データの可視化

データの可視化

• データ全体の特徴や傾向を把握するための直感的で効果的な方法
• R言語には極めて多彩な作図機能が用意されている
  • base R : package::graphics (標準で読み込まれる)
  • tidyverse : package::ggplot2
• 描画関連の関数は色， 線種や線の太さ， 図中の文字の大きさなどを指定することができる

tidyverse パッケージ

• データ操作とグラフィクスの拡張 (再掲)
  • tidyverse : Hadley Wickham @posit による拡張パッケージ集
    • https://www.tidyverse.org/packages/
    • https://tidyverse.tidyverse.org/

• パッケージ集の利用には以下が必要

  #' 最初に一度だけ以下のいずれかを実行しておく
  #'  - Package タブから tidyverse をインストール
  #'  - コンソール上で次のコマンドを実行 'install.packages("tidyverse")'
  #' tidyverse パッケージの読み込み
  library(tidyverse)
  

• グラフィクスの拡張である ggplot2 を利用

サンプルデータの説明

• jpdata[1-3].csv (再掲)

  • https://www.e-stat.go.jp (統計局)
    • 地域から探す / 全県を選択 / 項目を選択してダウンロード
    • 日本語が扱えることを想定して日本語を含んでいる
    • 英語のために -en を用意
  • データファイル (文字コード : utf8)
    • jpdata1.csv : 県別の対象データ
    • jpdata2.csv : 対象データの内容説明
    • jpdata3.csv : 県と地域の対応関係

  • 作業ディレクトリのdata内に置いて読み込む場合

    jp_data <- read_csv(file = "data/jpdata1.csv")
    jp_item <- read_csv(file = "data/jpdata2.csv")
    jp_area <- read_csv(file = "data/jpdata3.csv")
    

    • 変数名は自由に付けてよい

• tokyo_weather.csv (tokyo.zip の中)

  • https://www.jma.go.jp (気象庁)
    • 各種データ・資料 / 過去の地点気象データ・ダウンロード
    • 地点 / 項目 / 期間を選択してダウンロード
    • ダウンロードしたものを必要事項のみ残して整理
  • データ項目 平均気温(℃),降水量の合計(mm),合計全天日射量(MJ/㎡),降雪量合計(cm),最多風向(16方位),平均風速(m/s),平均現地気圧(hPa),平均湿度(％),平均雲量(10分比),天気概況(昼：06時〜18時),天気概況(夜：18時〜翌日06時)

  • 作業ディレクトリのdata内に置いて読み込む場合

    tw_data <- read_csv(file = "data/tokyo_weather.csv")
    

• tokyo_covid19_2021.csv (tokyo.zip の中)

  • https://stopcovid19.metro.tokyo.lg.jp (東京都)
  • データ項目 陽性者数, 総検査実施件数, 発熱等相談件数

  • 作業ディレクトリのdata内に置いて読み込む場合

    tc_data <- read_csv(file="data/tokyo_covid19_2021.csv")
    

描画の初期化

• package::ggplot2 ではさまざまな作図関数を演算子 + で追加しながら描画する

  初期化のための関数 + 
    作図のための関数 + ... +
    装飾のための関数 + ... # 関数が生成するオブジェクトに変更分を随時追加する
  

• 関数 ggplot2::ggplot() : 初期化

  ggplot(data = NULL, mapping = aes(), ..., environment = parent.frame())
  #' data: データフレーム
  #' mapping: 描画の基本となる"審美的マップ"(xy軸，色，形，塗り潰しなど)の設定
  #' environment: 互換性のための変数(廃止)
  #' 詳細は '?ggplot2::ggplot' を参照
  

折線グラフ

• 関数 ggplot2::geom_line() : 線の描画

  geom_line(
    mapping = NULL,
    data = NULL,
    stat = "identity",
    position = "identity",
    ...,
    na.rm = FALSE, orientation = NA, show.legend = NA, inherit.aes = TRUE
  )
  #' mapping: "審美的"マップの設定
  #' data: データフレーム
  #' stat: 統計的な処理の指定
  #' position: 描画位置の調整
  #' ...: その他の描画オプション
  #' na.rm: NA(欠損値)の削除(既定値は削除しない)
  #' show.legend: 凡例の表示(既定値は表示)
  #' 詳細は '?ggplot2::geom_line' を参照
  

• 東京の5月の気温と日射量の推移

  tw_data |> filter(month == 5) |> # 5月を抽出
    ggplot(aes(x = day)) + # day をx軸に指定
    geom_line(aes(y = temp), colour = "blue") + # 気温を青
    geom_line(aes(y = solar), colour = "red") + # 日射量を赤
    labs(y = "temp.(blue) / solar rad.(red)") # y軸のラベルを変更 
  

