1
rd-2. ヒストグラム，散布
図，折れ線グラフ，要約
統計量
金子邦彦
データサイエンス演習
（R システムを使用）
https://www.kkaneko.jp/de/rd/index.html
2-1 パッケージの追加インス
トール
2
パッケージの設定 (1/2)
•次の手順で，必要なパッケージをインストール
•パッケージをインストールするのにインターネッ
ト接続が必要
•install.packages("ggplot2") を実行
•install.packages("dplyr") を実行
3
パッケージの設定 (2/2)
•install.packages("tidyr") を実行
•install.packages("magrittr") を実行
•install.packages("KernSmooth") を実行
4
こんな表示が
でたら Yes
※「K」と「S」が大文字
2-2 R オブジェクトのコンス
トラクタ
5
コンストラクタの例
x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
死亡数=c(752, 820, 922, 962, 1084, 1197) )
6
年次 出生数 死亡数
1985
1432
752
1990
1222
820
1995
1187
922
2000
1191
962
2005
1063
1084
2010
1071
1197
テーブルの例
上記のテーブルを生成するコンストラクタ
コンストラクタの動作画面
2-3 iris データセット
7
アヤメ属 (Iris)
•多年草
•世界に 150種. 日本に 9種.
•花被片は 6個
•外花被片（がいかひへん） Sepal
3個（大型で下に垂れる）
•内花被片（ないかひへん） Petal
3個（直立する）
8
Iris データセット
•3種のアヤメの外花被辺、
内花被片の幅と長さを計
測したデータセット
Iris setosa
Iris versicolor
Iris virginica
•データ数は 50 ×3
•作成者：Ronald Fisher
•作成年：1936
9
Iris データセットは，
Ｒシステムの中に組
み込み済み
2-4 ヒストグラムの例
10
iris の4属性それぞれのヒストグラム
11
各属性のヒストグラム
属性： Sepal.Length, Sepal.Width, Petal.Length, Petal.Width
複数ヒストグラムの重ね合わせ表示
library(dplyr)
d2 <- tbl_df( iris )
library(tidyr)
library(magrittr)
library(KernSmooth)
library(ggplot2)
d2 %>% select( Sepal.Length, Sepal.Width, Petal.Length,
Petal.Width ) %>% gather() %>% ggplot( aes(x=value, fill=key) ) +
geom_histogram( binwidth=dpih( use_series(d2, Sepal.Length) ),
alpha=0.5, position="identity") +
theme_bw()
12
ヒストグラムでの区間幅の調整
13
library(ggplot2)
ggplot(iris, aes(x= Sepal.Length)) +
geom_histogram(binwidth=0.1) +
theme_bw()
library(magrittr)
library(KernSmooth)
library(ggplot2)
ggplot(iris, aes(x = Sepal.Length)) +
geom_histogram(
binwidth=dpih( iris$Sepal.Length ) ) +
theme_bw()
区間幅 = 0.1 区間幅を、dpih 関数を用いて調整
2-5 散布図，折れ線グラフ
14
散布図、折れ線グラフのバリエーション
15
年次
出生数
（千
人）
死亡数
（千
人）
1985
1432
752
1990
1222
820
1995
1187
922
2000
1191
962
2005
1063
1084
2010
1071
1197
出生数、死亡数の推移
出典：総務省「第63回日本統計年鑑 平成26年」
散布図
散布図
＋折れ線
散布図
＋線形近似
散布図
x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
geom_point( aes(y=出生数, colour="出生数"), size=3 ) +
geom_point( aes(y=死亡数, colour="死亡数"), size=3 ) +
labs(x="年次", y="出生数, 死亡数") +
theme_bw()
16
x
軸(フィールド名)
年次
y
軸(フィールド名)
出生数
, 死亡数
点の大きさ
(数値)
3
x
軸の名前 (文字列)
年次
y
軸の名前 (文字列)
出生数
, 死亡数
年次 出生
数
死亡数
1985
1432
752
1990
1222
820
1995
1187
922
2000
1191
962
2005
1063
1084
2010
1071
1197
散布図＋折れ線
x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
geom_point( aes(y=出生数, colour="出生数"), size=6 ) +
geom_point( aes(y=死亡数, colour="死亡数"), size=6 ) +
geom_line( aes(y=出生数, colour="出生数"), size=2 ) +
geom_line( aes(y=死亡数, colour="死亡数"), size=2 ) +
