行)
df <- df %>% 
  mutate(性別 = factor(.$性別, labels = c("男性","女性")),
         歩行 = factor(.$歩行, labels = c("非自立", "自立")))
head(df)

このデータは【演習1】R初心者が統計をかけるための前準備の流れを復習しますで使ったデータと同じですので、以前ダウンロードされた方はこのデータを使っても構いません。

data01.xlsx

library(tidyverse)
library(readxl)
df <- read_excel("data01.xlsx", sheet = "日本語")
df <- df %>% 
  mutate(性別 = factor(.$性別, levels = c("男性","女性")),
         歩行 = factor(.$歩行, labels = c("非自立", "自立")))
head(df)

２．Rでグラフを作るときの基本的な流れ

前回の復習ですが、グラフを作る基本的な流れは以下の通りです。

Rのグラフの作り方

①基本情報を先に指定する

x軸はこれです、y軸はこれです
この群で色分け（グループ分け）します。

②作りたいグラフを指定する

（上記で指定した情報を元に）
◯◯図を作ります（散布図、棒グラフ、箱ひげ図など）
そのグラフの細かい指定をします（マーカーの大きさなど）

③軸、タイトル、ラベルの指定をする

x軸のタイトルはこれ、y軸のタイトルはこれ
凡例はこれ
タイトルはこれ
フォントはこれ

④その他

グループごとにグラフを並べるなど

大切なのは事前にxとyなど事前情報を指定することです。

今回は主に①と②の話を中心にします。

３．目標

今回の記事では身長と体重の散布図を作ります。
横軸が身長で縦軸が体重、性別で色分けします。
併せて回帰直線も引いてみます。

完成図

４．ggplot関数

ggplot2パッケージでグラフを作る関数はggplot関数です

ggplot()

右下のplotビューを見ると灰色で何も書かれていませんがこれであっています。

ggplot関数はグラフの土台を作る関数です。この上に1つずつ情報を付け加えていきます。

５．使うデータの指定

ggplotでグラフを作るのにまず必要な情報はどのデータを使うか？です。

データを指定するのは主に2つの方法があります。

①data=を使う

ggplot(data = df)

②%>%を使う

df %>%
	ggplot()

第2章で%>%を使ってデータ集計を行った後にそのままggplotでグラフを作る時は便利です。

６．aes関数

基本情報を指定するのがaes関数です。

基本情報とはx軸やy軸の指定など、グラフを作るのに必要な要素になります。

dfというデータでx軸を身長、y軸を体重、性別で色分けするには以下のようにします。

 ggplot(data = df, aes(x = 身長, y = 体重, color = 性別))

右下に目盛が出てきました。まだ実際のグラフを作っていないので中身はありません。

７．geom_関数

土台の準備ができました。次は土台の上にグラフを重ねていきます。

グラフを作るのはgeom_関数です

グラフにはいくつか特徴があります

統計量（平均・標準偏差・中央値など）がどうなってるか知りたい（差を知りたい）
AとBの関係性を知りたい（相関を知りたい）
データの分布を知りたい（正規分布、それ以外の分布）

それぞれのグラフにどんな特徴があるかは1つずつ説明していく予定です。

今回は散布図と回帰直線を引きます

散布図はgeom_point関数を使います。
ggplot関数は + で繋ぎます。

ggplot(data = df, aes(x = 身長, y = 体重, color = 性別))+
geom_point()

geom_point関数の中は何も入っていませんが、本来aes関数を指定する必要あります。
ggplot関数で既にaesを指定していると、それ以降に続くgeom_関数はggplot関数で指定したaesの情報を引き継ぎます。

次に回帰直線を + で重ねます。
回帰直線はgeom_smooth関数で、回帰直線を引くにはmethod = lmを指定します。

ggplot(data = df, aes(x = 身長, y = 体重, color = 性別))+
geom_point() +
geom_smooth(method = lm)

グラフが追加されました。細かい設定はそれぞれのグラフの説明で行う予定です。

８．theme_関数（macで文字化けを防ぐ）

macで日本語のデータを使うと□□のように文字化けします。
文字化けしないためにはtheme_関数のbase_family=でフォントを指定します。
今回は游ゴシック（Medium）を使います。windowsだと指定は必要ないかもしれません（未確認）。

ggplot(data = df, aes(x = 身長, y = 体重, color = 性別)) +
geom_point() +
geom_smooth(method = lm) +
theme_gray(base_family = "YuGo-Medium")