  

データフレームの形の変更

• 関数 dplyr::pivot_longer() : 列の集約

  pivot_longer(
    data,
    cols,
    ...,
    cols_vary = "fastest",
    names_to = "name", names_prefix = NULL, names_sep = NULL, names_pattern = NULL,
    names_ptypes = NULL, names_transform = NULL, names_repair = "check_unique",
    values_to = "value", values_drop_na = FALSE, values_ptypes = NULL,
    values_transform = NULL
  )
  #' data: データフレーム
  #' cols: 操作の対象とする列(列の番号，名前，名前に関する条件式など)
  #' names_to: 対象の列名をラベルとする新しい列の名前(既定値は"name")
  #' values_to: 対象の列の値を保存する新しい列の名前(既定値は"value")
  #' 詳細は '?dplyr::pivot_longer' を参照
  

  • 列ごとのグラフを視覚化する際に多用する

• 東京の5月の気温と日射量の推移

  tw_data |> filter(month == 5) |>
    pivot_longer(cols = c(temp, solar)) |> # 集約する列を指定
    ggplot(aes(x = day, y = value, colour = name)) + 
    geom_line() + # index ごとに定義されたカラーパレットの異なる色が用いられる
    labs(title = "Weather in May")
  

  

• 個別のグラフでの描画

  tw_data |> filter(month == 5) |> 
    pivot_longer(c(temp, solar)) |> 
    ggplot(aes(x = day, y = value, colour = name)) +
    geom_line(show.legend  =  FALSE) + # 凡例は不要なので消す
    labs(title = "Weather in May") +
    facet_grid(rows = vars(name)) # name ごとに行に並べる (rowsは省略可)
  

  

図の保存

• RStudioの機能を使う (少数の場合はこちらが簡便)
  • 右下ペイン Plots タブから Export をクリック
  • 形式やサイズを指定する
  • クリップボードにコピーもできる

• 関数 ggsave() : 図の保存

  ggsave(
    filename,
    plot = last_plot(),
    device = NULL,
    path = NULL, scale = 1, width = NA, height = NA,
    units = c("in", "cm", "mm", "px"), dpi = 300, limitsize = TRUE, bg = NULL,
    ...
  )
  #' filename: ファイル名
  #' plot: 保存する描画オブジェクト
  #' device: 保存する形式("pdf","jpeg","png"など)
  #' 詳細は"?ggplot2::ggsave"を参照
  

散布図

• 関数 ggplot2::geom_point() : 点の描画

  geom_point(
    mapping = NULL,
    data = NULL,
    stat = "identity",
    position = "identity",
    ...,
    na.rm = FALSE, show.legend = NA, inherit.aes = TRUE
  )
  #' mapping: 審美的マップの設定
  #' data: データフレーム
  #' stat: 統計的な処理の指定
  #' position: 描画位置の調整
  #' ...: その他の描画オプション
  #' na.rm: NA(欠損値)の削除(既定値は削除しない)
  #' show.legend: 凡例の表示(既定値は表示)
  #' 詳細は '?ggplot2::geom_point' を参照
  

• 夏季の日射量と気温の関係

  tw_data |> filter(month %in% 7:9) |> # 7月-9月を抽出
    ggplot(aes(x = solar, y = temp)) + # x軸を日射量，y軸を気温に設定
    geom_point(colour = "blue", shape = 19) + # 色と形を指定(点の形は '?points' を参照)
    labs(x = "solar radiation", y = "temperature") # 軸の名前を指定
  

  

• 湿度の情報を追加

  tw_data |> filter(month %in% 7:9) |> 
    ggplot(aes(x = solar, y = temp, size = humid)) + # 湿度を点の大きさで表示
    geom_point(colour = "blue", shape = 19) + 
    labs(x = "solar radiation", y = "temperature")
  

  

• 各軸を対数表示

  tw_data |> filter(month %in% 7:9) |> 
    ggplot(aes(x = solar, y = temp, size = humid)) + 
    geom_point(colour = "blue", shape = 19) + 
    labs(x = "solar radiation", y = "temperature") +
    scale_x_log10() + scale_y_log10() # x軸，y軸を対数表示
  

  

