Rプログラミングの小ネタ

例えば↓こんなCSVデータがあったとして、 ファイル名： "data.csv" id , name , age 001 , taro , 41 002 , hanako , 40 003 , ichiro , 11 004 , jiro , 2 ↓ごく普通に読み込むと・・・ > data <- read.csv ( "data.csv" ) > data id name age 1 1 ichiro 41 2 2 hanako 40 3 3 taro 11 4 4 jiro 2 idの先頭につけていた00がなくなってしまうんですよね。 str関数で型を見てみると、 > str ( data ) 'data.frame' : 4 obs. of 3 variables: $ id : int 1 2 3 4 $ name: Factor w/ 4 levels "hanako" , "ichiro" , ..: 2 1 4 3 $ age : int 41 40 11 2 idはint型として読み込まれています。idのような用途だと先頭のゼロは残しておきたいってときがありますよね。 そんなときは、colClassesで読み込み時の型を指定してやればいいです。 > data <- read.csv ( "data.csv" , colClasses= "character" ) > data id name age 1 001 ichiro 41 2 002 hanako 40 3 003 taro 11 4 004 jiro 2 文字列として読み込まれ先頭のゼロも残りました。ただ、上記のように一律「文字列」と指定してしまうと、ageまで文字列になってしまい、↓数値的な処理ができなくなってしまいます。 > mean ( data$age

以前のコマンド入出力を確認したいときは、スクロールバーでコンソール画面をスクロールさせればいいですよね。 でも、要素数が非常多いリストやベクトルを表示させたりしたあとだと、スクロールバーのつかむところがちっちゃくなっていて、行き過ぎたり戻り過ぎたりと、なかなか該当箇所が見つからなかったりしますよね。 で、いったんRのコンソール画面をリセットしたいってときは、 　　Ctrl + L を入力すれば、コンソール画面がクリアされます。 という分かり切った操作ですが、あえてスクリーンショットをつけてみました。 コンソールがごちゃごちゃしてきたイメージ 「Ctrl + L」で、↑が、↓になります すっきりとクリア ちなみにショートカットキーでなくても、メニューの「編集」→「コンソール画面を消去」としても同じことができます。「コンソール画面を消去」だと、コンソールのウィンドウ自体が閉じられてしまいそうですが、そんなことはないので大丈夫です。 （以下は蛇足） 私は結構長い間このコマンドを知らなくて、過去の出力結果が邪魔な時は、たくさんリターンを押して、表示結果に「切れ目」を入れて、該当箇所を見つけやすくするという、面倒なことをしていました。 で、放送大学の「データからの知識発見」のテレビ放送を見ているときに、講師の秋光先生がRでの処理を実演したりするんですが、その時に「画面がいっぱいになってきたので、いったん消去して・・・」みたいな感じで、コンソールをクリアしていたんですね。 で、「なんだ、あの操作は？」って感じで、この便利なショートカットキーを知りました。上級者の書いたスクリプトだけでなく、操作を見るのも勉強になるなあと思いました。■   データからの知識発見 (放送大学教材)

