U9. 変数の型の変換と統一

ユニット概要

分類: 幹（全員必須）

依存関係: U0 → U1 → U2 → U4 → U5 → U6 → U7 → U8 → U9 → U10

学習目標:

  • as.numeric()、as.character()、as.factor()等で変数の型を変換できる
  • factor()で水準の順序やラベルを制御できる
  • ifelse()やdplyr::case_when()で変数を再コーディングできる
  • cut()で連続変数をカテゴリ変数に変換できる
  • scale()で標準化（z得点化）ができる
  • model.matrix()でダミー変数を作成できる
  • dplyr::across()で複数変数に同じ変換を一括適用できる

事前知識: なぜ型変換が必要か

データの型と分析の関係

Rでは変数の型によって、使える関数や分析手法が変わります。たとえば：

  • mean() は数値型（numeric）にしか使えない
  • table() はfactor型や文字型で意味がある
  • ggplot2 の fill や color はfactor型で色分けされる
  • 回帰分析でカテゴリ変数を使うにはダミー変数化が必要

データを読み込んだとき、変数の型が想定通りでないことはよくあります。数値のはずが文字型になっている、カテゴリのはずが数値型になっている、といった状況です。分析に入る前に型を正しく整える必要があります。

Rの主な変数型

型 説明 例 確認関数
numeric / double 実数（小数を含む） 3.14 is.numeric()
integer 整数 1L, 2L is.integer()
character 文字列 "Tokyo" is.character()
factor カテゴリ（水準をもつ） factor("A") is.factor()
logical 論理値 TRUE, FALSE is.logical()

型変換の基本

as.型名() 関数で型を変換します：

x <- "123"
class(x)          # character
[1] "character"
y <- as.numeric(x)
class(y)          # numeric
[1] "numeric"
y + 1             # 計算できる
[1] 124

数値に変換できない文字列は NA になります：

as.numeric("abc")   # NA（警告が出る）
[1] NA

factor型の重要性

心理学データでは、性別・条件・群といったカテゴリ変数をfactor型にしておくことが重要です。factor型にすると：

  • 水準（level）の順序を制御できる
  • 統計モデルで自動的にダミー変数化される
  • グラフの凡例や軸の順序が制御できる
# 文字型のまま
x <- c("低", "高", "中", "高", "低")
table(x)  # アルファベット順に並ぶ
x
中 低 高 
 1  2  2 
# factor型にして順序を指定
x_f <- factor(x, levels = c("低", "中", "高"))
table(x_f)  # 指定した順序で並ぶ
x_f
低 中 高 
 2  1  2

標準化（z得点）

変数を平均0、標準偏差1に変換する操作を標準化（standardization）と呼びます。単位の異なる変数を比較可能にするために使います。

\[z_i = \frac{x_i - \bar{x}}{s_x}\]

x <- c(60, 70, 80, 90, 100)
scale(x)
           [,1]
[1,] -1.2649111
[2,] -0.6324555
[3,]  0.0000000
[4,]  0.6324555
[5,]  1.2649111
attr(,"scaled:center")
[1] 80
attr(,"scaled:scale")
[1] 15.81139

ダミー変数

カテゴリ変数を回帰分析で使うとき、0/1のダミー変数に変換します。\(k\) 水準のカテゴリ変数は \(k-1\) 個のダミー変数で表現します（1つは参照カテゴリ）。

たとえば「セリーグ」「パリーグ」の2水準なら、ダミー変数は1つ（パリーグ=1, セリーグ=0）です。

ランクC: 基礎知識を確認しよう

9-C-1

文字型の "42" を数値型に変換する関数は？

as.型名() が型変換関数の基本形です。as.numeric("42") は数値の 42 を返します。逆に as.character(42) は文字列の "42" を返します。

9-C-2

factor() 関数の levels 引数は何を指定しますか？

levels で水準の順序を指定できます。指定しないとアルファベット順（日本語ならUnicodeの順序）になります。

factor(c("B", "A", "C"), levels = c("A", "B", "C"))

グラフの軸やtableの表示順、回帰分析の参照カテゴリに影響します。

9-C-3

factor() 関数の labels 引数は何をしますか？

labels は水準の表示名を変えます。levels の順序に対応します。

factor(c(1, 2, 1, 2), levels = c(1, 2), labels = c("男性", "女性"))