散布図行列

• 複数の散布図を行列状に配置したもの

• 関数 GGally::ggpairs() : 散布図行列の描画

  #' 必要であれば 'install.packages("GGally")' を実行
  library(GGally) # パッケージのロード
  ggpairs(
    data, mapping = NULL,
    columns = 1:ncol(data),
    upper = list(continuous = "cor", combo = "box_no_facet", discrete = "count", na = "na"),
    lower = list(continuous = "points", combo = "facethist", discrete = "facetbar", na = "na"),
    diag = list(continuous = "densityDiag", discrete = "barDiag", na = "naDiag"),
    ...,
    axisLabels = c("show", "internal", "none"),
    columnLabels = colnames(data[columns]),
    legend = NULL
  )
  #' columns: 表示するデータフレームの列を指定
  #' upper/lower/diag: 行列の上三角・下三角・対角の表示内容を設定
  #' axisLabels: 各グラフの軸名の扱い方を指定
  #' columnLabels: 表示する列のラベルを設定(既定値はデータフレームの列名)
  #' legend: 凡例の設定(どの成分を使うか指定)
  #' 詳細は '?GGally::ggpairs' を参照
  

• 気温と日射量と湿度の関係を視覚化

  tw_data |> filter(month %in% 7:9) |> 
    select(temp, solar, humid) |> # 必要な列を選択
    ggpairs() # 標準の散布図行列 (上三角は相関，対角は密度，下三角は散布図)
  

  

• 月ごとに情報を整理

  tw_data |> filter(month %in% 7:9) |> select(month, temp, solar, humid) |>
    mutate(month = as_factor(month)) |> # 月を因子化(ラベルとして扱う)
    ggpairs(columns = 2:4, legend = c(1,1), # 表示する列．凡例の雛型
            aes(colour = month), # 月ごとに色づける
            diag = list(continuous = "barDiag")) + # 対角をヒストグラム
    theme(legend.position = "top") # 凡例(上で指定した1行1列の凡例)の位置
  

  

対話型のグラフ

• ggplot2 で描画したグラフは 対話型 (interactive) のグラフに変換することができる

• 変換には package::plotly が必要

  #' 最初に一度だけ以下のいずれかを実行しておく
  #'  - Package タブから plotly をインストール
  #'  - コンソール上で次のコマンドを実行 'install.packages("plotly")'
  #' plotly パッケージの読み込み
  library(plotly)
  

• 関数 plotly::ggplotly() : 対話型への変換

  ggplotly(
    p = ggplot2::last_plot(),
    width = NULL, height = NULL, tooltip = "all", dynamicTicks = FALSE,
    layerData = 1, originalData = TRUE, source = "A",
    ...
  )
  #' p: ggplot オブジェクト
  #' 詳細は '?plotly::ggplotly' を参照
  #' https://plotly.com/ggplot2/
  

• 前出のグラフの変換例

  #' 5月の気温と日射量の例
  tw_data |> filter(month == 5) |> select(day, temp, solar) |>
    pivot_longer(!day, names_to = "index") |> 
    ggplot(aes(x = day, y = value, colour = index)) +
    geom_line() + labs(title = "Weather in May")
  ggplotly() # 最後に描いた ggplot オブジェクトを変換して 右下 Viewer タブに表示
  

  #' 夏季の日射量と温度と湿度の例
  bar <- # ggplot オブジェクトを保存
    tw_data |> filter(month %in% 7:9) |> 
    ggplot(aes(x = solar, y = temp, size = humid,
               text = paste0("date: ", month, "/", day))) + # 日付を付加
    geom_point(colour = "blue", shape = 19) + 
    labs(x = "solar radiation", y = "temperature")
  ggplotly(bar) # 保存した ggplot オブジェクトを変換
  

日本語に関する注意 (主にmacOS)

• 日本語を含む図で文字化けが起こる場合がある

• 以下のように日本語フォントを指定する必要がある

  if(Sys.info()["sysname"] == "Darwin") { # macOS か調べる
    #' OS標準のヒラギノフォントを指定する場合
    theme_update(text = element_text(family = "HiraginoSans-W4"))
    #' gome_text/geom_label内で用いられる日本語フォントの指定
    update_geom_defaults("text", list(family = theme_get()$text$family))
    update_geom_defaults("label", list(family = theme_get()$text$family))}
  

  • 以下のサイトなども参考になる
    https://oku.edu.mie-u.ac.jp/~okumura/stat/font.html

ヒストグラム

• データの値の範囲をいくつかの区間に分割し， 各区間に含まれるデータの個数を棒グラフにした図
  • 棒グラフの幅が区間, 面積が区間に含まれるデータの個数に比例するようにグラフを作成
  • データ分布の可視化に有効(値の集中とばらつきを調べる)

