第2章: dplyrによるデータ操作

dplyrとは？

dplyrは「データ操作の文法」を提供するパッケージです。データ分析でよく使われる操作を、人間が理解しやすい「動詞」として表現し、複雑なデータ変換を直感的なコードで記述できます。

dplyrの最大の特徴は、一貫性と可読性です。すべての関数が同じ原則に従って設計されているため、一度覚えれば様々な場面で応用できます。

dplyr_setup.R

                            # dplyrの読み込み（tidyverseに含まれる）
                            library(dplyr)
                            
                            # サンプルデータの作成
                            sales_data <- tibble(
                              product = c("A", "B", "C", "A", "B"),
                              region = c("East", "West", "East", "West", "East"),
                              sales = c(100, 150, 120, 80, 200),
                              month = c(1, 1, 1, 2, 2)
                            )
                        

データ読み込みの基礎

データ分析の第一歩は、データを適切に読み込むことです。Tidyverseではreadrパッケージとtibbleデータ構造を使って、効率的で安全なデータ読み込みを実現します。

readrによる高速データ読み込み

readrパッケージは、従来のRの読み込み関数よりも高速で、型推論が優秀で、進捗バーも表示される現代的なデータ読み込みツールです。

data_import_examples.R

                            # 様々な形式のデータ読み込み
                            library(tidyverse)
                            
                            # CSV読み込み（高速＆自動型推論）
                            sales_data <- read_csv("sales_2023.csv")
                            
                            # TSV（タブ区切り）ファイル
                            survey_data <- read_tsv("survey_results.tsv")
                            
                            # 区切り文字を指定
                            custom_data <- read_delim("data.txt", delim = "|")
                            
                            # 固定幅ファイル
                            fixed_data <- read_fwf("fixed_width.txt", 
                              fwf_widths(c(10, 15, 8), c("name", "address", "score"))
                            )
                            
                            # 日本語エンコーディング対応
                            jp_data <- read_csv("japanese_data.csv", locale = locale(encoding = "CP932"))
                        

tibbleの革新的な特徴

tibbleは従来のdata.frameを現代的に再設計したデータ構造です。より安全で、見やすく、扱いやすくなっています。

🔍 賢い表示

大きなデータでも最初の10行だけ表示し、列の型情報も自動表示。コンソールが溢れません。

🛡️ 型安全性

部分マッチングや予期しない型変換を防ぎ、より予測可能で安全なコードを書けます。

📝 一貫した動作

文字列のファクター自動変換なし、行名なしなど、現代的なデータ分析に適した仕様です。

🚀 高性能

メモリ効率が良く、大きなデータセットでも高速に動作します。

tibble_features.R

                            # tibbleの作成と特徴
                            my_tibble <- tibble(
                              id = 1:1000,
                              name = paste0("User_", id),
                              score = rnorm(1000, mean = 75, sd = 15),
                              category = sample(c("A", "B", "C"), 1000, replace = TRUE)
                            )
                            
                            # tibbleの表示（自動で最初の10行のみ）
                            my_tibble
                            # A tibble: 1,000 × 4
                            #      id name    score category
                            #   <int> <chr>   <dbl> <chr>
                            # 1     1 User_1   78.2 B
                            # 2     2 User_2   82.1 A
                            # ... with 990 more rows
                            
                            # data.frameからtibbleに変換
                            cars_tibble <- as_tibble(mtcars)
                        

データの基本情報確認

読み込んだデータの構造を理解することは、分析の成功の鍵です。Tidyverseでは効率的なデータ探索ツールが豊富に用意されています。

data_exploration.R

                            # 基本的なデータ確認
                            glimpse(my_tibble)  # データ構造の簡潔な表示
                            Rows: 1,000
                            Columns: 4
                            $ id       <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, ...
                            $ name     <chr> "User_1", "User_2", "User_3", ...
                            $ score    <dbl> 78.2, 82.1, 71.5, 79.8, ...
                            $ category <chr> "B", "A", "C", "A", ...
                            
                            # より詳細な統計サマリー（skimrパッケージ）
                            library(skimr)
                            skim(my_tibble)
                            
                            # 基本統計
                            summary(my_tibble)
                            
                            # データの次元
                            dim(my_tibble)     # 行数と列数
                            nrow(my_tibble)    # 行数
                            ncol(my_tibble)    # 列数
                            names(my_tibble)   # 列名
                        

日本語データとエンコーディング

日本語データを扱う際は、文字エンコーディングの設定が重要です。readrパッケージは様々なエンコーディングに対応し、日本語データを安全に読み込めます。

japanese_encoding.R

                            # 日本語エンコーディング対応
                            
                            # Shift_JIS（Windows標準）
                            sjis_data <- read_csv(
                              "japanese_data.csv",
                              locale = locale(encoding = "CP932")  # Windows Shift_JIS
                            )
                            
