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2部 データを見る

散布図

データ量が多いときに、傾向をざっくりと知るのに役立つグラフ。1700あまりの市区町村をいちどに眺めて、「東京だけ子どもが増えている」ことの意味を調べます。

点をばらまく

つぎに散布図です。これは点が平面上にばらばらと散らばったかたちのグラフで、点がたくさんあっても(というか、あればあるほどむしろ)分かりやすいというところが、折れ線グラフと棒グラフに比べて優れています。

というわけで、全都道府県の人口データを可視化していきます。まずはデータを読み込んで、all_pref というオブジェクトに保存しましょう。

all_pref <- read_csv("data/都道府県別人口.csv")

このデータから各都道府県の子どもの割合を計算して、それを散布図で表現してみます。

all_pref %>%
  mutate(rate_under15 = population_under15 * 100 / population) %>%
  ggplot() +
  geom_point(aes(x = year, y = rate_under15))   # ここで散布図を指定
47都道府県の15歳未満人口の割合を年ごとに点で示した散布図。全体に右肩下がり
点が235個(47都道府県×5回の調査)ある散布図

geom_line や geom_col ではなく、geom_point と書くことで散布図を書くように命令しています。横軸に年、縦軸に子どもの割合を表示させると、全体として右肩下がりになっていることが読み取れるグラフになりました。

色、大きさ、透明度

ただ、点がすべて色も形も大きさも同じなので、見分けがつきません。試しに都道府県ごとに違う色をつけてみましょう。

all_pref %>%
  mutate(rate_under15 = population_under15 * 100 / population) %>%
  ggplot() +
  geom_point(aes(x = year,
                 y = rate_under15,
                 color = prefecture))   # 色で分ける
47色に色分けされ、凡例が縦に長く並んで判別できなくなった散布図
47色。凡例を見比べる気力が失われる

うーん、色が全都道府県分で47種類もあるので、さすがに分かりにくくなってしまいました。

つぎに、人口によって点の大きさを変えてみましょう。

all_pref %>%
  mutate(rate_under15 = population_under15 * 100 / population) %>%
  ggplot() +
  geom_point(aes(x = year,
                 y = rate_under15,
                 size = population))   # ここでサイズ指定
人口の多さを点の大きさで表した散布図。大きな点が下のほうにある
点の大きさが人口。大きい点は下=子どもの割合が低い

size = population と指定することで、人口によって点のサイズを変えるようにしました。このグラフをみると、2010年ごろまで子どもの割合が群を抜いて少なかったところがありますが、これは人口の多い都道府県なんだなということが読み取れますね。おそらく東京都でしょう。

ただ、点と点が重なり合ってグチャグチャーッとなってしまっているので、ちょっと分かりにくい。ここを解決するため、点を半透明にしてみましょう。

all_pref %>%
  mutate(rate_under15 = population_under15 * 100 / population) %>%
  ggplot() +
  geom_point(aes(x = year,
                 y = rate_under15,
                 size = population),
             alpha = 0.1)   # ここで透明度を指定
点を半透明にして、重なりの濃淡で分布が見えるようにした散布図
alpha=0.1。重なったところが濃くなる

点と点が重なり合っているところは色が濃くなっているので、どのあたりに点が集まっているのかがボンヤリ見えてきます。半透明にするように指定しているのは alpha = 0.1 という部分で、この数値を1に近づけるほどに色は濃くなり、0に近づけるほどに薄くなります。どれくらいの色合いにするかは、いろいろ試してベストなのを選べばよいと思います。

alpha が aes() の外に書かれていることにも注目してください。データによって透明度を変えたいわけではなく、全部の点を一律に薄くしたいので、外側です。

全市区町村を眺める

散布図は点がたくさんあっても分かりやすいのが利点だ、と最初に書きました。せっかくなので都道府県別ではなく、全市区町村のデータを表示してみましょうか。東京23区を含む1741市区町村の、5回分の調査のデータです。まずはデータを読み込んで、all_municipality というオブジェクトに保存します。

all_municipality <- read_csv("data/市町村別人口.csv")

さっきまでと同じように、横軸に年、縦軸に子どもの比率をとります。人口の多さを点の大きさで表現して、さらに半透明にします。

all_municipality %>%
  mutate(rate_under15 = population_under15 * 100 / population) %>%
  ggplot() +
  geom_point(aes(x = year,
                 y = rate_under15,
                 size = population),
             alpha = 0.1)
全国1741市区町村の子どもの割合を年ごとに示した散布図。点の塊が下に降りていく
点がおよそ8700個(1741市区町村×5回の調査)。都道府県別とは見える景色が違う

なんとなく、ですが、小さい丸は右肩下がりになっているのに対して、大きい丸はそうでもない。つまり規模の小さい自治体のほうが、大きい自治体よりも子どもの割合がはっきりと下がってきているように見えます。

