LET2012 ワークショップ「R による教育・言語データ処理のススメ」

による教育・言語データ処理のススメ

2012-08-07 LET2012@Konan Univ.

Tuesday, August 7, 12 3

Agenda
1. R の基本操作
2. 関数と変数が命
3. 外部データの読込と作図
4. R で検定
5. 言語データの処理


Agenda
4. R で検定


とは何か
• 統計処理を目的とするプログラミング言語
• 無償＋オープンソースのソフトウェア
• 作者：Ross Ihaka & Robert Gentleman (R & R)
• Ross Ihaka and Robert Gentleman. R: A language for data analysis and graphics.
Journal of Computational and Graphical Statistics, 5(3):299-314, 1996.

• http://biostat.mc.vanderbilt.edu/twiki/pub/Main/JeffreyHorner/JCGSR.pdf


要するに
統計ソフト

の何が良いのか

• 無償（IBM SPSS Statistics は約10万円で保守なし...）

• 統計処理の種類が豊富
• グラフィックスが美しい

の弱点
• 文字入力による操作
• プログラムを組む感覚を養成
• 確実に伝わるという利点も

• 多方面の知識が必要
• 英語＋統計＋計算機

• 参考書籍がお高め

ﾓｳﾀﾞﾒﾀﾞｰ


Excel や SPSS は...
• 高価（気軽に使えない）
• 処理が信頼できず
• Excel のひどい話（青木先生＠群馬大）
• 作図結果が美しくない

の基本操作
-Install / Update / Uninstall-


のインストール

1. http://www.r-project.org/ にアクセス
2. “download R” をクリック
3. JAPAN の中から１つを選ぶ
4. OS に応じたリンクをクリック


のインストール

• Windows: : http://cran.md.tsukuba.ac.jp/bin/windows/base/
•「Download R 2.15.1 for Windows」をクリック

• Mac OS X: http://cran.md.tsukuba.ac.jp/bin/macosx/
•「R-2.15.1.pkg (latest version)」をクリック


のアップデート
1. http://www.r-project.org/ にアクセス
2. 自分が使っているバージョンより
新しいものが出ているか確認

3. 新規にインストール用ファイルを
ダウンロードしてインストール


のアップデート
• セキュリティ上の問題がない限りは，
むやみに更新しない
• パッケージ（付加機能）の動作不良回避

• 新旧の共存は可能
• Windows/Mac: 別名でインストール
• ただし何がどう共有されているかは不明


のアンインストール
• Windows
• [ Windows XP] コンパネ→プログラムの追加と削除
• [ Windows 7 ] コンパネ→プログラムのアンインストール

• Mac OS X
• /Applications にあるアイコンと /Library の中の
Frameworks にある R. framework を削除（CleanApp 可）


の起動

• Windows
• START → Program → R → R 2.15.1
• Mac OS X
• /Applications 内のをクリック


「コンソール」の表示を確認


の終了

• コンソールに「q()」と入力
• 今は「作業スペース」は保存しない
• ウィンドウが消えれば終了


で困ったら...
• まずは help(sth) を実行
• seekR: http://seekr.jp/

• R SEEK: http://www.rseek.org/

• RjpWiki: http://www.okada.jp.org/RWiki/

• R-Tips:http://cse.naro.affrc.go.jp/takezawa/r-tips/r.html

• R による統計処理: http://aoki2.si.gunma-u.ac.jp/R/


概論まとめ

• は統計ソフト

• 無償＋何でも統計＋美しく作図
• 困ったら help(sth) !!

Agenda
4. R で検定


前置きが長くなりましたが
どんどん実行しましょう


まずは四則演算
• 式を入力し [Enter] を押す
• > 12345 + 56789 [Enter]
• > 9753 - 1486 [Enter]
• > 3571 * 2984 [Enter]
• > 2234/5678 [Enter]
• > (12 + 34 -56) * 78 / 90 [Enter]

いまのは
単なる計算式でしたが


といえば

関数
が命

関数とは
指定した値に対して
何らかの処理をして
結果を返すもの

なにはともあれ
実行してみましょう


sqrt()：平方根

• > sqrt(2)
• > sqrt(144)
• > sqrt(104976)