                            # UTF-8（現代標準）
                            utf8_data <- read_csv(
                              "modern_data.csv",
                              locale = locale(encoding = "UTF-8")
                            )
                            
                            # エンコーディング自動検出
                            guess_encoding("mystery_data.csv")
                            
                            # 日本語ロケール設定
                            jp_locale <- locale(
                              encoding = "CP932",
                              decimal_mark = ".",      # 小数点
                              grouping_mark = ",",     # 桁区切り
                              date_format = "%Y/%m/%d"  # 日付形式
                            )
                            
                            jp_data <- read_csv("sales_japan.csv", locale = jp_locale)
                        

適切なデータ読み込みは、信頼性の高い分析の基盤です。readrとtibbleを活用することで、効率的で安全なデータ処理ワークフローを構築できます。

5つのコア動詞

dplyrは5つの主要な動詞でデータ操作の大部分をカバーします。各動詞は特定の操作に特化し、組み合わせることで複雑な処理を表現できます。

filter()

条件に合致する行だけを抽出します。WHERE句のようなデータの絞り込みを行います。

filter(data, condition)

select()

必要な列だけを選択します。データセットから特定の変数を取り出したり、列の順序を変更できます。

select(data, columns)

mutate()

新しい列を作成したり、既存の列を変更します。計算フィールドの追加に使用します。

mutate(data, new_col = expression)

summarise()

データを集約して要約統計を計算します。平均、合計、最大値などを求められます。

summarise(data, stat = function(column))

dplyr_verbs_examples.R

                            # 1. filter() - 東部地域のデータのみ抽出
                            east_sales <- filter(sales_data, region == "East")
                            
                            # 2. select() - 商品と売上のみ選択
                            product_sales <- select(sales_data, product, sales)
                            
                            # 3. mutate() - 売上カテゴリを追加
                            categorized <- mutate(sales_data, 
                              category = ifelse(sales >= 150, "High", "Low")
                            )
                            
                            # 4. summarise() - 地域別の平均売上
                            region_summary <- sales_data %>%
                              group_by(region) %>%
                              summarise(avg_sales = mean(sales))
                        

パイプ演算子の魔法

パイプ演算子 %>% は、dplyrの真価を発揮させる重要な要素です。複数の操作を左から右へ、上から下へと自然な流れで記述できます。

パイプを使うことで、「データに何をするか」を順序立てて表現でき、コードが読みやすく、理解しやすくなります。

pipe_comparison.R

                            # パイプを使わない場合（読みにくい）
                            result1 <- summarise(
                              group_by(
                                filter(sales_data, sales > 100),
                                region
                              ),
                              avg_sales = mean(sales)
                            )
                            
                            # パイプを使う場合（読みやすい）
                            result2 <- sales_data %>%
                              filter(sales > 100) %>%
                              group_by(region) %>%
                              summarise(avg_sales = mean(sales))
                        

パイプを使ったコードは、まるで「レシピ」のように読むことができます：

sales_dataを取って
売上が100を超えるものだけフィルターして
地域でグループ化して
平均売上を計算する

実践的な応用例

実際のデータ分析では、複数の動詞を組み合わせて複雑な処理を行います。以下に典型的なパターンを示します。

advanced_dplyr.R

                            # より複雑なサンプルデータ
                            employee_data <- tibble(
                              name = c("Alice", "Bob", "Charlie", "Diana", "Eva"),
                              department = c("Sales", "IT", "Sales", "IT", "HR"),
                              salary = c(50000, 70000, 55000, 75000, 60000),
                              experience = c(3, 5, 2, 7, 4)
                            )
                            
                            # 複合的な分析例
                            analysis_result <- employee_data %>%
                              # 経験年数3年以上の従業員のみ
                              filter(experience >= 3) %>%
                              # 時給を計算（年間2000時間勤務と仮定）
                              mutate(
                                hourly_rate = salary / 2000,
                                seniority = case_when(
                                  experience >= 7 ~ "Senior",
                                  experience >= 3 ~ "Mid-level",
                                  TRUE ~ "Junior"
                                )
                              ) %>%
                              # 部署ごとにグループ化
                              group_by(department, seniority) %>%
                              # 統計サマリーを計算
                              summarise(
                                count = n(),
                                avg_salary = mean(salary),
                                max_salary = max(salary),
                                avg_experience = mean(experience),
                                .groups = "drop"
                              ) %>%
                              # 平均給与の降順でソート
                              arrange(desc(avg_salary))
                        

このようにdplyrを使うことで、複雑なデータ変換も段階的に、理解しやすい形で記述できます。各ステップが明確で、後から読み返したときも処理の流れが分かりやすくなります。