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

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 rows

47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。