この文書の目的

朝日新聞のデータ記者有志勉強会の資料。大リーガー大谷翔平の投球データをもとに、データ分析ソフトRを学ぶためのものです（ちなみにデータを見ると、2021年と22年で投球スタイルがけっこう変わっていることがよくわかります）。

以下の手順に従ってプログラム（四角く囲まれたグレーのエリアに書いてある呪文みたいなやつ）を、RStudioというソフト上で打ち込めば、Rの基本的な使い方を体験できるようになっている。なお、分析対象となる大谷選手の投球データはこちらからダウンロードできる。

RやRStudioのインストール方法については、ここでは説明しない。やり方はググるといろいろ見つかるはず（たとえばこことか）。

RStudioの使い方もここでは詳しくは説明しない。基本的には、この画面で左下にあるConsoleがプログラムを打ち込む主戦場で、左上のSourceというところはプログラムの手順をRMarkdownなどの形式で保存・記録していく場所（たぶん。私はそのように使ってます）。

必要なパッケージを読み込む

データ加工や可視化につかういろんな道具（関数と呼ばれる）は、「パッケージ」と呼ばれるものにまとめて入っている。

もっともよく使われるパッケージはtidyverseというもの。これがあれば基本的なことはだいたい何でもできる。

baseballrは大リーグデータを取得するのに使う（が、今回はこれなしでもできるようにしてある）。

library(hogehoge)という関数は、hogehogeというパッケージを使えるようにしなさい、という命令を意味している。

それぞれのパッケージがRStudioに入っていないときは、別途インストールする必要がある。インストールするための関数もあるが、今回は省略。

library(tidyverse)
library(baseballr)

データを読み込む

下記のコードでは、「data」というフォルダ内にある「ohtani_p.csv」というファイル（2021年と22年の大谷の投球データが一球ごとに記録されている）を、read_csvという関数（命令）を使って読み込んで、「ohtani_p」と名付けたデータに入力している。

データが含んでいるさまざまな数字がそれぞれ何を示しているのかは、こちらに書いてある。

なお、baseballrのパッケージを使って、大リーグのデータベースから直接読み込むこともできる。

ohtani_p <- read_csv("data/ohtani_p.csv")

# baseballrのパッケージがあれば、以下のコードでデータを取得できる。「660271」というのは大谷翔平に割り振られた選手コード。
#ohtani_p <- bind_rows(scrape_statcast_savant_pitcher("2021-04-01",
#                                                     "2021-11-30",
#                                                     pitcherid = 660271),
#                      scrape_statcast_savant_pitcher("2022-04-01",
#                                                     "2022-11-30",
#                                                     pitcherid = 660271))

どんなデータなのか見てみる

viewという関数を使うと、データの全体をエクセルのような表形式でチェックできる。

下記のプログラムは、「ohtani_p」というデータをview()という関数にかけてください、という命令を意味している。「%>%」は「パイプ演算子」と呼ばれるもので、ある素材を次の工程に渡すための合図。

ohtani_p %>% 
  view()

一般化すると、

A %>% B() %>% C()

というプログラムで、AをBしたうえでさらにCする、という意味になる。「C(B(A))」と書くこともできるが、いくつも命令が重なるとどんどんわかりにくくなるので、パイプ演算子を使ったほうが便利。

それで先ほどのプログラムを実行すると、こんな感じのものがRStudioの左上に表示されるはず。

画面におさまりきらないので、同じものを別の形式で表示すると…

ちょっとデータの種類（横方向に並んだ「列」）が多すぎる、かな。

欲しい列だけを残す

分析に使わないものは削除して、必要なデータの列だけ残したい。

selectという関数で、試合の日付（game_date）、球種（pitch_name）、球速（release_speed）、縦横それぞれの変化量（pfx_xとpfx_z）だけを選ぶ。

