記者のためのR講座データを自分の手で確かめるために

第1部 データを読む・加工する

列を選ぶ・計算する

select、rename、mutate、arrange。この四つを使えば、「高齢化率の高い自治体ランキング」がつくれます。

はい、では次に、読み込んで df2020 というオブジェクトに入力したデータを、いろいろな形に加工していきましょう。データはいろんなやり方で加工していくことができますが、いくつもの加工プロセスを組み合わせることで、生のデータから「知りたい情報=エッセンス」を抽出していくわけです。

加工のための基本的な道具を、これから紹介していきます。

select——列を選ぶ

df2020 の中身をみると、それぞれの列には各市区町村について、さまざまな年齢層ごとの人口が入っています。「注釈」のための列もあります。これを元にして、たとえば市区町村ごとの「高齢化率」を知りたかったとしましょう。

高齢化率は65歳以上の人口が総人口に占める割合です。なのでさしあたって必要なのは、各市区町村の名前と総人口、65歳以上人口の列だけです。そのほかは不要なうえ、邪魔くさいので、消えてもらうことにしましょうか。

そのときに使えるのが select という関数です。具体的には、こうやります。

df2020 %>%
  select(地域,
         `A1101_総人口【人】`,
         `A1303_65歳以上人口【人】`)

df2020 から出発し、そこに select 関数を適用して、「地域」「A1101_総人口【人】」「A1303_65歳以上人口【人】」という三つの項目だけを選んでいるわけです。これで余計な列は消えてくれました。

このように、残したい列を選ぶこともできますが、逆に消したい列を指定して消すこともできます。select(-xxx, -yyy, -zzz) のように書くと、xxxとyyyとzzzの列だけが消えるわけです。

rename——名前を変える

ところで、「A1101_総人口【人】」とか「A1303_65歳以上人口【人】」とか、何だか鬱陶しいですね。これはもとのcsvファイルに原因があるんですが、単に「総人口」「人口_65歳以上」とかなっていればいいのに、余計なかざりがいろいろとくっついています。邪魔くさいので、取り除いてしまいましょう。

そのために使えるのが rename という関数です。「地域」という列名はまだ分かりやすくはあるんですが、コードは常に半角英数字で書かれるものなので、いちいち日本語入力と切り替えてやるのはめんどくさいし、ミスのもとです。これも変えてしまいましょう。

具体的にはこうやります。

df2020 %>%
  select(地域,
         `A1101_総人口【人】`,
         `A1303_65歳以上人口【人】`) %>%
  rename(region = 地域,
         population = `A1101_総人口【人】`,
         population_over65 = `A1303_65歳以上人口【人】`)

だいぶすっきりしましたね。rename は 新しい名前 = 古い名前 の順で書きます。逆に書きたくなるので、ここは注意してください。

このデータを df2020_simple という新しいオブジェクトに格納しましょう。

df2020_simple <- df2020 %>%
  select(地域,
         `A1101_総人口【人】`,
         `A1303_65歳以上人口【人】`) %>%
  rename(region = 地域,
         population = `A1101_総人口【人】`,
         population_over65 = `A1303_65歳以上人口【人】`)

その前に——データ型をちらっと見る

では次に、高齢化率を計算してみましょう。ただ、その前に。df2020_simple をもう一度見てみましょう。

df2020_simple
# A tibble: 1,916 × 3
  region               population population_over65
  <chr>                     <dbl>             <dbl>
1 北海道 札幌市           1973395            541242
2 北海道 札幌市 中央区     248680             57544
3 北海道 札幌市 北区       289323             77275
4 北海道 札幌市 東区       265379             68282
5 北海道 札幌市 白石区     211835             53160
6 北海道 札幌市 豊平区     225298             57056
# ℹ 1,910 more rows

region という文字の下に <chr> というのが見えますね。これは、region という列に格納されたデータが数字ではなく「文字(character)」の列として認識されていますよ、ということを意味しています。また、population と population_over65 の下には <dbl> というのが見えますが、これは小数点以下を含んでいる(かもしれない)数字だよ、という意味です(ちなみに <int> だと整数を意味します)。

