第1部 データを読む・加工する
文字を切り分ける、行を絞り込む
自治体名を都道府県名と市区町村名に切り分け、そこからたとえば東京都だけ、人口10万人以上だけ、といった形で絞り込む関数をやってみます。
では次に、都道府県別に高齢化率をみて、ランキングとかをつくっていきましょう。ただ、現状では region の列に自治体名が書いてありますが、「●●県 ●●市 ●●区」のようなかたちでひとまとめにされてしまっています。できればこれを、「都道府県名」「市区町村名」「政令指定都市の区名」といった形で分割したい。そうすれば、後で整理するのが楽になります。
str_split_i——文字を切り分ける
どうすればいいか。考える前に、region の列をよく見てみましょう。すると、都道府県名と市区町村名と政令指定都市の区名はそれぞれ、半角スペースで区切られていることがわかります。つまり、半角スペースを目印にして切り離したうえで、一つめの要素を都道府県名に、二つめを市区町村名に、三つめを区名に格納してやればいいわけです。
たとえば str_split_i という関数を使うと、それが実現できます。mutate 関数を使って、こんな列をつくるわけです。
prefecture = str_split_i(region, " ", 1)ちょっと難しいですが、str_split_i という関数の丸括弧のなかに、三つの要素が入っています。
- 一つめが、分割する対象。ここでは
regionという列です。 - 二つめは、分割する目印。半角スペースをダブルクォーテーションで囲って
" "としています。 - 三つめは、区切って取り出した文字列の何番目かを示す数字。都道府県名は最初に入っているので、1としています。
つまり、str_split_i(region, " ", 1) というのは、「region という列に入っている文字を半角スペースを目印にバラバラにして、その1個目を取り出しなさい」という命令。そうして取り出した文字を prefecture という新しい列に格納しているわけです。
municipality という列と ward という列も、ほぼ同じやり方でつくることができます。上記の説明をみれば、わかりますね。新しい列をつくったtibbleを上書き保存しましょう。
df2020_aged <- df2020_aged %>%
mutate(prefecture = str_split_i(region, " ", 1),
municipality = str_split_i(region, " ", 2),
ward = str_split_i(region, " ", 3))三つの列が作られました。新しくできた列を選んで、見てみましょう。
df2020_aged %>%
select(prefecture, municipality, ward, rate_aged)# A tibble: 1,916 × 4
prefecture municipality ward rate_aged
<chr> <chr> <chr> <dbl>
1 北海道 札幌市 <NA> 27.4
2 北海道 札幌市 中央区 23.1
3 北海道 札幌市 北区 26.7
4 北海道 札幌市 東区 25.7
5 北海道 札幌市 白石区 25.1
6 北海道 札幌市 豊平区 25.3
7 北海道 札幌市 南区 35.3
8 北海道 札幌市 西区 27.6
# ℹ 1,908 more rows札幌市の行は municipality に「札幌市」が入って、ward はNA=欠損値(Not Available)となっています。つまり区名が空っぽ。ということは札幌市内の特定の区ではなくて、市全体を表している行だということですね。ward がNAでないところは、それぞれの区です。この違いが、あとで集計するときに使えます。
ちなみに文字列の操作には、このように分割するもの以外にも、複数の文字列をくっつけたり、あるいは何らかの文字が含まれているかどうかを判断したり、「●文字目から●文字目までを取り出しなさい」と命令したり、あるいは文字数を数えたりと、いろいろなものがあります。いちいち説明しているとキリがないので省きますが、これらの命令をうまく組み合わせることで、データを自分の望むかたちに加工していくことができます。
こうした各種文字列操作の命令は、stringrというパッケージに入っているのですが、stringrはtidyverseの中に含まれています。名前が str_ で始まるのが目印です。よく使うものは付録Bにまとめました。
filter——条件に合う行だけ取り出す
話が少しそれました。本筋にもどって、高齢化率を都道府県別に見ていきましょう。
それに使えるのが filter 関数です。こんなふうに使います。
df2020_aged %>%
filter(prefecture == "東京都") %>%
arrange(desc(rate_aged)) %>%
select(municipality, population, rate_aged)# A tibble: 62 × 3
municipality population rate_aged
<chr> <dbl> <dbl>
1 檜原村 2003 52.8
2 奥多摩町 4750 50.7
3 八丈町 7042 39.8
4 新島村 2441 39.6
5 三宅村 2273 39.3
6 日の出町 16958 38.6
7 大島町 7102 38.2
8 青梅市 133535 31.8
# ℹ 54 more rows檜原村、奥多摩町、八丈町。都内といっても、山間部と離島が上位に並びました。
filter という関数は、特定の「行」だけを抽出しなさい、という命令です。この場合だと、prefecture が「東京都」になっている行だけを取り出しなさい、と命令しています。等号(=)が二つ続けられて == になっていますが、これが「prefecture が『東京都』に等しい」という条件づけをしています。
filter を使うときの条件設定には、== 以外にもあります。たとえば人口が10万人以上の自治体についてだけ調べたいとしましょう。そのときには、こんなふうに使えます。
df2020_aged %>%
filter(population >= 100000) %>%
arrange(desc(rate_aged))population という列に含まれた数字が、100000以上である行だけを取り出す、という操作をしているのがわかりますね。
また、たとえば町村部をふくまない「市」についてだけ調べたい、とかいうこともあると思います。ちょっと複雑ですが、こんなふうにやれば条件を指定できます。
df2020_aged %>%
filter(str_sub(municipality, -1, -1) == "市") %>%
arrange(desc(rate_aged))str_sub() という関数は、「●番目から●番目までの文字を抽出しなさい」という命令です。この場合は「municipality という文字列のうち、後ろから数えて1番目の文字から、後ろから数えて1番目の文字まで(まだるっこしいですが、要するにいちばん最後の文字)を抽出しなさい」という意味です(マイナスの記号が「後ろから数えて」というのを意味してるわけですが、マイナスをつけなければ前から数えることになります)。そうやって取り出した文字が「市」である行だけを取り出しなさい、という命令になっています。
自治体名に「市」を含むものを抽出する、という単純な命令にしなかったのは、たとえば兵庫県にある「市川町」みたいなのを含まないようにするための工夫です。
だいぶ複雑になってきたような気がします。一つ一つの命令が何をやっているのか、確認しながら読み進めてください。実際に自分でプログラムを書いて、エラーが出たときに「なぜだろう???」と考えながらやっていくと、理解が深まってくるはずです。
条件の書き方をもう少し
filter の丸括弧のなかには、いろいろな条件を書けます。よく使うものを並べておきます。
filter(population >= 100000) # 人口10万人以上
filter(population < 5000) # 人口5千人未満
filter(prefecture != "東京都") # 東京都以外
filter(is.na(ward)) # wardが空っぽの行だけ
filter(!is.na(ward)) # wardが空っぽでない行だけ
filter(prefecture %in% c("東京都", "大阪府")) # 東京都か大阪府のどちらかに当てはまる
filter(str_detect(municipality, "町")) # 「町」という字を含む
filter(population >= 100000, rate_aged >= 30) # 人口10万人以上かつ(AND)高齢化率30%以上
filter(prefecture == "東京都" | prefecture == "大阪府") # 東京都か(OR)大阪府のどちらかコンマで区切って条件を並べると「かつ(AND)」、| でつなぐと「または(OR)」になります。! は「〜でない」という意味で、条件をひっくり返す記号です。
次の章では、市区町村ごとの人口を都道府県ごとに足し上げて、都道府県別の高齢化率を出すための下ごしらえをします。うっかりやりがちな二重計上の防ぎ方も一緒に。