「関数(値)」が命

• には多数の関数がある
• q() や help(sth) も関数
• 必要な関数をしつこく実行

といえば

変数
も命

変数とは
１つ以上の値を
まとめていれておく
「箱」のこと

では
ベクトルとも呼ばれ
複数の値を１つに
まとめたものを指す

統計処理などを行うには
複数の値をまとめて扱う
ことが必要で
それを使い回すために
変数を使う

ちなみに
変数に数値を
入れることを
「代入」といいます

なにはともあれ
実行してみましょう


変数の名前は “hako”

•> hako <- c(1,2,3,4,5)
•> hako
• c() 関数：combine ( )
cf. https://twitter.com/#!/sakaue/status/193708048030760960

• 値を１つにまとめる関数
• 逆に書いても（一応）OK

c()関数の “<-” は何？

hako <- c(1,2,3,4,5) の “<-” は

左向きの矢印（←）
を表現
（入れ替えても動きます）


コンソールで「＋」が出たら...

• 入力中に誤って[Enter] を押すと，
待機状態を示す「＋」が出る

• [STOP] ボタンでキャンセル
• [Esc] キーでキャンセル


履歴機能と補完機能

•履歴: [↑][↓] の矢印キー
•補完: [Tab]キー

いま “hako” という名前の
「変数」の中に
1から5までの5つの数字が
まとめて入っている状態


では
使い回してみましょう


以下の関数を実行

•> sqrt(hako)

• > log(hako)


もし変数がなかったら
何度も関数を
繰り返す羽目になる
sqrt(1), sqrt(2) ... sqrt(5)
log(1), log (2) ... log (5)


一括処理のために
変数（ベクトル）の
利用は不可欠


ここまでのまとめ
• は「関数」と「変数」が命
• 関数を使って数値を処理
• q(), help(), sqrt(), log(), c()
• 変数を使って一括処理！

覚える必要はなく
メモ等を頼りに
実行できれば OK


Agenda
4. R で検定


Sub topics

1. 行列のおはなし
2. データフレーム
3. 外部データの読込


さきほど
一行で表せる数値を
扱いましたが


実際のデータは
複数行あるはず


例えば...

•身長と体重
•年齢と年収
• 覚えた単語数とTOEICスコア

表にすれば...
身長体重
A 180 75
B 170 65
C 165 60
D 175 70
E 190 80

複数の行や列で表される
データを扱うために
Rでは「行列」を使う


行列とは

数値が縦横に並べられたもの


1 2 3
4 5 6
7 8 9


Tuesday, August 7, 12
行 77

1 2 3
4 5 6
7 8 9


Tuesday, August 7, 12
列 81

1 2 3
4 5 6
7 8 9


ひとまず
「行列」という存在を
知ってやってください


そんな行列を扱うために

matrix() 関数
を使う


matrix() 関数

• 行列を作る関数
• matrix(要素, 行の数, 列の数)
• デフォでは列方向に配置

このようなデータなら
身長体重
A 180 75
B 170 65
C 165 60
D 175 70
E 190 80

行列を作ってみる
karada <- matrix(c(180, 170, 165,
175, 190, 75, 65, 60, 70, 80), 5, 2)
1. c() 関数で、数値を連結
2. matrix() 関数で、行列に変換
• 「5行で2列」にするという指定をする
3. karada という名の変数に代入


> karada
と入力して
変数の中身を確認


行列の要素を取り出す
demo <- matrix(1:30,nrow=5,ncol=6)

http://gyazo.com/76c58d5d6c8426a44f160897cda99671.png


2行目を表示 → demo[2,]
2列目を表示 → demo[,2]

http://gyazo.com/6726084afd9e1cc4b03df85fe6bc0f29.png


2行目と4行目を表示
→ demo[c(2,4),]
2列目と4列目を表示
→ demo[, c(2,4)]



http://gyazo.com/a116c0e2f1284ea7d38bf7024d92f1cc.png

行列まとめ

• 横方向が行、縦方向が列
• デフォルトでの数値の並びに注意
• 必要な要素を適宜取り出して値を確認


Sub topics



データフレームとは

• いろんなデータを突っ込んだもの
• いろんな＝質的データ＋量的データ
• 突っ込む＝一緒に並んでいること


名前血液型身長体重
坂本 B 175 65
高橋 B 177 70
阿部 B 174 75
長野 A 179 70
松本 O 170 60


• Excel の WS とほぼ同じイメージ
• 既存データの読込＞自力で作る
• data.frame() 関数が使える


じゃあ
実際に自力で作るか
といったら...


