データの可視化

第5講 - 様々なグラフの描画

(Press ? for help, n and p for next and previous slide)

村田昇

講義の内容

可視化の重要性
基本的な描画
いろいろな分布の視覚化
比率の視覚化
多次元データの視覚化

可視化の重要性

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")
```

描画の基礎

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

実習

練習問題

tokyo_weather.csv (東京都の気候データ) を用いて以下の問に答えよ
- 6月の気温と湿度の折線グラフを描け
- 1年間の気温と湿度の折線グラフを描け
- 各月の平均気温と湿度の折線グラフを描け
- (参考) 読み込み方
```
#' CSVファイルは作業ディレクトリの下の data サブディレクトリにあるとする
tw_data <- read_csv(file = "data/tokyo_weather.csv")
```

散布図の描画

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

実習

練習問題

jpdata1/3.csv (前回配布のデータ)を用いて以下の問に答えよ．
- 人口1000人あたりの婚姻・離婚数の散布図を描け．
- 地方別に異なる点の形状を用いた散布図を描け．
- それ以外にも様々な散布図を描画してみよう．
- (参考) 読み込み方
```
#' CSVファイルは作業ディレクトリの下の data サブディレクトリにあるとする
jp_data <- read_csv(file = "data/jpdata1.csv")
jp_area <- read_csv(file = "data/jpdata3.csv")
```

さまざまなグラフ

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))

実習

練習問題

tokyo_covid19_2021.csv (東京都の新型コロナの動向データ) を用いて以下の問に答えよ
- 陽性者数と陽性率の推移の折線グラフを描け
- 月ごとの総検査実施件数の推移の棒グラフを描け
- 曜日ごとの総検査実施件数の箱ひげ図を描け．
- (参考) 読み込み方
```
#' CSVファイルは作業ディレクトリの下の data サブディレクトリにあるとする
tc_data <- read_csv(file="data/tokyo_covid19_2021.csv")
```

次回の予定

計算機による数値実験
乱数とは
乱数を用いた数値実験