U7. dplyr: データの絞り込みと加工

ユニット概要

分類: 幹（全員必須）

依存関係: U0 → U1 → U2 → U4 → U5 → U6 → U7

学習目標:

  • パイプ演算子（%>%）を使ってデータ処理を連結できる
  • select()で列（変数）を選択できる
  • filter()で行（ケース）を条件で絞り込める
  • mutate()で新しい変数を作成・変換できる
  • group_by() + summarise()でグループ別の要約統計量を算出できる
  • across()で複数の変数に同じ処理を一括で適用できる

事前知識: dplyrとパイプ演算子

dplyrとは

dplyrはtidyverseパッケージ群に含まれるデータ操作パッケージです。データフレームに対して、列の選択、行の絞り込み、新しい変数の作成、集計といった操作を、一貫した文法で行うことができます。

dplyrの主要な関数（動詞）は次の通りです：

関数 操作 意味
select() 列選択 使いたい変数だけを抜き出す
filter() 行選択 条件に合うケースだけを残す
mutate() 変数作成 既存の変数から新しい変数を作る
group_by() グループ化 カテゴリごとにデータを分ける
summarise() 要約 グループごとに統計量を計算する
arrange() 並べ替え 指定した変数の値で行を並べる

これらは英語の動詞として読めるように設計されているため、コードが「データに対して何をするか」を自然に表現できます。

パイプ演算子

dplyrの関数はパイプ演算子（%>%）と組み合わせて使います。パイプ演算子は、左側の結果を右側の関数の第一引数として渡す演算子です。RStudioでは Ctrl+Shift+M（Mac: Cmd+Shift+M）で入力できます。

パイプ演算子を使わない場合、標準偏差の計算は次のようになります：

dat <- c(10, 13, 15, 12, 14)
M <- mean(dat)            # 平均
dev <- dat - M            # 平均偏差
pow <- dev^2              # 2乗
variance <- mean(pow)     # 分散
standardDev <- sqrt(variance)  # 標準偏差

途中結果を格納するオブジェクトが4つも必要です。あるいは関数を入れ子にすると：

standardDev <- sqrt(mean((dat - mean(dat))^2))

今度は内側から読む必要があり、思考の流れと逆転します。パイプ演算子を使うと：

standardDev <- dat %>%
  {. - mean(.)} %>%
  {.^2} %>%
  mean() %>%
  sqrt()

データ → 平均偏差 → 2乗 → 平均 → 平方根、という計算の流れとスクリプトの流れが一致します。dplyrの関数はすべて「第一引数にデータフレームを取る」設計なので、パイプで繋ぐだけで複雑な操作を直感的に記述できます。

関数名の衝突に注意

tidyverseを読み込むと、Rの基本パッケージと同名の関数が上書きされます。特に注意が必要なのは：

  • dplyr::filter() が stats::filter() を上書き
  • dplyr::lag() が stats::lag() を上書き

別のパッケージの同名関数を使いたい場合は、stats::filter()のようにパッケージ名::関数名で明示してください。

ランクC: 基礎知識を確認しよう

7-C-1

パイプ演算子%>%は、左側の結果を右側の関数の第一引数として渡す。

これが正しいです。たとえばiris %>% head(3)はhead(iris, 3)と同じ意味になります。パイプの左側の結果が、右側の関数の第一引数に入ります。dplyrの関数はすべて第一引数にデータフレームを取るので、パイプとの相性が良いのです。

7-C-2

select()関数は行（ケース）を選択するための関数である。

select()は列（変数）を選択する関数です。行を選択するのはfilter()です。

7-C-3

次のコードを見てください。

iris %>% select(-Species)

ここで-Speciesは何を意味していますか？

select()関数でマイナス（-）を付けると、その列を除外した残りの列を選択します。元のデータが変更されるわけではなく、結果として返されるデータフレームにSpecies列が含まれなくなります。

7-C-4

filter()関数で、Sepal.Lengthが5以上のケースを選ぶコードはどれですか？

filter()関数では条件式を書きます。等号の判定には==、大小比較には>, >=, <, <=を使います。=ひとつは代入演算子なので条件判定には使えません。また、select()は列選択なので行の絞り込みには使えません。