そこで
外部データの読込
を行おう


Sub topics



ここはトラブル多発地域です

うまくいかない時は
まず説明をお聴きください


おそらく...

• Excel でデータ管理
• できればそのまま活かしたい


作業ディレクトリの設定

• 作業ディレクトリとは...
• データを読み込む場所
• データを書き出す場所


• Windows：ファイル → ディレクトリの変更
• “My Documents” にファイル移動
• Mac OS X：環境設定 → 一般（起動）
• ホームディレクトリにファイル移動
• Linux：up to you...



• コンソールからの確認・設定も可能
• getwd()関数：現在の設定を確認
• > getwd()
• setwd()関数：現在の設定を変更
• > setwd("/Users/sakaue/Desktop/")
• 実行注意!!


データの読込その１

• read.csv() 関数
• CSV 形式のファイルを読み込む
• CSV: Comma Separated Value


データの読込その１

1. let2012.csv を作業ディレクトリへ移動
• XLS/XLSX 形式のものは保存時に変換
• CSV ファイルの文字コードは UTF-8 に
2. > test <- read.csv(“let2012.csv”) で代入

3. > test [Enter] で中身を確認


CSV 変換なんて面倒...
という方に


データの読込その２

• read.delim() 関数
• 表形式のデータ読み込む
• delim: delimiter（区切り文字）


データの読込その２

1. let2012.xls を開いてマウスで範囲指定
2. > test2 <- read.delim("clipboard") で代入
Mac の場合: read.delim(pipe(“pbpaste”))

3. > test2 [Enter] で中身を確認


読み込んだら関数で処理

> table(test2[,2])
2列目対象

• 度数分布を確認する
> mean(test2[,3]) 3列目対象
• 平均値を求める


外部データの読込

• 作業ディレクトリの設定に注意
• CSV 形式に変換後、read.csv()関数で読込
• 必要な行 or 列を指定して処理


データを集めたら
数値要約だけでなく
データの視覚化も必要


というわけで
作図のお時間です


基本的な作図手順

1. 変数に値を代入する
2. 作図用の関数を実行


たった2段階
Excel や SPSS ではこうはいかない


作成できる図の種類

• ヒストグラム
• 散布図
• 棒グラフ
• 折れ線グラフ
• 箱ひげ図

まずはヒストグラム

> hist(test2[,2])


箱ひげ図

> boxplot(test2[,2], test2[,3],
names=c("Male", "Female"),
horizontal=T)


箱ひげ図

horizontal=T, ylim=c(0,100))


箱ひげ図

horizontal=T, ylim=c(0,100),
col="blue")


箱ひげ図

horizontal=T, ylim=c(0,100), col="blue",
xlab="score", ylab="sex",
main="BOXPLOT")


グラフの保存方法

> pdf() # pdf デバイスを開く()

> plot(1:10) # プロット → Rplots.pdf に出力

> dev.off() # デバイスを閉じる

★慣れないうちは画面上のメニューから選ぶのが無難


作図手順のまとめ
1. 変数に値を代入する

2. 作図用の関数を使って処理する

3. 形式を指定して保存

＋人に伝承（twitter, FB）


Agenda
4. R で検定


を使う経緯

この世の様々な現象を
数値データ＋検定
から捉えてみたい


共分散分析
カイ二乗検定
パワーアナリシス
主成分分析
符号検定

因子分析 t 検定

分散分析
マクマネー検定
クラスカル・ウォリス検定
判別分析


で「t 検定」


t 検定

• ２つのグループの平均値の差の検定
するのに使う手法

• R では t.test() であっさりと実行


t 検定
• （例）あるテストの平均値に男女差があるかどうか

> male <- test2[,2]
> female <- test2[,3]
> t.test(male, female, var.equal=TRUE)


t 検定
> t.test(male, female,var.equal=TRUE)

Two Sample t-test

data: male and female
t = -0.9232, df = 58, p-value = 0.3597
alternative hypothesis: true difference in
means is not equal to 0 # 両側検定
95 percent confidence interval: # 信頼区間
-9.926800 3.660134
sample estimates:
mean of x mean of y
62.06667 65.20000


で「カイ二乗検定」


カイ二乗検定
• 独立性の検定のために使う
• （例）数学が好き嫌いと統計の好き嫌いの間に有
意な連関があるか

• （例）あるコーパス中の表現Aと表現Bの頻度の差

• ざっくり言えば，期待度数と観測度数のズレ
が偶然出ちゃったかどうかを調べる


事例: 接続詞 “however” の生起位置の比較

文頭文中文末合計
頻度 109 347 8 493

[文頭] However, ....
[文中] ..., however, ....
[文末] ..., however.