これで最初の見本と同じになりました。

まとめ

今回はggplotでグラフを作る基本的な流れを説明しました。

他にも色々なところを変更することができますが徐々に説明していきます。。

タグ：: R; RStudio; ggplot2; aes; グラフ

2019年02月26日

【3-1】ExcelにはないRでグラフを作るメリットと特徴

第2章では実際にデータを扱い、新しい列を作ったり、条件に合う行を抽出したり、グループ化して集計したりしました。

第3章ではRでグラフを作るを目標にする予定です。

今回はグラフを作る前にそもそも知っておきたいことを紹介します。

ggplot2パッケージ

Rでグラフを作る代表的なパッケージにggplot2というものがあります。

ggplot2はtidyverseパッケージに含まれています。そのため以下のコードでggplot2パッケージも利用可能です。

library(tidyverse)

tidyverseにはグラフ作成のggplot2だけでなく第2章で使ったdplyrパッケージ（%>%, mutate, slice, filter, group_by, summarizeなど）も入っています。

そもそもRにはパッケージを使わなくてもグラフが作れるのですが、ggplot2ではきれいで様々な種類のグラフを作ることができます。「審美的」とも言われるそうです。

Edxのデータサイエンス、いろんなグラフの作り方を勉強した。すごく勉強になったけど、まだヒントがないと難しい・・・ pic.twitter.com/jywnNjxDp6
— MITTI1210 (@MITTI12101) November 20, 2018