データ上は 1, 2 でも、表示や分析では "男性", "女性" として扱われます。

9-C-4

ifelse(条件, 真の値, 偽の値) の結果として正しいのはどれですか？

ifelse(5 > 3, "大きい", "小さい") の結果は？

ifelse() は条件が TRUE のとき第2引数を、FALSE のとき第3引数を返します。ベクトルに対しても要素ごとに適用されるので、mutate() の中で変数の再コーディングに使えます。

9-C-5

scale() 関数は何をしますか？

scale(x) は各値から平均を引き、標準偏差で割ります（z得点化）。scale(x, center = TRUE, scale = FALSE) とすると中心化（平均を引くだけ）のみ行います。

9-C-6

3水準のカテゴリ変数（A, B, C）をダミー変数にすると、ダミー変数はいくつ必要ですか？

\(k\) 水準のカテゴリ変数は \(k-1\) 個のダミー変数で表現します。3水準なら2つです。1つの水準を参照カテゴリ（baseline）として、残りの水準を0/1で表します。

たとえばAを参照カテゴリにすると：

元の値 ダミー1（B） ダミー2（C）
A 0 0
B 1 0
C 0 1

9-C-7

cut() 関数は何をしますか？

cut() は連続変数を指定した境界値で区切り、カテゴリ変数（factor型）に変換します。

x <- c(15, 25, 35, 45, 55)
cut(x, breaks = c(0, 20, 40, 60), labels = c("若年", "中年", "高年"))
# [1] 若年 中年 中年 高年 高年

9-C-8

dplyr::case_when() は ifelse() と比べてどのような利点がありますか？

ifelse() を入れ子にすると読みにくくなりますが、case_when() は複数条件を並列に書けます。

dplyr::case_when(
  score >= 80 ~ "A",
  score >= 60 ~ "B",
  score >= 40 ~ "C",
  TRUE ~ "D"   # それ以外
)

TRUE ~ "D" は「上のどの条件にも当てはまらない場合」を意味します。

ランクB: 実践スキルを磨こう

9-B-1

iris データセットの Species 変数の型を確認してください。次に、水準の順序を "virginica", "versicolor", "setosa" に変更してください。

# 現在の型と水準
class(iris$Species)
levels(iris$Species)

# 水準の順序を変更
iris2 <- iris %>%
  dplyr::mutate(Species = factor(Species,
    levels = c("virginica", "versicolor", "setosa")))

levels(iris2$Species)

forcats::fct_relevel() を使う方法もあります：forcats::fct_relevel(Species, "virginica", "versicolor", "setosa")

9-B-2

BaseballDecade.csv の Year 変数は "2020年度" のような文字列です。「年度」を除去して数値型に変換してください。

stringr::str_remove() で「年度」を除去し、as.numeric() で変換します。

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

df2 <- df %>%
  dplyr::mutate(Year = stringr::str_remove(Year, "年度")) %>%
  dplyr::mutate(Year = as.numeric(Year))

class(df2$Year)  # numeric
unique(df2$Year) # 2011, 2012, ...

readr::parse_number() を使う方法もあります：dplyr::mutate(Year = readr::parse_number(Year))

9-B-3

BaseballDecade.csv のセ・リーグとパ・リーグを区別する League 変数（factor型）を作成してください。セリーグは Giants, Carp, Tigers, Swallows, Dragons, DeNA です。

ifelse() または case_when() と %in% を組み合わせます。

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

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

df2 <- df %>%
  dplyr::mutate(League = dplyr::if_else(
    team %in% ce_teams, "セリーグ", "パリーグ")) %>%
  dplyr::mutate(League = factor(League))

table(df2$League)

9-B-4

iris の Sepal.Length を平均値で「高群」「低群」に分ける変数 SL_group をfactor型で作成してください。

iris2 <- iris %>%
  dplyr::mutate(SL_group = dplyr::if_else(
    Sepal.Length > mean(Sepal.Length), "高群", "低群")) %>%
  dplyr::mutate(SL_group = factor(SL_group, levels = c("低群", "高群")))

table(iris2$SL_group)

9-B-5

BaseballDecade.csv の salary（年俸）を scale() で標準化してください。標準化後の平均と標準偏差が0と1になることを確認してください。

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

df2 <- df %>%
  dplyr::mutate(salary_z = as.numeric(scale(salary)))

