2014/07/12 Tokyo.R女子部発表スライド「Rではじめるデータ解析の超基礎」by @a_macbee

1. で始める
データ解析の超基礎
Tokyo.R 女子部 #4
@a_macbee

2. @a_macbee is 誰

3. @a_macbee
!
渋谷で働く新米データサイ
エンティスト
・広告ログ解析の仕事
・普段仕事で利用してる
言語はPython
・Tokyo.R 女子部 #3 初参加
!
・ 初心者

4. の便利機能
の紹介 等はしません
（出来ません(汗)
の標準機能
＋ggplot2 のみを
利用します
※詰まったらどなたか助けて下さい

5. 本日目指すこと
Rを使って
データの雰囲気を
つかむ術を学ぶ

6. 本日の資料
https://github.com/amacbee/tokyorgirls
Download → 解凍
20140712/ 以下に
あります

7. ヒストグラム
について学びます

8. データの全体像
がつかめる！
←日本の人口分布
↓テストの点数分布

9. 何はともあれやってみる
!
!
# ggplot2の読み込み
library(ggplot2)
!
!
!
!
!
!
ヒストグラムを
描画するために
必要です！

10. 何はともあれやってみる
!
# データの読み込み
data.path = /path/to/file/ramen_prices.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# データの中身の確認
head(data.frame)
!
# ラーメンの値段の平均
mean(data.frame$Price)

11. 何はともあれやってみる
!
# データの読み込み
data.path = /path/to/file/ramen_prices.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# データの中身の確認
head(data.frame)
!
# ラーメンの値段の平均
mean(data.frame$Price)
データを読み込んで
data.frameに入れる

12. 何はともあれやってみる
!
# データの読み込み
data.path = /path/to/file/ramen_prices.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# データの中身の確認
head(data.frame)
!
# ラーメンの値段の平均
mean(data.frame$Price)
head()で囲むと
データの上から
6行くらいを表示

13. 何はともあれやってみる
!
# データの読み込み
data.path = /path/to/file/ramen_prices.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# データの中身の確認
head(data.frame)
!
# ラーメンの値段の平均
mean(data.frame$Price)
mean()で囲むと
データの
平均値を表示

14. 何はともあれやってみる
!
# ラーメンの値段のヒストグラム
ggplot(data.frame, aes(x=data.frame$Price)) +
geom_histogram(binwidth=100)
!
!
!
!
!
!

15. こんなのが
出るはず

16. 750
650
850
950
550
ラーメンの
平均的な値段は
750円くらい

17. 何はともあれやってみる
!
# ラーメンの値段のヒストグラム
ggplot(data.frame, aes(x=data.frame$Price)) +
geom_histogram(binwidth=100)
!
!
!
!
!
!
範囲の指定
この場合，100円の範囲で
値をまとめてくれる
x軸の指定

18. ヒストグラムの
良いところ

19. 2つのヒストグラムの比較
!
# データの読み込み
data.path = /path/to/file/test_scores_1.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# 1組のテストの平均点
mean(data.frame$Score)
!
# 1組のテストの点数のヒストグラム
ggplot(data.frame, aes(x=data.frame$Score)) +
geom_histogram(binwidth=5)

20. 2つのヒストグラムの比較
!
# データの読み込み
data.path = /path/to/file/test_scores_2.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# 2組のテストの平均点
mean(data.frame$Score)
!
# 2組のテストの点数のヒストグラム
ggplot(data.frame, aes(x=data.frame$Score)) +
geom_histogram(binwidth=5)

21. 平均点は？
どちらも同じくらい
A組： 約51点
B組： 約50点

22. ヒストグラムは？

23. A 組

24. B 組

25. 平均点は同じでも
ヒストグラムはかなり違う
↓
データの性質が全然違う

26. 大事なこと
ヒストグラムを書くことで
データの全体像がつかめる

27. binwidth
に注意

28. 元のデータは
こちらからお借りしています
!
https://github.com/johnmyleswhite/
ML_for_Hackers

29. !
# データの読み込み
data.path = /path/to/file/body_data.txt
data.frame <- read.table(data.path, header=TRUE, sep= ,')
!
# 平均身長
mean(data.frame$Height)
!
# 身長のヒストグラム(binwidth=5, 0.001, 1)
ggplot(data.frame, aes(x=data.frame$Height)) +
geom_histogram(binwidth=5)
ggplot(data.frame, aes(x=data.frame$Height)) +
geom_histogram(binwidth=0.001)
ggplot(data.frame, aes(x=data.frame$Height)) +
geom_histogram(binwidth=1)

30. binの幅が
広すぎる
＝過剰な平滑化
binwidth=5

31. binの幅が
小さすぎる
＝平滑化の不足
binwidth=0.001

32. binwidth=1

33. 滑らか
binwidth=1

34. 大事なこと
binwidthの値を変えて
ヒストグラムを確認すること

35. おまけ1（Rの高度な機能）
もとの形状に
近い形で
描画できる

36. おまけ2（Rの高度な機能）
男女で
分けてみたり

37. !
参考図書.1
マンガでわかる
統計学 / 高橋 信
!
http://goo.gl/mzuQ
!
※オススメ！

38. !
参考図書.2
入門 機械学習
/ D., Conway
!
http://goo.gl/0zNev
!
※かなり難しい！

39. Thank you!