7-C-5

mutate()関数は新しい変数を作成するときに使う。既存の変数を上書きすることもできる。

mutate()で生成先の変数名を既存の変数名と同じにすると、上書きされます。たとえば変数の型変換（文字型→Factor型など）にも使えます：

iris %>% mutate(Species = as.character(Species))

7-C-6

次のコードを見てください。

iris %>%
  group_by(Species) %>%
  summarise(n = n(), M = mean(Sepal.Length))

このコードの結果は何行になりますか？

group_by(Species)でSpeciesの水準ごと（setosa, versicolor, virginica）にグループ化し、summarise()で各グループの要約を1行にまとめます。3水準あるので結果は3行です。

7-C-7

filter()で複数の条件を同時に指定したい場合、カンマ（,）で区切るとどのように解釈されますか？

filter()関数内でカンマで条件を区切ると、AND条件として扱われます。つまり、すべての条件を同時に満たすケースだけが残ります。

# Sepal.Lengthが6以上 かつ Speciesがversicolorのケースのみ
iris %>% filter(Sepal.Length >= 6, Species == "versicolor")

OR条件を使いたい場合は|演算子を使います：

# Speciesがsetosa または virginica のケース
iris %>% filter(Species == "setosa" | Species == "virginica")

7-C-8

select()関数でstarts_with("Sepal")と書くと何が起きますか？

starts_with()はselect()関数内で使えるヘルパー関数で、指定した文字列で始まる列名を選択します。

iris %>% select(starts_with("Sepal"))
# → Sepal.Length, Sepal.Width の2列が選択される

同様のヘルパー関数：

  • ends_with("Length"): 指定文字列で終わる列
  • contains("etal"): 指定文字列を含む列
  • matches(".t."): 正規表現にマッチする列

7-C-9

次のコードで、==を=にするとどうなりますか？

iris %>% filter(Species == "setosa")

==は「等しいかどうかを判定する」比較演算子です。=は引数への代入を意味するため、filter()内で=を使うと意図しない挙動やエラーになります。条件判定には必ず==を使ってください。

同様に、「等しくない」は!=で表します。

7-C-10

summarise()関数の中で使えるn()は何を返しますか？

n()はsummarise()の中で使う関数で、各グループのケース数（行数）を返します。group_by()と組み合わせると、グループごとのケース数が得られます。

iris %>%
  group_by(Species) %>%
  summarise(count = n())
# setosa: 50, versicolor: 50, virginica: 50

ランクB: 実践スキルを磨こう

7-B-1

BaseballDecade.csvを読み込んで、どんな変数があるか確認してください。その後、年度（Year）、選手名（Name）、所属球団（team）、身長（height）、体重（weight）、年俸（salary）、守備位置（position）の7つの変数だけを選択してください。

names()関数やstr()関数でデータの変数名を確認できます。select()関数で必要な変数を選びます。

df <- readr::read_csv("../data/BaseballDecade.csv")