# 確認
mean(df2$salary_z, na.rm = TRUE)   # ≈ 0
sd(df2$salary_z, na.rm = TRUE)     # ≈ 1

scale() は行列を返すので、as.numeric() でベクトルに変換しています。dplyr::mutate() の中で使う場合はこの変換が必要です。

9-B-6

iris の Species をダミー変数に変換してください。model.matrix() を使います。

# model.matrix でダミー変数化
dummy <- model.matrix(~ Species, data = iris)
head(dummy)

結果は3列になります：(Intercept)（切片、常に1）、Speciesversicolor、Speciesvirginica の2つのダミー変数です。setosa が参照カテゴリ（baseline）になっています。

切片を除くには model.matrix(~ Species - 1, data = iris) とします（この場合3つのダミー変数が作られます）。

9-B-7

BaseballDecade.csv の salary（年俸）を cut() で「1000万未満」「1000万〜5000万」「5000万〜1億」「1億以上」の4段階に分類してください。

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

df2 <- df %>%
  dplyr::mutate(salary_cat = cut(salary,
    breaks = c(0, 1000, 5000, 10000, Inf),
    labels = c("1000万未満", "1000万〜5000万",
               "5000万〜1億", "1億以上"),
    right = FALSE))

table(df2$salary_cat)

right = FALSE は区間を [a, b) （左閉右開）にします。Inf で上限なしを表現しています。

9-B-8

iris の数値変数（1〜4列目）を dplyr::across() で一括して標準化してください。

iris_scaled <- iris %>%
  dplyr::mutate(dplyr::across(1:4, ~ as.numeric(scale(.x))))

# 確認: 各変数の平均が0、SDが1
iris_scaled %>%
  dplyr::summarise(dplyr::across(1:4, list(
    mean = ~ mean(.x),
    sd = ~ sd(.x)
  )))

across() は複数の列に同じ関数を一括適用します。where(is.numeric) で数値型の列だけを対象にすることもできます。

9-B-9

BaseballDecade.csv の position 変数を、「投手」と「野手」（投手以外）の2水準のfactor型変数 position2 に変換してください。dplyr::case_when() を使ってください。

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

df2 <- df %>%
  dplyr::mutate(position2 = dplyr::case_when(
    position == "投手" ~ "投手",
    TRUE ~ "野手"
  )) %>%
  dplyr::mutate(position2 = factor(position2))

table(df2$position2)

case_when() の TRUE ~ "野手" は「上のどの条件にも当てはまらない場合」のデフォルト値です。

ランクA: AI協働に挑戦しよう

9-A-1

課題: BaseballDecade.csv を読み込み、以下の前処理パイプラインを一本で書いてください。AIに相談しながら効率的なコードを組み立てましょう。

  1. Year を数値型に変換
  2. team をfactor型に変換
  3. セ・パリーグを区別する League 変数を作成（factor型）
  4. salary を標準化した salary_z を作成
  5. salary を4段階にカテゴリ化した salary_cat を作成
  6. position を「投手」「野手」に再コードした position2 を作成（factor型）

提出物: AIとの対話ログ、完成したコード。

9-A-2

課題: 「尺度水準（名義・順序・間隔・比率）」とRの変数型の対応関係について、AIに質問しながら整理してください。

  • 各尺度水準にはどのR型が適切か
  • 順序尺度は ordered = TRUE のfactor型にすべきか
  • ordered factorにすると統計モデルの振る舞いがどう変わるか

提出物: AIとの対話ログ、対応表と考察。

まとめ

このユニットでは、分析前のデータ整備に不可欠な型変換と再コーディングを学びました：

  • 型変換: as.numeric(), as.character(), as.factor(), as.logical()
  • factor型の制御: factor(levels = ..., labels = ...), forcats::fct_relevel()
  • 再コーディング: ifelse(), dplyr::if_else(), dplyr::case_when()
  • 連続→カテゴリ: cut(breaks = ..., labels = ...)
  • 標準化: scale()（z得点化）
  • ダミー変数: model.matrix()
  • 一括変換: dplyr::across()で複数変数に同じ処理

型の整備は「分析前の地味な作業」ですが、ここを怠ると分析結果が間違ったものになります。データを読み込んだら、str() で型を確認し、必要に応じて変換する習慣をつけてください。

次のユニット: U10. ggplot2では、整形したデータを可視化する方法を学びます。

進捗: あなたは今 9-C-8 まで完了しました！（と仮定）次は 9-B-1 に進みましょう。