Rには初期設定でも基本的なグラフが作れますが、今回はggplot2を使ったグラフで説明します。

RとExcelのグラフは作り方がぜんぜん違う

Excelで「ピボットグラフ」を使ったことなければ、ExcelとRのグラフの作り方はぜんぜん違うものになります。

Excelのグラフの作り方

①事前に作りたいグラフの種類に合わせて表を並べ替える

②表を選択して挿入→グラフ

③軸やタイトル、凡例を調整する

大切なのは事前にグラフを作るのに必要な形にすることで、コピペの嵐に見舞われることがあります。

Rのグラフの作り方

①基本情報を先に指定する

x軸はこれです、y軸はこれです
この群で色分け（グループ分け）します。

②作りたいグラフを指定する

（上記で指定した情報を元に）
◯◯図を作ります（散布図、棒グラフ、箱ひげ図など）
そのグラフの細かい指定をします（マーカーの大きさなど）

③軸、タイトル、ラベルの指定をする

x軸のタイトルはこれ、y軸のタイトルはこれ
凡例はこれ
タイトルはこれ
フォントはこれ

④その他

グループごとにグラフを並べるなど

大切なのは事前にxとyなど事前情報を指定することです。

Rはグラフを重ね合わせることができる

Rはグラフを作る前にx軸とy軸が何かを指定します。

このメリットの1つにグラフを重ねることができるがあります。

Rでは事前にデータからx軸とy軸を指定しています。そのおかげで、そのx軸,y軸を基準とした棒グラフ＋エラーバー＋散布図など複数のグラフを重ねることができます。

グラフの拡大・縮小をしてもグラフの形が崩れない

Rのグラフの特徴ですが、グラフを拡大・縮小してもグラフが崩れにくいのが特徴です。

図として保存もできますし、クリップボードにコピーすれば直接Word, Excel, Power Pointへの貼り付けも簡単です。

プログラムさえ作ってしまえば、違うデータでも同じグラフが作れる

Rの大きな特徴としてプログラムを作ってしまえば、データが変わっても同じグラフが作れます。

例えばdata01が今年のデータとして、来年作るdata02で同じグラフを作るとします。

ExcelであればVBAでプログラムでも作らない限り、今年と同じ作業を来年する必要があります。

しかしRであれば上図のdata01をdata02に変えるだけで同じグラフを作ることができます。

しかも列の名前を変えさえしなければ、他の列の追加・削除を行っても影響がありません。

年次報告書などもフォーマットができれば作業効率アップが目指せるかもしれません。

まとめ

今回はRでグラフを作るときのメリットと特徴を紹介しました。

これからの記事ではグラフの特徴や作成について紹介していく予定です。

タグ：: R; RStudio; ggplot2; グラフ

2019年02月25日

【演習2】データハンドリングの基礎を復習します

第2章ではデータハンドリングの基礎について紹介してきました。

【2-1】Rのfor関数、apply関数を使ってまとめて標準偏差などの統計量を求める方法

【2-2】Rのmutate関数を使って列の追加や修正を行う

【2-3】Rで数値を複数のカテゴリーに分類するifelse関数、case_when関数、cut関数を紹介します

【2-4】Rで指定した列や行だけを取り出すselect関数、slice関数、filter関数を紹介します

【2-5】Rでデータを集計するのに便利なlongデータとgather関数

【2-6】Rでgroup_by関数とsummarize関数を使ってグラフ作成に必要な統計量（平均や標準偏差など）を求める

今回は上記の復習として実際にデータを前処理し、集計をかけるところまで行います。

１．データの準備

前回同様FIMのデータを使います。

FIM.xlsx

今回は「入院時, 1ヶ月後, 退院時」全てのタブの使います。

ダウンロードした後、プロジェクトの指定フォルダにファイルを移動させます。

プロジェクトの使い方がわからない場合は【1-6】Rstudioのプロジェクトについて解説しますをご参照ください。

まだ複数のデータを結合する方法を紹介していません。以下のコードを実行してください。


#必要なパッケージを読み込む
library(tidyverse)
library(readxl)

#それぞれのタブのデータフレームを作る
fim_in <- read_excel("FIM.xlsx", sheet = "入院時")
fim_1 <- read_excel("FIM.xlsx", sheet = "1ヶ月")
fim_out <- read_excel("FIM.xlsx", sheet = "退院時")

#bind_rows関数で3つのデータフレームを縦につなげる
fim <- bind_rows(fim_in, fim_1, fim_out)

bind_rows関数は複数のデータフレームを縦につなげる関数です。
fimという変数に入院時、1ヶ月、退院時全てのデータを縦につなげました。

これで準備完了です。

２．今回の目標

データにはFIM(18項目 + 運動合計 + 認知合計 + 全体の合計)のデータがあります。

更に今回同じ患者に3回反復測定を行っています。

＜目標＞
FIM各項目の平均点が入院時→1ヶ月→退院時でどう変化しているのかを表にする

課題①

まずデータの確認を行います。

head関数、str関数を使ってデータを確認します。

回答は下にスクロールするとあります↓

head(fim)

str(fim)

課題②

データをlongデータに変えます。

まず列名と列番号を取得します。

t関数（またはdata.frame関数）とnames関数を組み合わせて列名と列番号を取得します。

t(names(fim))

または

data.frame(names(fim))

課題③

次はlongデータに変更します

パイプ演算子（%>%）を使います
時期はbind_rows関数を使って縦に結合したので既にlongデータになっています
fimの「食事」〜「FIM全体」の列をlongデータに変えます
今回はkeyの列名を「項目」、valueの項目を「点数」とします
「項目」のfactorの要素を五十音順にせず、列で並んだ順で表示するようにします

fim %>% 
  gather(5:25, key = 項目, value = 点数, factor_key = TRUE)

課題④

次はsummarize関数を使い集計します。

fim_summarizeという変数名に作ります
各項目が時期によってどう変化するのかが見たいのでした
結果が項目→時期→点数と並ぶようにします。
出た結果を見ると1箇所望まない結果になっている箇所があります。どこでしょう。

fim_summarize <- fim %>% 
  gather(5:25, key = 項目, value = 点数, factor_key = TRUE) %>% 
  group_by(項目,時期) %>% 
  summarize(平均 = mean(点数), 標準偏差 = sd(点数))
fim_summarize

課題⑤
時期を見ると1ヶ月→退院時→入院時となっています。

時期のclassを確認します。

class(fim_summarize$時期)

課題④のコードに1行足して時期をfactor型に変え、入院時→1ヶ月→退院時の順に並ぶようにしてください。

fim_summarize <- fim %>% 
  mutate(時期 = factor(時期, levels = c("入院時", "1ヶ月", "退院時"))) %>% 
  gather(5:25, key = 項目, value = 点数, factor_key = TRUE) %>% 
  group_by(項目,時期) %>% 
  summarize(平均 = mean(点数), 
		　 標準偏差 = sd(点数))
fim_summarize

課題⑥

今回の結果から「運動合計」「認知合計」「FIM合計」を取り除くにはどうすればいいでしょう。
fim_summarizeをつかって求めてください。

fim_summarize2 という変数名に作ります。
filter関数を使います
もし困ったら下の図を参考にしてください。

fim_summarize2 <- fim_summarize %>% 
  filter(!項目 %in% c("運動合計", "認知合計", "FIM合計"))

まとめ

今回は第2章の一部の復習を行いました。

第2章では他にもifelse関数やcase_when関数を使って新たな変数名を作ったり、select関数で列を抽出しています。

今回のデータでも年代を作ったり、年代ごとにグループ分けすることも可能です。


fim %>% 
  mutate(年代 = cut(.$年齢, 
                  breaks = c(50, 60, 70, 80, 90),
                  right = FALSE, 
                  include.lowest = TRUE,
                  labels = c("50代", "60代", "70代", "80代")),
         年代 = as_factor(年代),
         時期 = factor(時期, levels = c("入院時", "1ヶ月", "退院時"))) %>% 
  gather(食事:FIM合計, key = 項目, value = 点数, factor_key = TRUE) %>% 
  group_by(時期, 項目, 年代) %>% 
  summarize(平均 = mean(点数), 
            標準偏差 = sd(点数),
            人数 = n())

n関数はまだ紹介していませんでしたが、グループの数を表示することができます。
それ以外は過去の記事で紹介したものなので、まだしっくりこない方はサイトマップから過去の記事を探してみてください。