# 変数名の確認
names(df)

# 必要な変数だけを選択
df2 <- df %>%
  dplyr::select(Year, Name, team, height, weight, salary, position)

df2

select()で列名を列挙するだけで、必要な変数のみを持つデータフレームが作れます。

7-B-2

7-B-1で作ったdf2から、2020年度のデータだけを取り出してください。

filter()を使います。Year変数の値がどのような形式（数値か文字列か）になっているか、class()やunique()で確認してから条件を書きましょう。

# Year変数の形式を確認
unique(df2$Year)

# 「2020年度」のように文字列で入っている場合
df2 %>%
  dplyr::filter(Year == "2020年度")

# 数値型の場合
# df2 %>% dplyr::filter(Year == 2020)

filter()の条件式では==（等号2つ）を使います。=ひとつだと代入になってしまうので注意してください。

7-B-3

7-B-1のデータから、2020年度の阪神タイガース（Tigers）のデータだけを取り出してください。また、阪神タイガース以外のデータも取り出してみてください。

filter()に複数条件を渡すとAND条件になります。「以外」は!=を使います。

# 2020年度の阪神タイガース
df2 %>%
  dplyr::filter(Year == "2020年度", team == "Tigers")

# 2020年度の阪神タイガース以外
df2 %>%
  dplyr::filter(Year == "2020年度", team != "Tigers")

filter()にカンマ区切りで条件を並べるとAND条件です。!=は「等しくない」を表す比較演算子です。

7-B-4

BMI（Body Mass Index）を計算する新しい変数を追加してください。BMIは体重(kg) / 身長(m)の2乗で計算します。height変数の単位がcmであることに注意してください。

mutate()で新しい変数を作ります。身長をメートルに変換するには100で割ります。

df2 %>%
  dplyr::mutate(BMI = weight / (height / 100)^2)

mutate()の中で既存の変数を使った式を書くことで、新しい変数BMIが追加されます。元のデータフレームは変更されず、新しいデータフレームが返されます（結果を保存したい場合は<-で代入が必要です）。

7-B-5

投手（positionが「投手」）と野手（それ以外）を区別する新しいFactor型変数position2を作成してください。

mutate()の中でifelse()とfactor()を組み合わせます。ifelse(条件, 真の値, 偽の値)の形式です。

df2 %>%
  dplyr::mutate(
    position2 = ifelse(position == "投手", "投手", "野手"),
    position2 = factor(position2)
  )

mutate()は連続して同じ変数名を指定できます。最初のmutate()で文字型のposition2を作り、次のmutate()でFactor型に変換しています。1つのmutate()の中でカンマで区切って複数の変数操作を書くことも可能です。

7-B-6

年度（Year）ごとに、登録選手数（行数）と平均年俸を集計してください。

group_by()でグループ化してからsummarise()で集計します。ケース数はn()、平均はmean()です。年俸に欠損値がある場合はna.rm = TRUEを指定します。

df2 %>%
  dplyr::group_by(Year) %>%
  dplyr::summarise(
    n = n(),
    mean_salary = mean(salary, na.rm = TRUE)
  )

group_by(Year)で年度ごとにグループ化し、summarise()で各グループのケース数と平均年俸を計算しています。結果は年度ごとに1行のデータフレームになります。

7-B-7

年度（Year）と球団（team）の2つでグループ化し、登録選手数、平均年俸、最高年俸、最低年俸を集計してください。

group_by()に複数の変数を指定できます。max()とmin()で最大・最小を求めます。

df2 %>%
  dplyr::group_by(Year, team) %>%
  dplyr::summarise(
    n = n(),
    mean_salary = mean(salary, na.rm = TRUE),
    max_salary = max(salary, na.rm = TRUE),
    min_salary = min(salary, na.rm = TRUE),
    .groups = "drop"
  )

.groups = "drop"を指定すると、集計後にグループ化が解除されます。指定しない場合、Yearのグループ化が残ったままになります。

7-B-8

irisデータセットについて、SpeciesごとにSepalで始まる変数の平均値と標準偏差を一括で計算してください。

across()関数をsummarise()の中で使います。starts_with("Sepal")で対象変数を指定し、.fnsに複数の関数をリストで渡します。

iris %>%
  dplyr::group_by(Species) %>%
  dplyr::summarise(
    dplyr::across(
      starts_with("Sepal"),
      .fns = list(
        M = ~mean(.x),
        SD = ~sd(.x)
      )
    )
  )

across()により、Sepal.LengthとSepal.Widthの両方に対してmean()とsd()が適用されます。結果の列名はSepal.Length_M, Sepal.Length_SD, Sepal.Width_M, Sepal.Width_SDのように自動で命名されます。