そうして作ったデータを、「ohtani_p_simple」と名付けたものに入力する。

なお、プログラムのところでは、#記号以下に書いたことはコンピューターが無視してくれる（ので、以下のように、人間用のメモとして使える）。

ohtani_p_simple <- ohtani_p %>% # 元データohtani_pを加工したものをohtani_p_simpleに入力する
  select(game_date, # 試合の日付と
         pitch_name, # 球種と
         release_speed, # 球速と
         pfx_x, # 横方向の変化量と
         pfx_z) # 縦方向の変化量を選ぶ

ohtani_p_simple # ohtani_p_simpleの最初のところを表示する
## # A tibble: 4,656 × 5
##    game_date  pitch_name      release_speed pfx_x pfx_z
##    <date>     <chr>                   <dbl> <dbl> <dbl>
##  1 2021-09-26 4-Seam Fastball          99.2 -0.13  1.03
##  2 2021-09-26 Split-Finger             91.8 -1.08  0.33
##  3 2021-09-26 Sweeper                  85.5  0.96  0.5 
##  4 2021-09-26 4-Seam Fastball          97.4 -0.4   1.01
##  5 2021-09-26 Split-Finger             90.8 -0.94  0.21
##  6 2021-09-26 Sweeper                  85.2  1.24  0.19
##  7 2021-09-26 Sweeper                  84.4  1.41  0.1 
##  8 2021-09-26 Sweeper                  85.3  0.89  0.8 
##  9 2021-09-26 Sweeper                  84.3  1.37  0.38
## 10 2021-09-26 Sweeper                  83    1.37  0.39
## # … with 4,646 more rows

新しい列を作る

球速がマイルで、変化量がフィートで表示されているので、メートル法の住人には分かりにくい。

mutateという関数でメートル法表示のデータを作る。球速に1.60934をかけ算するとキロ表示になり、変化量に30.48をかけるとセンチ表示になる。こうして作ったデータで、さっき作ったohtani_p_simpleを「上書き」する。

ohtani_p_simple <- ohtani_p_simple %>% # ohtani_p_simpleを加工し、それで元のohtani_p_simpleを上書きする
  mutate(release_speed_km = release_speed * 1.60934,  # マイル表示の球速をキロ表示に変換した列を作る
         pfx_x_cm=pfx_x * 30.48, # フィート表示の変化量をセンチ表示に変換した列を作る
         pfx_z_cm=pfx_z * 30.48) 

ohtani_p_simple
## # A tibble: 4,656 × 8
##    game_date  pitch_name      release_speed pfx_x pfx_z releas…¹ pfx_x…² pfx_z…³
##    <date>     <chr>                   <dbl> <dbl> <dbl>    <dbl>   <dbl>   <dbl>
##  1 2021-09-26 4-Seam Fastball          99.2 -0.13  1.03     160.   -3.96   31.4 
##  2 2021-09-26 Split-Finger             91.8 -1.08  0.33     148.  -32.9    10.1 
##  3 2021-09-26 Sweeper                  85.5  0.96  0.5      138.   29.3    15.2 
##  4 2021-09-26 4-Seam Fastball          97.4 -0.4   1.01     157.  -12.2    30.8 
##  5 2021-09-26 Split-Finger             90.8 -0.94  0.21     146.  -28.7     6.40
##  6 2021-09-26 Sweeper                  85.2  1.24  0.19     137.   37.8     5.79
##  7 2021-09-26 Sweeper                  84.4  1.41  0.1      136.   43.0     3.05
##  8 2021-09-26 Sweeper                  85.3  0.89  0.8      137.   27.1    24.4 
##  9 2021-09-26 Sweeper                  84.3  1.37  0.38     136.   41.8    11.6 
## 10 2021-09-26 Sweeper                  83    1.37  0.39     134.   41.8    11.9 
## # … with 4,646 more rows, and abbreviated variable names ¹​release_speed_km,
## #   ²​pfx_x_cm, ³​pfx_z_cm