また色々な切り口があると思いますので、ぜひ色々試してみてください。

タグ：: R; RStudio; %>%; mutate; gather; filter; summarize

2019年02月22日

【2-6】Rでgroup_by関数とsummarize関数を使ってグラフ作成に必要な統計量（平均や標準偏差など）を求める

今までRでデータの変数名を変更したり条件でグループ化したりしました。

【2-1】Rのfor関数、apply関数を使ってまとめて標準偏差などの統計量を求める方法

【2-2】Rのmutate関数を使って列の追加や修正を行う

【2-3】Rで数値を複数のカテゴリーに分類するifelse関数、case_when関数、cut関数を紹介します

【2-4】Rで指定した列や行だけを取り出すselect関数、slice関数、filter関数を紹介します

そして前回の記事では集計して平均や標準偏差などの要約を出したり、グラフを作るためにgather関数を使ってlongデータを作りました。

【2-5】Rでデータを集計するのに便利なtidyデータとgather関数

今回は棒グラフや折れ線グラフ作成に必要な平均や標準偏差などの統計量を求めます。

データは前回と同じデータを使います。

FIM.xlsx

ダウンロードした後、プロジェクトの指定フォルダにファイルを移動させておけば、以下のコマンドで前回最後の場面まで進みます。

library(tidyverse)
library(readxl)
fim <- read_excel("FIM.xlsx", sheet = "入院時")
fim_long <- fim %>% 
  gather(食事:FIM合計, key = 項目, value = 点数, factor_key = TRUE) 
head(fim_long)

１,groop_by関数でグループ化したい項目を指定する

ますグループ化するためにはgroop_by関数を使います。

group_by(データ,列名)

%>%を使うとデータの部分は省略できます。

fim_long %>% 
  group_by(項目)

何も変わってないように見えますが、薄い文字のところに# Groups:項目 [21]とあります。

ちなみにグループの種類が複数でも可能です。

fim_long %>% 
  group_by(項目,性別)

２．列名の順番について

下の2つのコードはどういった違いがあるのでしょうか？

表の並び順が違うだけでその後グラフを作るときには影響はないのですがイメージとしては上記のようになります。

３．統計量を出すsummarize関数

平均などの統計量などを出すにはsummarize関数を使います。

summarize(名前1 = 関数1, 名前2 = 関数2)

summarize関数の前にgroup_by関数を使っていると、グループごとの集計が出てきます。

fim_summarize <-  fim_long %>% 
  group_by(項目,性別) %>% 
  summarize(平均 = mean(点数), 
            標準偏差 = sd(点数), 
            最小値 = min(点数), 
            最大値 = max(点数))
fim_summarize

もし保存したい場合はwrite.csv関数を使います。

wite.csv(保存する変数名, "ファイル名.csv")
ファイル名には" "と.csvを入れます

write.csv(fim_summarize,"FIM集計")

右のfilesビューにFIM集計.csvができました。

csvファイルをExcelで読み込む時は【1-11】Rで医療統計で必要なtable1を作るtableoneパッケージについて紹介しますをご参照ください。

ポイントとしてはファイルの出力先を$A$1ではなく$B$1にしてください。
$A$1だとなぜかエラーが出ます。

Excelにするとわかるのですが、小数点10桁まで表示されます。
もし小数点第一位までの表示にしたい時はround関数を使います。

round(数値, x)
たとえばxが1だと小数点第二位を四捨五入して小数点第一位まで表示します。

fim_summarize <-  fim_long %>%
	group_by(項目,性別) %>% 
	summarize(平均 = round(mean(点数), 1), 
			   標準偏差 = round(sd(点数), 1), 
			   最小値 = min(点数), 
			   最大値 = max(点数))

fim_summarize

４．summarize関数を使うときの注意点。

group_by関数の順番に影響する

２でも紹介しましたが、groop_by関数で指定したグループが複数の場合、summarize関数で表示される順番はgroop_by関数の影響を受けます。

あとでExcelで並べ替えるのはただ面倒です。もしcsvで保存をする時は何を示したいかをあらかじめイメージしておくことが重要になります。

２．欠損地があるとNAとなる

平均を求めるmean関数などはどこか1つでも欠損値（空欄）があると結果はNAとなります。

氏名 <- c("A", "B", "C", "D")