Rでplotなどを使ってグラフを描くとき、x軸やy軸の目盛りは勝手に調整してくれて、大抵の場合はそれで問題ないのですが、たまにちょっと変えたい時があります。そのたびに必死で検索して調べているような気がするので、ここに書き留めておきます。 （最初の方の例はcurve関数を使ってますが、plot関数でも同様の方法でいけます） もちろん、特に指定しなくても、目盛りと目盛りのラベル（例えば、x軸の -4, -2, 0, 2, 4）は書いてくれます↓ 指定しなくても目盛りは表示される # 目盛りの幅に関しては指定しない curve(dnorm, xlim=c(-4,4)) 上記では、2刻みになっていますが、例えば、1刻みにしたいなあという場合↓ 目盛りが1刻みになるように指定 # -4から4までを8区間に分ける（1刻み） curve(dnorm, xlim=c(-4, 4), xaxp=c(-4, 4, 8)) さらに刻みを細かくして0.5にしてみましたが、目盛りのラベルは適宜間引かれてしまうようです↓（作図領域を横に伸ばせばラベルが表示されるようになります） 目盛りが0.5刻みになるように指定 # 16区間に分けると0.5刻みになるが # すべての目盛りに数値ラベルが書かれるわけではない curve(dnorm, xlim=c(-4, 4), xaxp=c(-4, 4, 16)) いくつに分割するかちゃんと考えないと、↓こんなことになることも・・・ 割り切れないところに目盛りがきてしまう例 # 8の幅を9で割るとか・・・ curve(dnorm, xlim=c(-4, 4), xaxp=c(-4, 4, 9)) 次は違うやり方。 最初は軸の目盛りを書かないようにしておいて、あとから、axis関数をつかって目盛りを書き足すという方法です↓ axis関数で目盛りを後から追記したもの（見た目おんなじだけど・・・） curve(dnorm, xlim=c(-4, 4), xaxt="n") # 最初は目盛りを書かない axis(side=1, at=-4:4) # atに目盛りをベクトルで指定する side=1というのがx軸の意味で、y軸に追記したい場合はsi

今回は、普段Rで解析を行っているような人にはなんてことない話です。 データの題材を変えると興味が俄然湧いてくるような人もいるんじゃないの、って感じのテーマです。 データは↓こちらのものを使わせてもらいました。 アイドルプロフィール（スリーサイズ、カップ情報） - AKB48 ページ自体はHTMLのテーブルですが、大抵のブラウザではコピー＆ペーストすれば、タブ区切りやカンマ区切りのテキストに簡単に変えられるんじゃないでしょうか。そんな感じでタブ区切りのデータファイルを作りました↓ "AKB.txt" 名前 年齢 身長 B W H 岩田華怜 15 159 82 62 85 菊地あやか 20 160 74 58 82 佐藤すみれ 20 166 78 57 84 篠田麻里子 27 168 87 57 85 高橋みなみ 22 148.5 74 56.5 81 ・・・ サイトからデータを取得したのが2013年なので、情報が古くなっていると思われます。まず年齢はそうだし、あと激太りした人とか（いるのか？）。 平面上に各メンバーをマッピングしてみるなんてのが、なんとなく面白そうですね。 RでAKBの多次元尺度構成法 d1 <- read.table ( "AKB.txt" , header=T , row.names = 1 ) d2 <- dist ( d1 ) d3 <- cmdscale ( d2 ) plot ( d3 , type= "n" ) text ( d3 , rownames ( d3 ) ) 多次元尺度構成法を使ってみました。データを（年齢、身長、バスト、ウエスト、ヒップ）の５次元だととらえて距離を算出し、なるべくその距離感が再現されるように、２次元に落として（５次元のままじゃ表現しづらいので）プロットされた図という感じでしょうか。 結果はあまりあてにできないと

↓こんなデータフレームがあって、 > d name club 1 taro baseball 2 jiro football 3 hanako <NA> 4 ichiro baseball 5 yoshiko tennis clubがbaseballの行だけ抽出したい場合、↓こんなコードが最初に思い浮かびました。 d [ d$club == "baseball" , ] でも実は、これではうまくいかなくて、↓こんな結果になってしまいます。 > d [ d$club == "baseball" , ] name club 1 taro baseball NA <NA> <NA> 4 ichiro baseball "=="による比較の結果、TRUE/FALSEのベクトルが返ってきて、それでデータフレームを引くと、TRUEのところだけ残るという目論見なのですが、ベクトルにNAが混ざっており、その行はNAとして返ってきてしまうので都合が悪いです。 「NAではない」という条件を付け加えると、一応うまくいきます↓ > d [ ! is.na ( d$club ) & d$club == "baseball" , ] name club 1 taro baseball 4 ichiro baseball でもなんか、is.na関数とか使うのもなんだかなあと思っていたら、which関数が使えることに気づきました↓ > d [ which ( d$club== "baseball" ) , ] name club 1 taro baseball 4 ichiro baseball さらにいろいろ検索していると、いかにもそれ用な感じのsubset関数なるものがあることも知りました↓ > subset ( d , d$club== "baseball