labs(x="年次", y="出生数, 死亡数") +
theme_bw() 17
x
軸(フィールド名)
年次
y
軸(フィールド名)
出生数
, 死亡数
点の大きさ
(数値)
3
x
軸の名前 (文字列)
年次
y
軸の名前 (文字列)
出生数
, 死亡数
年次 出生
数
死亡
数
1985
1432
752
1990
1222
820
1995
1187
922
2000
1191
962
2005
1063
1084
2010
1071
1197
散布図＋線形近似
x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
ggplot(x1, aes(x=年次)) +
geom_point( aes(y=出生数, colour="出生数"), size=6 ) +
geom_point( aes(y=死亡数, colour="死亡数"), size=6 ) +
stat_smooth( method="lm", se=FALSE, aes(y=出生数, colour="出生数"),
size=2 ) +
stat_smooth( method="lm", se=FALSE, aes(y=死亡数, colour="死亡数"),
size=2 ) +
labs(x="年次", y="出生数, 死亡数") +
theme_bw() 18
x
軸(フィールド名)
年次
y
軸(フィールド名)
出生数
, 死亡数
点の大きさ
(数値)
3
x
軸の名前 (文字列)
年次
y
軸の名前 (文字列)
出生数
, 死亡数
年次 出生
数
死亡
数
1985
1432
752
1990
1222
820
1995
1187
922
2000
1191
962
2005
1063
1084
2010
1071
1197
2-6 グラフのファイルへの保
存
19
png ファイルの作成
x1 <- data.frame( 年次=c(1985, 1990, 1995, 2000, 2005, 2010),
出生数=c(1432, 1222, 1187, 1191, 1063, 1071),
死亡数=c(752, 820, 922, 962, 1084, 1197) )
library(ggplot2)
png("f:/1.png")
ggplot(x1, aes(x=年次)) +
geom_point( aes(y=出生数, colour="出生数"), size=3 ) +
labs(x="年次", y="出生数") +
theme_bw()
dev.off() 20
ファイル f:/1.png に保存
2-7 要約統計量，頻度，ヒス
トグラム
21
ここで行うこと
各フィールドの頻度（数え上げ）
種類ごとの数え上げ
各フィールドの要約統計量の算出
平均 (mean)、標準偏差 (sd)、分散 (var)
中央値 (median)、四分位点 (quantile)、
最大値 (max)、最小値 (min)
22
元データ 要約統計量の例
科目
受講者
得点
国語
A
90
国語
B
80
算数
A
95
算数
B
90
理科
A
80
ここでの説明で使用するデータ
d1 <- data.frame(
科目=c("国語", "国語", "算数", "算数", "理科"),
受講者=c("A", "B", "A", "B", "A"),
得点=c(90, 80, 95, 90, 80) )
23
科目
受講者
得点
国語
A
90
国語
B
80
算数
A
95
算数
B
90
理科
A
80
成績データ
コンストラクタ
iris データセット
※iris データセットは
R システムに組み込み済み
要約統計量（summary を使用）①
d1 <- data.frame(
科目=c("国語", "国語", "算数", "算数", "理科"),
受講者=c("A", "B", "A", "B", "A"),
得点=c(90, 80, 95, 90, 80) )
summary(d1)
24
◆数値属性に対しては
最小、最大、平均、
中央値、四分位点
成績
科目
受講者
得点
国語
A
90
国語
B
80
算数
A
95
算数
B
90
理科
A
80
頻度のグラフ化 ①
d1 <- data.frame(
科目=c("国語", "国語", "算数", "算数", "理科"),
受講者=c("A", "B", "A", "B", "A"),
得点=c(90, 80, 95, 90, 80) )
library(ggplot2)
ggplot(d1, aes( x=科目, fill=科目 )) +
geom_bar(stat="count") +
labs(x="科目", y="総数") +
theme_bw()
25
集約を行うテーブルの変数名
d1
集約したいフィールド名
科目
x
軸の名前 (文字列)
科目
y
軸の名前 (文字列)
総数
科目
受講者
得点
国語
A
90
国語
B
80
算数
A
95
算数
B
90
理科
A
80
頻度のグラフ化 ②
d1 <- data.frame(
科目=c("国語", "国語", "算数", "算数", "理科"),
受講者=c("A", "B", "A", "B", "A"),
得点=c(90, 80, 95, 90, 80) )
library(ggplot2)
ggplot(d1, aes( x=得点 )) +
geom_bar(stat="count") +
labs(x="得点", y="総数") +
theme_bw()
26
集約を行うテーブルの変数名
d1
集約したいフィールド名
得点
x
軸の名前 (文字列)
得点
y
軸の名前 (文字列)
総数
科目
受講者
得点
国語
A
90
国語
B
80
算数
A
95
算数
B
90
理科
A
80
要約統計量（summary を使用）②
summary(iris)
27
iris データセット