欲しい行だけを残す

いろんな球種のうち、直球に関するデータ（横方向に並んだ「行」）だけを見てみたい。これにはfilterという関数を使う。

ohtani_p_simple %>% 
  filter(pitch_name == "4-Seam Fastball") # 球種（pitch_name）が直球（4-Seam Fastball）のデータだけをフィルタリングする。「=」を二つ並べる（一つじゃダメ！）ことに注意
## # A tibble: 1,617 × 8
##    game_date  pitch_name      release_speed pfx_x pfx_z releas…¹ pfx_x…² pfx_z…³
##    <date>     <chr>                   <dbl> <dbl> <dbl>    <dbl>   <dbl>   <dbl>
##  1 2021-09-26 4-Seam Fastball          99.2 -0.13  1.03     160.   -3.96    31.4
##  2 2021-09-26 4-Seam Fastball          97.4 -0.4   1.01     157.  -12.2     30.8
##  3 2021-09-26 4-Seam Fastball          96.6 -0.26  0.91     155.   -7.92    27.7
##  4 2021-09-26 4-Seam Fastball          98.6 -0.41  1.1      159.  -12.5     33.5
##  5 2021-09-26 4-Seam Fastball          97.5 -0.06  0.9      157.   -1.83    27.4
##  6 2021-09-26 4-Seam Fastball          99   -0.5   1.12     159.  -15.2     34.1
##  7 2021-09-26 4-Seam Fastball          98.9 -0.55  1.15     159.  -16.8     35.1
##  8 2021-09-26 4-Seam Fastball          98.4 -0.18  1.18     158.   -5.49    36.0
##  9 2021-09-26 4-Seam Fastball          98.2 -0.1   0.82     158.   -3.05    25.0
## 10 2021-09-26 4-Seam Fastball          95.5 -0.52  1.1      154.  -15.8     33.5
## # … with 1,607 more rows, and abbreviated variable names ¹​release_speed_km,
## #   ²​pfx_x_cm, ³​pfx_z_cm

並べ替える

取り出した直球だけのデータについて、球速に応じて並べ変えたランキングを作る。

arrangeという関数を使うと、デフォルトでは「小さい順」に並ぶ。descという関数を使うと、「大きい順」になる。

# 下位
ohtani_p_simple %>% 
  filter(pitch_name == "4-Seam Fastball") %>% 
  arrange(release_speed_km) # 球速が「小さい順」に並べる
## # A tibble: 1,617 × 8
##    game_date  pitch_name      release_speed pfx_x pfx_z releas…¹ pfx_x…² pfx_z…³
##    <date>     <chr>                   <dbl> <dbl> <dbl>    <dbl>   <dbl>   <dbl>
##  1 2021-05-19 4-Seam Fastball          84.7 -0.49  1.25     136. -14.9      38.1
##  2 2021-05-19 4-Seam Fastball          85.8 -0.59  1.44     138. -18.0      43.9
##  3 2021-08-25 4-Seam Fastball          87.3 -0.44  1.37     140. -13.4      41.8
##  4 2021-05-19 4-Seam Fastball          87.6 -0.45  1.48     141. -13.7      45.1
##  5 2021-05-28 4-Seam Fastball          88.3  0.01  1.58     142.   0.305    48.2
##  6 2021-05-19 4-Seam Fastball          88.4 -0.12  1.44     142.  -3.66     43.9
##  7 2021-05-19 4-Seam Fastball          88.5 -0.33  1.43     142. -10.1      43.6
##  8 2021-05-19 4-Seam Fastball          89   -0.35  1.57     143. -10.7      47.9
##  9 2021-05-28 4-Seam Fastball          89.4  0.38  1.48     144.  11.6      45.1
## 10 2021-05-19 4-Seam Fastball          89.5 -0.42  1.53     144. -12.8      46.6
## # … with 1,607 more rows, and abbreviated variable names ¹​release_speed_km,
## #   ²​pfx_x_cm, ³​pfx_z_cm
# 上位
ohtani_p_simple %>% 
  filter(pitch_name == "4-Seam Fastball") %>% 
  arrange(desc(release_speed_km)) # 球速が「大きい順」に並べる
## # A tibble: 1,617 × 8
##    game_date  pitch_name      release_speed pfx_x pfx_z releas…¹ pfx_x…² pfx_z…³
##    <date>     <chr>                   <dbl> <dbl> <dbl>    <dbl>   <dbl>   <dbl>
##  1 2022-09-10 4-Seam Fastball          101. -0.21  1.13     163.   -6.40    34.4
##  2 2022-07-22 4-Seam Fastball          101. -0.12  1.1      163.   -3.66    33.5
##  3 2021-04-04 4-Seam Fastball          101. -0.44  1.44     163.  -13.4     43.9
##  4 2022-06-29 4-Seam Fastball          101  -0.27  1.16     163.   -8.23    35.4
##  5 2022-06-09 4-Seam Fastball          101  -0.26  1.23     163.   -7.92    37.5
##  6 2021-04-04 4-Seam Fastball          101. -0.41  1.47     162.  -12.5     44.8
##  7 2022-07-06 4-Seam Fastball          101. -0.37  1.66     162.  -11.3     50.6
##  8 2022-05-18 4-Seam Fastball          101. -0.41  0.99     162.  -12.5     30.2
##  9 2022-05-18 4-Seam Fastball          101.  0     0.87     162.    0       26.5
## 10 2021-04-04 4-Seam Fastball          101. -0.23  1.37     162.   -7.01    41.8
## # … with 1,607 more rows, and abbreviated variable names ¹​release_speed_km,
## #   ²​pfx_x_cm, ³​pfx_z_cm

