Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Similar to Tokyor60 r data_science_part1
Similar to Tokyor60 r data_science_part1 (20)
More from Yohei Sato
More from Yohei Sato (20)
Tokyor60 r data_science_part1
- 2. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 3. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 4. 里 洋平（@yokkuns） DATUM STUDIO 株式会社 取締役CAO ■略歴 ・ヤフー株式会社 ・株式会社ディー・エヌ・エー ・株式会社ドリコム ・DATUM STUDIO株式会社 ■活動 ・Tokyo.R 主催者 ・著書９冊 Tokyo.
- 5. バックグラウンド
- 6. 著書
- 7. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 8. 本日のテーマ Rによるデータサイエンス 第Ⅰ部 【第I部 Rとデータマイニングの基礎】 第1章 データマイニングとR 言語 第2章 データの入出力と編集 第3章 データの演算と固有値,基本統計量 第4章 データの視覚化 【第II部 Rによるデータ解析・データマイニング】 第1章 主成分分析 第2章 因子分析 ・・・
- 9. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 11. データマイニングの事例 • 商品陳列の最適化 • 顧客の履歴データから購入する商品の組み合わせに 関するパタンを抽出し、陳列を見直し売上を上げた • 不正利用の検知 • クレジットカードの使用履歴から不正利用に関する情報 を見つけ出し、未然に防止 • 解約の阻止 • 電話の使用履歴から契約者の行動パタンを特定し、 契約者の逃れを阻止 • ・・・
- 13. R言語とは • オープンソースかつフリーの統計分析ソフトウェア • Windows/Mac OS X/Linux 各種OSで動作する • 可能なかぎり最新版を利用する事を推奨
- 15. RStudioの画面構成
- 22. R言語の基本 １行１式が原則 # 平均50、標準偏差10の正規乱数を40個生成 x <- rnorm(40, mean = 50, sd = 10) # ヒストグラムを描画する hist(x)
- 23. R言語の基本 １行１式が原則 # 平均50、標準偏差10の正規乱数を40個生成 x <- rnorm(40, mean = 50, sd = 10) # ヒストグラムを描画する hist(x) 式 式
- 24. R言語の基本 １行１式が原則 # 平均50、標準偏差10の正規乱数を40個生成 x <- rnorm(40, mean = 50, sd = 10) # ヒストグラムを描画する hist(x) コメント コメント 式 式
- 25. 関数呼び出し 関数(引数) rnorm(n = 40, mean = 50, sd = 10) 乱数の個数 平均 標準偏差 正規乱数を 生成する関数
- 27. パッケージの インストールと読み込み install.packages関数／library関数 # ggplot2 パッケージをインストール install.packages("ggplot2") # ggplot2 パッケージを読み込む library("ggplot2")
- 28. 変数 変数 <- 関数呼び出しや演算といった式 # 正規乱数を生成し、 x という名前で定義 x <- rnorm(40, mean = 50, sd = 10) # x には正規乱数が格納されているので、それをプロット hist(x)
- 29. データ型 • 実数 (numeric) • 1, 3.14, ... • 整数 (integer) • 1, -2, ... • 複素数 (complex) • 1 + i, 2 - 3i, -1 + 0i... • 文字列 (character) • "abc", 'あいうえお' • 因子（factor）
- 30. データ構造 • ベクトル • 行列 • リスト • データフレーム
- 31. ベクトル • データをある順序でならべたもの • 数値ベクトル • 論理ベクトル • 文字ベクトル • 同じデータ型で作られる • 作成方法 • c関数
- 32. 行列 • 長さが同じである複数ベクトルを１つにまとめた n行m列のデータセット • 同じデータ型で作られる • 作成方法 • matrix関数 • cbind関数 • rbind関数
- 33. リスト • 順序付けられたオブジェクトの集まり • 個々の成分は、同じ型である必要はない • 作成方法 • list関数
- 34. データフレーム • Rでデータ分析をする時に最も良く使うデータ構造 • 長さが同じである複数ベクトルを１つにまとめた n行m列のデータセット • 実態は、data.frameクラスを持ったリスト • 異なるデータ型で作成可能 • 作成方法 • data.frame関数 • read.table関数
- 35. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 36. 直接入力 ベクトル > # 果物の売上の割合（単位は％） > sales<- c(15,20,25,10,30) > # ラベル > fruits <- c("Cherry","Apple","Grape","Banana","Other") > # ベクトルにラベルをつける > names(sales) <- fruits > sales Cherry Apple Grape Banana Other 15 20 25 10 30
- 37. 直接入力 行列 > sales2 <- matrix( + data = c(15, 20, 25, 10, 30, + 10, 25, 20, 25, 20), + nrow = 2, ncol = 5, byrow = T + ) > > colnames(sales2) <- fruits > rownames(sales2) <- c("A", "B") > > sales2 Cherry Apple Grape Banana Other A 15 20 25 10 30 B 10 25 20 25 20
- 38. 直接入力 データフレーム > sales3 <- data.frame( + shop = c("A", "B"), + Cherry = c(15, 10), + Apple = c(20, 25), + Grape = c(25, 20), + Banana = c(10, 25), + Other = c(30, 20) + ) > > sales3 shop Cherry Apple Grape Banana Other 1 A 15 20 25 10 30 2 B 10 25 20 25 20
- 39. ファイル入出力 read.csv関数／write.csv関数 > # csvファイルから読み込み > sales3 <- read.csv("sales3.csv") > sales3 shop Cherry Apple Grape Banana Other 1 A 15 20 25 10 30 2 B 10 25 20 25 20 > # csvファイルで出力 > write.csv(sales3, "sales3_2.csv", row.names = F)