「なんとなく」を確かめる

本当にそうでしょうか。確かめるため、2000年から2020年にかけて子どもの数がどう変化したか、自治体ごとに示したデータをつくっていきます。

以下のようなコードです。少し複雑にみえるかもしれませんが、必要な列を選んで、横長にして、行のなかで計算する。ほぼ第1部でやったことです。

初めて出てくるのは、values_from に列を二つ渡しているところだけ。こうすると、population_under15_2000 や population_2020 のように、元の列名と年を「_」でつないだ名前の列ができます。

all_municipality_change <- all_municipality %>%
  filter(year %in% c(2000, 2020)) %>%
  select(year, code, prefecture, municipality, population_under15, population) %>%
  pivot_wider(
    names_from = year,
    values_from = c(population_under15, population)
  ) %>%
  mutate(
    change_under15 = population_under15_2020 / population_under15_2000 * 100 - 100
  )

横軸に2020年の人口、縦軸に子どもの数の変化率をとったグラフにしてみましょう。

all_municipality_change %>%
  ggplot() +
  geom_point(aes(x = population_2020, y = change_under15))
横軸を人口、縦軸を子どもの数の変化率にした散布図。点が左端に密集している
人口の少ない自治体が多いので、左に固まってしまう

うーん、左の方にやたら点が集中していて、右の方には少ない。これは人口の少ない自治体はたくさんあるのに対して、人口が多い自治体は珍しいからです。このグラフでもまだ、何だかよく分かりませんね。

対数の目盛りにする

こういうパターンはよくあります。困ったときには「対数グラフ」にしてみると分かりやすくなることがあります。こんな感じです。

all_municipality_change %>%
  ggplot() +
  geom_point(aes(x = population_2020, y = change_under15)) +
  scale_x_log10() # 横軸を対数表示にする
横軸を対数目盛りにしたことで、点が横に広がって右肩上がりの傾向が見えるようになった散布図
横軸を対数にすると、傾向が見える

scale_x_log10() というのを最後に付け加えることで、横軸が対数表示に変わりました。対数というのは高校数学で習うはずですが、目盛りが一つ変わるごとに数字が同じ倍率(ここでは10倍)で増えていくものです。目盛りが一つ増えると10倍に、二つ増えると100倍に、三つ増えると1000倍になる、という感じです。

このグラフだと、子どもの数の変化率が右肩上がりになっている、つまり人口の多い自治体ほど子どもの減り方が小さい傾向にあることがはっきりしました。

ところで、グラフの端に貼り付いたような点が二つあります。

いちばん上の端にあるのは、東京都の三宅村です。2000年は噴火で島の全員が避難していたので、人口は0人でした。0人からの変化率は計算できず、無限大(Inf)になるので、上の端に描かれています。

左下の端にあるのは、福島県の双葉町です。原発事故の影響で、2020年の人口が0人でした。0の対数も計算できない(マイナスの無限大になる)ので、左の端に描かれています。このコードを動かすと「log-10 transformation introduced infinite values.」という警告が出るのは、双葉町の点があるためです。

外れた点を見つけたら、中身を確かめる。おもしろい発見ができるかもしれません。

注目したいものだけ色をつける

また、先ほどつくってみたグラフの中で、東京都は子どもの割合が下げ止まっていそうだなぁ、ということが見えていました。その要素をこのグラフに盛り込んでみましょう。そのためにはまず、各自治体を「東京都の自治体」と「その他」に分類し、その分類にもとづいて色分けしてやればよさそうです。コードはこんな感じです。

all_municipality_change %>%
  mutate(area = if_else(prefecture == "東京都",
                        "東京都の自治体",
                        "その他")) %>%
  ggplot() +
  geom_point(aes(x = population_2020, y = change_under15,
                 color = area),
             alpha = .3) +
  scale_x_log10()
東京都の自治体だけ色を変えた散布図。規模が小さくても減り方が小さいことが分かる
東京都の自治体(水色)は、規模が小さくても減り方が小さい

点の重なり合いによって見にくくなるのを防ぐため、半透明にする指示も加えました。東京都の自治体は、人口が少ないところでも子どもがそんなに減っていないことがみてとれますね。

見栄えを整える

さて、このグラフを同僚に共有して、記事化の可能性について相談したい。でもグラフにはタイトルがないし、縦軸の表示も change_under15 とか英語なのでちょっと分かりにくいし、全体的に少し不親切ですね。というわけで、見栄えにも気をつかってみましょう。こんなコードです。

all_municipality_change %>%
  mutate(area = if_else(prefecture == "東京都",
                        "東京都の自治体",
                        "その他")) %>%
  ggplot() +
  geom_point(aes(x = population_2020, y = change_under15,
                 color = area),
             alpha = .3) +
  scale_x_log10() +
  labs(title = "全国の市町村における子どもの数の変化",
       subtitle = "2000年から2020年にかけての増減を%で表示。出典は国勢調査",
       x = "2020年の人口",
       y = "15歳未満人口の変化率(%)",
       color = "地域")
タイトル、サブタイトル、日本語の軸名と凡例名が入った完成版の散布図
同僚に見せられる状態。ここまで来たら相談に行く

labs() の丸括弧のなかでグラフのタイトルとサブタイトルを指定し、さらに縦軸と横軸、凡例のそれぞれが何を示しているのかを日本語で表示するように指示しています。このグラフなら同僚も一目で分かってくれる、はずです。

次の章では、この「見栄えを整える」をもう少しやったうえで、データを外に出す方法を扱います。