~mean(.x)はラムダ関数（無名関数）の書き方で、.xは各変数の値が入るプレイスホルダーです。

7-B-9

セ・リーグとパ・リーグを区別する新しいFactor型変数Leagueを作成してください。セ・リーグに所属する球団はGiants, Carp, Tigers, Swallows, Dragons, DeNAです。

mutate()の中でifelse()を使います。セ・リーグの球団名のベクトルを作って、%in%演算子で判定すると便利です。

central <- c("Giants", "Carp", "Tigers", "Swallows", "Dragons", "DeNA")

df2 %>%
  dplyr::mutate(
    League = ifelse(team %in% central, "Central", "Pacific"),
    League = factor(League)
  )

%in%演算子は「左側の値が右側のベクトルに含まれるか」を判定します。複数の値と一致するかどうかを調べるときに、==をORで繋げるより簡潔に書けます。

7-B-10

7-B-9で作ったLeague変数を使って、リーグごと・年度ごとの平均年俸を集計してください。さらにarrange()で年度の昇順に並べ替えてください。

group_by()にLeagueとYearを指定し、summarise()で平均を計算した後、arrange()で並べ替えます。

central <- c("Giants", "Carp", "Tigers", "Swallows", "Dragons", "DeNA")

df2 %>%
  dplyr::mutate(
    League = ifelse(team %in% central, "Central", "Pacific"),
    League = factor(League)
  ) %>%
  dplyr::group_by(Year, League) %>%
  dplyr::summarise(
    mean_salary = mean(salary, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  dplyr::arrange(Year)

パイプで操作を繋げることで、変数の作成 → グループ化 → 集計 → 並べ替えという一連の処理を、上から下へ読める流れで記述できます。これがdplyrとパイプ演算子の威力です。

ランクA: AI協働に挑戦しよう

7-A-1

課題: BaseballDecade.csvを使って、「年俸の高い選手トップ10」を年度ごとに抽出し、そのトップ10の顔ぶれ（球団、ポジション）が年度によってどう変化するか調べてください。

AIに相談しながら：

  1. 年度ごとに年俸トップ10を抽出する方法を考える
  2. 結果を見やすい形にまとめる
  3. 何か面白い傾向が読み取れるか考察する

提出物: AIとの対話ログ、完成したコードと結果、気づいたこと。

7-A-2

課題: irisデータセットを使って、「どの種（Species）が最もバランスの良い形をしているか」を定量的に評価してください。

「バランスの良い形」の定義は自分で考えてください（例: SepalとPetalの比率、LengthとWidthの比率、変動係数の小ささなど）。AIと相談しながら：

  1. 「バランスの良さ」の指標を定義する
  2. dplyrで集計する
  3. 結果を解釈する

提出物: AIとの対話内容、指標の定義と理由、集計コードと結果。

7-A-3

課題: BaseballDecade.csvから、「年俸と身体的特徴（身長・体重・BMI）の関係」を球団ごとに調べたいと思います。

AIに相談しながら、dplyrを駆使してこの分析を行ってください。データの絞り込み、変数の作成、グループごとの集計を組み合わせる必要があります。

考えるポイント：

  • BMI変数の作成（mutate()）
  • ポジション別の傾向（投手 vs 野手）
  • 球団ごとの違い
  • 年度による変化

提出物: - AIとの対話の記録（どのように問題を分解して伝えたか） - 完成したコード - 発見した傾向や気づき

まとめ

このユニットでは、dplyrパッケージの主要な関数を学びました：

  • select(): 必要な変数（列）だけを選ぶ
  • filter(): 条件に合うケース（行）だけを残す
  • mutate(): 新しい変数を作る、既存の変数を変換する
  • group_by() + summarise(): グループごとに要約統計量を計算する
  • across(): 複数の変数に同じ処理を一括適用する
  • arrange(): データを並べ替える

これらの関数をパイプ演算子（%>%）で繋ぐことで、データの選択・加工・集計を流れるように記述できます。dplyrは卒論のデータ分析で最も頻繁に使うパッケージです。繰り返し練習して、手に馴染ませましょう。

次のユニット: U8. tidyr: ワイド⇔ロング変換では、データの「持ち方」を変換する方法を学びます。

進捗: あなたは今 7-C-10 まで完了しました！（と仮定）次は 7-B-1 に進みましょう。