年齢 <- c(55, 63, 67, 71)

test_1回目 <- c(1,2,3,NA)

test_2回目 <- c(5:8)
test_3回目 <- c(9:12)


data <- data_frame(氏名, 年齢, test_1回目, test_2回目, test_3回目)

data
data %>% 
	gather(3:5, key = 回数, value = 点数) %>% 
	group_by(回数) %>% 
	summarize(平均　= mean(点数))

もし結果にNAが出た時はまずはそもそものデータの入れ損ねがないか確認をし対応します。

それでも欠損値がある時はNAを省いて計算するか欠損値を統計の技術を使って代入するといった方法があります。

もし欠損値を省いて平均を出す場合はna.rm = TRUEを付け加えます。

data %>% 

  gather(3:5, key = 回数, value = 点数) %>% 

  group_by(回数) %>% 
	summarize(平均 = mean(点数, na.rm = TRUE))

ただ実は欠損値を省いた方がいいのかどうかという問題があります。ただ業務で傾向を確認したいなどであれば欠損値を省いてもいいと思いますが、きちんと出さないと行けない場面ではこれはこれできちんと勉強する必要があります。欠測データに関しては医療統計の本では紹介されていない事が多く専門書が必要かもしれません。

欠測データ処理: Rによる単一代入法と多重代入法 (統計学One Point)

summarize関数に入れられる関数は単一の値が出るものに限る。

summarize関数で使える統計量はmean関数,sd関数,median関数など単一の値になります。

ただ、関数の中には最小値と最大値を一度に出してくれるrange関数など複数の値を出すものがあります。

test_2回目 <- c(5:8)
range(test_2回目)

range関数をsummarize関数に入れようとするとエラーが出ます。

data %>% 
  gather(3:5, key = 回数, value = 点数) %>% 
  group_by(回数) %>% 
  summarize(平均　= mean(点数, na.rm = TRUE),
            範囲 = range(点数))

「1つの値しか入れられないのに2つ入ってるよ！」と怒られています。

特にあるのが四分位範囲です。
四分位範囲はquantile関数を使って以下のように一度に値を出すことができます。

quantile(fim$年齢, c(0.1, 0.25, 0.5, 0.75, 0.9))

しかしsummarize関数ではまとめて入れられないので1つずつ入れる必要があります。

fim_summarize <-  fim_long %>% 
  group_by(項目,性別) %>% 
  summarize(平均 = mean(点数),
            標準偏差 = sd(点数),
            最小値 = min(点数),
            percent_25 = quantile(点数, 0.25),
            中央値 = median(点数),
            percent_75 = quantile(点数, 0.75),
            最大値 = max(点数))
fim_summarize

そもそもの列のfactorの順番があってるのか？

gather関数のkey列に関してはfactor_key=TRUEで五十音順ではなく、元の順番に戻すことができます。

しかし他の列でfactorの順番が合っていない可能性もあります。

もしほかの列でfactorの順番を合わせるにはmutate関数とfactor関数を組み合わせて使うことができます。

今回は女性と男性を入れ替えてみます。

fim_summarize <-  fim_long %>% 
	mutate(性別 = factor(性別, levels = c("男性","女性"))) %>% 
	group_by(項目,性別) %>%
	summarize(平均 = mean(点数),

	　		   標準偏差 = sd(点数),

		  	   最小値 = min(点数),

			   percent_25 = quantile(点数, 0.25),

			   中央値 = median(点数),

			   percent_75 = quantile(点数, 0.75),

		  	   最大値 = max(点数))

fim_summarize

factor関数の使い方は【1-10】Rでよく使われる型について説明しますをご参照ください

まとめ

今回はgroup_by関数とsummarize関数と、実際に集計を出し保存するところまで紹介しました。

これでひとまず第2章で行う予定だった「データを集計しやすいように形を整え集計する」が終わりです。

ただ今回は「できるだけExcelの時点でデータは編集しやすい形式で保存している」ことを前提に話を進めています。

もっと形が整っていないデータの扱いやここでは説明できなかった項目も多くあります。

もし「もっと知りたい」「ここの情報では足りない！」ということであれば下記のサイトなどもご参照ください。

データハンドリング入門
https://kazutan.github.io/kazutanR/hands_on_170730/index.html

dplyr と purrrを用いたデータハンドリング from Somatori Keita

タグ：: R; RStudio; group_by; summarize; mean; quantile; factor; mutate; 欠損; gather

↑このページのトップヘ