• 関数 ggplot2::geom_histogram() :

  geom_histogram(
    mapping = NULL, data = NULL, stat = "bin", position = "stack",
    ...,
    binwidth = NULL,
    bins = NULL,
    na.rm = FALSE, orientation = NA, show.legend = NA, inherit.aes = TREU
  )
  #' binwidth: ヒストグラムのビンの幅を指定
  #' bins: ヒストグラムのビンの数を指定
  #' 詳細は '?ggplot2::geom_histogram' を参照
  

• 日射量の分布

  tw_data |>
    ggplot(aes(x = solar)) + # 分布を描画する列を指定
    geom_histogram(bins = 30, fill = "pink", colour = "red") +
    labs(x = expression(MJ/m^2), # 数式の表示は '?plotmath' を参照
         title = "Solar Radiation in Tokyo")
  

  

密度

• データからカーネル法で確率密度を推定した図
  • ヒストグラム同様データ分布の可視化に有効
  • カーネルの幅や関数も選択可能

• 関数 ggplot2::geom_density() :

  geom_density(
    mapping = NULL, data = NULL, stat = "density", position = "identity",
    ...,
    na.rm = FALSE, orientation = NA, show.legend = NA, inherit.aes = TRUE,
    outline.type = "upper"
  )
  #' 詳細は '?ggplot2::geom_density' を参照
  #' カーネルの幅や関数については '?stat::density' を参照
  #' bw: カーネルの幅の計算方法 "nrd0", "ucv" など
  #' kernel: カーネル関数 "gaussian", "epanechnikov" など
  

• 日射量の分布

  tw_data |>
    ggplot(aes(x = solar)) + 
    geom_density(fill = "pink", colour = "red") + 
    labs(x = expression(MJ/m^2), 
         title = "Solar Radiation in Tokyo")
  

  

箱ひげ図

• データの散らばり具合を考察するための図
  • 長方形の辺は四分位点(下端が第1，中央が第2，上端が第3)
  • 中央値から第1四分位点・第3四分位点までの1.5倍以内にあるデータの 最小の値・最大の値を下端・上端とする線(ひげ)
  • ひげの外側の点は外れ値

• 関数 ggplot2::geom_boxplot() :

  geom_boxplot(
    mapping = NULL, data = NULL, stat = "boxplot", position = "dodge2",
    ...,
    outlier.colour = NULL, outlier.color = NULL, outlier.fill = NULL,
    outlier.shape = 19, outlier.size = 1.5, outlier.stroke = 0.5, outlier.alpha = NULL,
    notch = FALSE, notchwidth = 0.5, varwidth = FALSE,
    na.rm = FALSE, orientation = NA, show.legend = NA, inherit.aes = TRUE
  )
  #' ourlier.*: 外れ値の描画方法の指定
  #' notch*: ボックスの切れ込みの設定
  #' varwidth: ボックスの幅でデータ数を表示
  #' 詳細は '?ggplot2::geom_boxplot' を参照
  

• 月ごとの日射量の分布(分位点)

  tw_data |>
    mutate(month = as_factor(month)) |> # 月を因子(ラベル)化
    ggplot(aes(x = month, y = solar)) + # 月毎に集計する
    geom_boxplot(fill = "orange") + # 塗り潰しの色を指定
    labs(title = "Solar Radiation in Tokyo")
  

  

棒グラフ

• 項目ごとの量を並べて表示した図

  • 並べ方はいくつか用意されている
    • 積み上げ (stack)
    • 横並び (dodge)
    • 比率の表示 (fill)

  geom_bar(
    mapping = NULL, data = NULL, stat = "count", position = "stack",
    ...,
    just = 0.5,
    width = NULL,
    na.rm = FALSE, orientation = NA, show.legend = NA, inherit.aes = TRUE
  )
  #' just: 目盛と棒の位置の調整(既定値は真中)
  #' width: 棒の幅の調整(既定値は目盛の間隔の90%)
  #' 詳細は '?ggplot2::geom_bar' を参照
  

• 月ごとの日射量・降水量・降雪量の合計値の推移

  tw_data |> 
    mutate(month = as_factor(month)) |> group_by(month) |>
    summarize(across(c(solar, rain, wind), mean)) |> # 月ごとに集計
    pivot_longer(!month) |> # long format に変更
    ggplot(aes(x = name, y = value, fill = month)) +
    geom_bar(stat = "identity", position = "dodge", na.rm = TRUE) +
    theme(legend.position = "top") + guides(fill = guide_legend(nrow = 2))