グラフを描く

いよいよ可視化！

まずは登板日ごとの球速の推移

横軸に登板日、縦軸に球速（キロ表示したもの）をとった散布図を描く。また、この際に球種ごとに色分けする。

ggplotという関数は、グラフを描けという命令。aes()という関数で、どのデータをどう使うかを指定する。

ohtani_p_simple %>%
  ggplot(aes(x=game_date, # 横軸つまりxに登板日を
             y=release_speed_km, # 縦軸つまりyに球速をとり
             color=pitch_name)) + # 球種ごとに色分けして
  geom_point() # 散布図を描く

このグラフを見ると、

1.　球速が全体的に2022年のほうが21年より速そうなこと

2　 21年にはったく投げていなかったシンカーが22年に多く投げられるようになり、また22年後半には直球が減っていること

――が、何となく読み取れる。

球種ごとの球速

上記の1を確かめるために、登板日ごと、また球種ごとに平均球速を計算した上で、折れ線グラフにする。

group_byという関数を使って、登板日と球種ごとのグループを作ることを宣言してから、平均球速を出す。

ohtani_p_simple %>% 
  group_by(game_date,
           pitch_name) %>% # 登板日と球種ごとに「グループ」を作って
  summarize(average_speed=mean(release_speed_km)) # 各グループで球速(release_speed_km)の平均値(mean)を計算して、average_speedと名付けた列にその値を入力する
## `summarise()` has grouped output by 'game_date'. You
## can override using the `.groups` argument.
## # A tibble: 257 × 3
## # Groups:   game_date [51]
##    game_date  pitch_name      average_speed
##    <date>     <chr>                   <dbl>
##  1 2021-04-04 4-Seam Fastball          158.
##  2 2021-04-04 Curveball                122.
##  3 2021-04-04 Cutter                   145.
##  4 2021-04-04 Split-Finger             145.
##  5 2021-04-04 Sweeper                  131.
##  6 2021-04-20 4-Seam Fastball          154.
##  7 2021-04-20 Curveball                120.
##  8 2021-04-20 Cutter                   140.
##  9 2021-04-20 Split-Finger             144.
## 10 2021-04-20 Sweeper                  130.
## # … with 247 more rows
# 続いて、これをグラフ化する
ohtani_p_simple %>% 
  group_by(game_date,
           pitch_name) %>% 
  summarize(average_speed=mean(release_speed_km)) %>% # ここまでは上記と同じ
  ggplot(aes(x=game_date, # 横軸に登板日を
             y=average_speed, # 縦軸に平均球速をとり
             color=pitch_name)) + # 球種ゴロに色分けして
  geom_line() # 折れ線グラフを描く
## `summarise()` has grouped output by 'game_date'. You
## can override using the `.groups` argument.