こういうのを「データ型」と言います。データのタイプ、というくらいのことだと考えてください。

数字として認識されていないデータには、足し算引き算かけ算その他の数学的な処理をほどこすことはできません。この場合はたまたま(というか、私がそうなるように前処理しておいたので)、高齢化率を算出するときのもとになるデータは数字として認識されていますから、このまま計算に入ることができますが、そうでなければデータ型を変換する必要があります。このやり方は10章で改めて説明します。

mutate——新しい列をつくる

では、本筋に戻ります。

高齢化率というのは、人口に占める65歳以上の人の割合です。ということは、population_over65 を population で割り算してやればいいわけです。パーセントで表示したければ、さらに100をかけることになります。ここではパーセント表示を選んでみましょう。mutate という関数を使って、こうやります。

df2020_simple %>%
  mutate(rate_aged = population_over65 * 100 / population)

mutate というのは、新しい列をつくるための関数です。ここでは、population_over65 に100をかけ算し、それを population で割り算して得られる数値を、rate_aged と名付けた列に入力する、という操作をしているわけです。

いちばん右の列に rate_aged が増えているはずです。列がたくさんあって見えないときは view() するか、select(region, rate_aged) で必要な列だけ表示してみてください。

高齢化率を計算したtibbleを新しいオブジェクトdf2020_aged に格納しておきます。

df2020_aged <- df2020_simple %>%
  mutate(rate_aged=population_over65*100/population)

arrange——並べ替える

では、少しだけ分析っぽいことをしてみましょう。高齢化率が最も低い自治体は、どこでしょう? それを計算するには、arrange という関数を使います。こんな感じです。

df2020_aged %>%
  arrange(rate_aged)

mutate によって作った rate_aged という列のデータを見て、この数字の小さい順番にarrange(並べ替え)しなさい、という命令です。

# A tibble: 1,916 × 4
   region                 population population_over65 rate_aged
   <chr>                       <dbl>             <dbl>     <dbl>
 1 福島県 大熊町                 847                87      10.3
 2 東京都 小笠原村              2929               413      14.1
 3 東京都 中央区              169179             24683      14.6
 4 大阪府 大阪市 西区         105862             15481      14.6
 5 神奈川県 川崎市 中原区     263683             39332      14.9
 6 大阪府 大阪市 中央区       103726             15654      15.1
 7 東京都 千代田区             66680             10852      16.3
 8 東京都 港区                260486             42546      16.3
 9 愛知県 長久手市             60162              9840      16.4
10 埼玉県 戸田市              140899             23065      16.4
# ℹ 1,906 more rows

高齢化率がもっとも低いのは福島県大熊町で、わずか10.3%でした。おそらく住んでいる人の大半は、原発事故処理のための作業員なのでしょう。そのほかは東京都中央区など都会の自治体が目立ちます。東京都小笠原村が2位に入っているのは、個人的にはへぇ~と感じました。

では逆に、高齢化率が高い自治体のランキングをつくってみましょう。やはり arrange の関数を使いますが、ちょっと変化をつけます。

df2020_aged %>%
  arrange(desc(rate_aged))

rate_aged の数字をみて、今度は大きい順番=降順(descending order)に並べ替えなさい、という命令です。

# A tibble: 1,916 × 4
   region          population population_over65 rate_aged
   <chr>                <dbl>             <dbl>     <dbl>
 1 群馬県 南牧村         1611              1051      65.2
 2 長野県 天龍村         1178               732      62.1
 3 群馬県 神流町         1645              1011      61.5
 4 福島県 金山町         1862              1134      60.9
 5 奈良県 御杖村         1479               891      60.2
 6 高知県 大豊町         3252              1907      58.6
 7 奈良県 東吉野村       1502               875      58.3
 8 福島県 飯舘村         1318               755      57.3
 9 山口県 上関町         2342              1321      56.4
10 徳島県 上勝町         1380               772      55.9
# ℹ 1,906 more rows

結果は、やはりというべきか、町村部がトップを占めています。都会から離れた場所にお年寄りが残されているという現状が、一目瞭然になりました。

次の章では、「北海道 札幌市 豊平区」のようにひとまとめになっている自治体名を、都道府県、市区町村、政令指定都市の区の三つに切り分けます。そのうえで、東京都だけ、人口10万人以上だけ、といった条件で行を絞り込みます。