- 40. 【補足】 DBからの読み込み DBI::dbGetQuery関数 # SQLite用のライブラリーを読み込む（DBI も同時に読み込まれる） library("RSQLite") # SQLite用のドライバーを作成し、データベース my.db と接続 driver <- dbDriver("SQLite") conn <- dbConnect(driver, "my.db") # SQLを発行してデータを取得 df <- dbGetQuery(conn, "SELECT * FROM iris")
- 41. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 42. 算術演算子 演算子 意味 例 結果 + 加算 1 + 2 3 - 減算 5 - 1 4 * 乗算 3 * 5 15 / 除算 10 / 3 3.333333 %% 余り 10 %% 3 1 %/% 整数除算 10 %/% 3 3 ^ べき乗 2^3 8
- 43. 演算子 意味 例 結果 == 等しい 1 == 1 TRUE != 等しくない 1 != 1 FALSE > 左辺が右辺より大きい 2 > 1 TRUE < 左辺が右辺より小さい 2 < 1 FALSE >= 左辺が右辺より大きい か等しい 2 >= 1 TRUE <= 左辺が右辺より小さい か等しい 2 <= 1 FALSE 比較演算子
- 44. 演算子 意味 例 結果 ! 否定（NOT） !(F) TRUE & 積（AND） c(T, T) & c(T, F) TRUE FALSE && 積（AND） T && T TRUE | 和（OR） c(T, T) | c(T, F) TRUE TRUE || 和（OR） T || F TRUE xor 排他的理論和 xor(T, T) FALSE 論理演算子
- 45. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 46. 基本統計量 関数 合計 sum 算術平均 mean 最大値 max 最小値 min 範囲(最大値-最小値) range 基本統計量 関数 中央値 median 分散 var 標準偏差 sd 分位数 quantile 統計要約 summary 基本統計量の関数
- 47. 行／列毎の基本統計量 apply(X, MARGIN, FUN, ...) 引数名 意味 X データ MARGIN 行単位の算出は1、列単位の算出は2を指定する。 FUN 適用させる関数。統計量の関数や計算式を与える。 > # 列毎の合計 > apply(iris[,1:4],2,sum) Sepal.Length Sepal.Width Petal.Length Petal.Width 876.5 458.6 563.7 179.9
- 48. 【補足】 グループ毎の基本統計量 > library(dplyr) > > iris %>% + group_by(Species) %>% + summarise( + Sepal.Length.mean = mean(Sepal.Length) + ) %>% + ungroup() Source: local data frame [3 x 2] Species Sepal.Length.mean (fctr) (dbl) 1 setosa 5.006 2 versicolor 5.936 3 virginica 6.588
- 49. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 51. グラフ作成のイメージ
- 53. 基本的な文法 g <- ggplot(データフレーム, aes(x = x軸列名, y = y軸列名)) + geom_xxx(aes(...)) + geom_yyy(aes(...)) + xlab("x軸ラベル") + ylab("y軸ラベル") + ggtitle("グラフタイトル") + theme_xxx() print(g) 散布図や箱ひげ図など、 描画したい図に応じた関数 描画スタイルやフォントの変更 （明示的に）描画実行を行う
- 54. サンプルデータ作成① 商品1売上げデータ、商品1,2売上げデータ sales.data1 <- data.frame( item = "item1", month = c("04", "05", "06", "07", "08", "09"), sales = c(800, 1000, 1800, 1500, 1400, 2000) ) sales.data2 <- data.frame( item = "item2", month = c("04", "05", "06", "07", "08", "09"), sales = c(700, 900, 1500, 1700, 1800, 2400) ) sales.data12 <- rbind(sales.data1, sales.data2)
- 55. サンプルデータ作成② 店舗1〜3の商品3,4売上げデータ set.seed(10) sales.data34 <- data.frame( shop = sample(c("1", "2", "3"), 100, replace = T), item3 = rnorm(100, 100, 30) ) sales.data34$item4 <- round( 0.9 * sales.data34$item3 + 80 * as.numeric(sales.data34$shop) + rnorm(100, 30, 15) )
- 56. 棒グラフ ggplot(sales.data1, aes(x = month, y = sales)) + geom_bar(stat = "identity")
- 57. 積み上げ棒グラフ ggplot(sales.data12, aes(x = month, y = sales)) + geom_bar(stat = "identity", aes(fill = item))
- 58. 折れ線グラフ ggplot(sales.data1, aes(x = month, y = sales)) + geom_line(aes(group = 1))
- 59. グループ別折れ線グラフ ggplot(sales.data12, aes(x = month, y = sales)) + geom_line(aes(group = item, col = item))
- 60. 散布図 ggplot(sales.data34, aes(x = item3, y = item4)) + geom_point()
- 61. グループ別散布図 ggplot(sales.data34, aes(x = item3, y = item4)) + geom_point(aes(col = shop))
- 62. ヒストグラム ggplot(sales.data34, aes(x = item3)) + geom_histogram()
- 64. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに
- 65. 懇親会について • 本日終了後に懇親会を開催します。 • 社会人１０００円 • 学生 無料 • 参加希望の方は、受付までご連絡下さい！
- 66. 次回Tokyo.Rについて • 次回Tokyo.Rは、5/20 or 5/27 で考えてます • 発表者募集中です！
- 67. 会場について • Tokyo.Rを開催する会場を探しています！ • 毎月３ or ４週目の土曜に開催しますので、 提供出来そうな方は、ぜひお願いします！
- 68. AGENDA • 講師紹介 • 本日のテーマ • データマイニングとR言語 • データの入出力 • データの演算 • 基本統計量 • データの可視化 • さいごに