第1部 データを読む・加工する
集計する
group_byとsummarize。市区町村のデータを都道府県ごとに足し上げます。二重計上をどう防ぐかも一緒に。
では次に、都道府県別の高齢化率を見ていきましょう。
ただ、今のデータでは市区町村ごとの人口データはありますが、都道府県別にまとまってはいません。各市区町村を都道府県別に割り振り、人口を足し上げてやる必要があるわけです。
group_byとsummarize
そのために使えるのが group_by と summarize という関数です。こんなふうに使います。
df2020_pref <- df2020_aged %>%
filter(is.na(ward)) %>%
group_by(prefecture) %>%
summarize(pref_population = sum(population),
pref_population_over65 = sum(population_over65))group_by 関数を使ってデータを prefecture によってグループ化したうえで、それぞれのグループについて summarize 関数を使って総人口と65歳以上人口を足し上げ、それぞれ pref_population と pref_population_over65 という列に格納しています。sum(population) という部分は population を足し算するという意味で、sum(population_over65) はもちろん population_over65 を足し算するという意味です。
# A tibble: 47 × 3
prefecture pref_population pref_population_over65
<chr> <dbl> <dbl>
1 三重県 1770254 522073
2 京都府 2578087 734493
3 佐賀県 811442 246061
4 兵庫県 5465002 1546543
5 北海道 5224614 1664023
6 千葉県 6284480 1699991
# ℹ 41 more rows47行、つまり47都道府県ごとにまとめられました。
なお、並び順が五十音でも人口順でもなく妙に見えるのは、group_by が文字コードの順番で並べているからです。
二重計上に気をつける
また、ちょっと話がそれますが、2行目で filter(is.na(ward)) という操作をしているのは、二重計上を防ぐためです。なぜかというと、政令指定都市があるから。たとえば札幌市をみると、市全体の人口と、中央区、北区、東区、といった区それぞれの人口がいずれも記録されています。何も考えずに足し上げると、札幌市の人口が2倍になってしまうわけです。
is.na(ward) というのは、「ward という列がNAつまり欠損値である」という意味です。この条件に合う行だけを抽出することによって、政令指定都市の区を除外しているわけです。
そうして作った都道府県別の人口データを、df2020_pref というtibbleに格納する。上記のコードは、そういう命令を書き記したものです。
summarizeで使えるもの
sum() のほかにも、いろいろな集計ができます。
df2020_aged %>%
filter(is.na(ward)) %>%
group_by(prefecture) %>%
summarize(jichitai_su = n(), # 自治体の数
gokei = sum(population), # 人口の合計
heikin = mean(population), # 人口の平均
chuuou = median(population), # 人口の中央値
saidai = max(population), # 人口の最大値
saishou = min(population)) # 人口の最小値n() は「このグループに何行あるか」を数える関数です。なんだかそっけない見た目ですが、とってもよく使います。
group_byを解除する
group_by したあとのtibbleは、グループ化された状態のまま残ることがあります。そのままにしておくと、あとの過程で計算結果がおかしくなることがあります。
df2020_aged %>%
filter(is.na(ward)) %>%
group_by(prefecture) %>%
mutate(kensu = n()) %>%
ungroup() # グループ化を解除する上のコードは、都道府県ごとの自治体数を、行を減らさずに新しい列として足すというものです(summarize は行をまとめてしまいますが、mutate なら元の行がそのまま残ります)。この使い方は「全体に対する比率」を出すときに便利です。
最後に ungroup() を付ける癖をつけておくと、後々の事故が減ります。
次の章では、2010年と2015年の国勢調査のデータも読み込んで、2020年のデータと縦にくっつけます。同じ統計なのに年によって形式が違うという、役所のcsvの「クセ」にも初めてぶつかります。