球種ごとの球数

上記2を確かめるために、1と同様に登板日と球種ごとにグループを作った上で、それぞれの球数を カウントする。数えるのにはn()という関数を使う。そのうえで棒グラフを描く。

ohtani_p_simple %>% 
  group_by(game_date,
           pitch_name) %>% 
  summarize(number=n()) # 各グループでの数を数え、numberという列に入力する
## `summarise()` has grouped output by 'game_date'. You
## can override using the `.groups` argument.
## # A tibble: 257 × 3
## # Groups:   game_date [51]
##    game_date  pitch_name      number
##    <date>     <chr>            <int>
##  1 2021-04-04 4-Seam Fastball     52
##  2 2021-04-04 Curveball            2
##  3 2021-04-04 Cutter               1
##  4 2021-04-04 Split-Finger        16
##  5 2021-04-04 Sweeper             21
##  6 2021-04-20 4-Seam Fastball     31
##  7 2021-04-20 Curveball           12
##  8 2021-04-20 Cutter              19
##  9 2021-04-20 Split-Finger         9
## 10 2021-04-20 Sweeper              9
## # … with 247 more rows
ohtani_p_simple %>% 
  group_by(game_date,
           pitch_name) %>% 
  summarize(number=n()) %>% # ここまでは上と同じ
  ggplot(aes(x=game_date, # 横軸に登板日を
             y=number, # 縦軸に球数をとり
             fill=pitch_name)) + # 球種ごとに色分けしたうえで
  geom_bar(stat="identity") # 棒グラフを描く。stat="identity"と入れるのを忘れない
## `summarise()` has grouped output by 'game_date'. You
## can override using the `.groups` argument.

球種ごとの変化量

ところでそれぞれの球種って、どんなふうに変化するの？というのを可視化する。

ボールの変化量は捕手側から見た数字（つまり横方向は右に行くほどプラス、縦方向は上に行くほどプラス）となっている。これを散布図で球種ごとに色分けして示す。

ohtani_p_simple %>%
  ggplot(aes(x=pfx_x_cm, # 横軸に横方向の変化量を
             y=pfx_z_cm, # 縦軸に縦方向の変化量をとり
             color = pitch_name)) + # 球種ごとに色分けして
  geom_point(alpha=0.5) # 散布図にする。球数が多くて点が重なり、わかりにくくなるのを避けるため、透明度を0.5と指定する

先日のWBC決勝で、大谷がマイク・トラウト（エンゼルス）に投じて三振を奪った最後の１球は、捕手から見て右方向に大きく横滑りするSweeperという球種だったが、なるほどこのピンク色のやつですか、という感じ。

おまけ

下記のプログラムは、各球種が全投球数に占める割合を、登板日ごとに示したものです。それぞれの関数が何をしているのか、考えてみましょう。

ヒント：いっぺんに考えると難しいので、上から順番に少しずつ実行に移していくと、それぞれが何をやっているのかがわかりやすくなります。

ohtani_p %>%
 group_by(game_date,
          pitch_name) %>%
 summarize(number=n()) %>%
 pivot_wider(names_from = pitch_name, 
             values_from = number) %>%
 mutate(all=sum(`4-Seam Fastball`,
                `Split-Finger`,
                `Sweeper`,
                `Cutter`,
                `Curveball`,
                `Slider`,
                `Sinker`,
                `Slow Curve`,
                na.rm=TRUE)) %>%
  mutate(`4-Seam Fastball`=`4-Seam Fastball`/all,
         `Split-Finger`=`Split-Finger`/all,
         `Sweeper`=`Sweeper`/all,
         `Cutter`=`Cutter`/all,
         `Curveball`=`Curveball`/all,
         `Slider`=`Slider`/all,
         `Sinker`=`Sinker`/all,
         `Slow Curve`=`Slow Curve`/all) %>%
  select(-all) %>%
  pivot_longer(cols=-c(game_date),
               names_to = "pitch_type",
               values_to = "ratio") %>%
  ggplot(aes(game_date,ratio,fill=pitch_type)) +
  geom_bar(stat="identity") +
  labs(title="投手・大谷の球種別割合の推移",
       x="試合日",
       y="割合")
## `summarise()` has grouped output by 'game_date'. You
## can override using the `.groups` argument.
## Warning: Removed 151 rows containing missing values
## (`position_stack()`).