生起位置の比較のためにカイ二乗検定を実行

> freq <- c(109,347,8)
> chisq.test(freq,correct=FALSE)

Chi-squared test for given probabilities

data: freq
X-squared = 391.7371, df = 2, p-value < 2.2e-16

# 手作業なら，カイ二乗分布表の自由度2のところを確認する
# http://homepage2.nifty.com/nandemoarchive/toukei_kiso/t_F_chi.htm


で検定のまとめ
• 差がありそうかなさそうかを判断するため
に各種検定を行う

• 平均値の差の検定：t 検定・分散分析
• 独立性の検定：カイ二乗検定
• 数行のコマンドであっさり検定!
• データ準備の手間は多少かかるかも...

を使って
この世の現象を
数値データ＋検定
から捉えてみよう！


Agenda
4. R で検定


Sub topics

1. 言語データ処理の流れ
2. R による and と but の検索
3. パッケージ利用によるデータ処理


Sub topics



言語データ処理の流れ
1) データを読み込む
2) データを分解する
3) データをえる
4) 数値を求める
5) データを保存する

1) データを読み込む

> nns <- scan("nns_raw.txt",
what="character")

Read 62959 items


2) データを分解する
> nns_list <- strsplit(nns, " ")
# スペースでデータをリスト化
# 干し柿状態(?)

> nns_unlist <- unlist(nns_list)
# リストされたデータをバラバラに分解


3) データをえる

> sort_nns <- sort(nns_unlist)
# データの並び替え

> uniq_nns <- unique(sort_nns)
# 並び替えたデータをまとめる


4) 数値を求める
> length(nns_unlist)
[1] 70220 # Token
> nns_all <- table(nns_unlist)
# 単語一覧表の作成

> nns_type <- length(uniq_nns)
> nns_type
[1] 7579 # Type


5) データを保存する

> write.table(nns_all,
file="freq.txt", sep="t")

# freq.txt という名で列をタブ区切りにして保存


Sub topics



R による and と but の検索

•grep 関数・length 関数
• grep() : 文字列マッチング
• length(): 要素数のカウント


> grep("^And,?", nns_unlist, fixed = FALSE, value=TRUE)
> grep("^But,?", nns_unlist, fixed = FALSE, value=TRUE)

# ヒットした要素を表示

# 正規表現の ^ をつけておき，3文字を含む文字列（underst”and”）を除外

# fixed=FALSE で拡張正規表現を利用，value=TRUE で要素表示

> length(grep("^And,?", nns_unlist, fixed = FALSE, value=TRUE))
> length(grep("^But,?", nns_unlist, fixed = FALSE, value=TRUE))

# ヒット数だけを表示



> length(grep("^And,?", nns_unlist, fixed = FALSE, value=TRUE))
[1] 175
> length(grep("^But,?", nns_unlist, fixed = FALSE, value=TRUE))
[1] 178
> length(grep("^and,?", nns_unlist, fixed = FALSE, value=TRUE))
[1] 1479
> length(grep("^but,?", nns_unlist, fixed = FALSE, value=TRUE))
[1] 260


> barplot(freq, names=c("And", "and", "But", "but"), horiz=T, las=1)



• R で基本的な検索・分析ならば...
1) データを strsplit() ＋ unlist() して
2) grep() と length() でカウント
3) barplot() などで視覚化
4) chisq.test() などで検定


Sub topics



Packageとは?

• ある処理・機能に特化したプログラム
• base（基本パッケージ）だけでも 1,000 以上
• 特殊な処理を行う際は，別の package を追加
• 言語処理に特化したものもある（ex. RMeCab）


言語処理に特化した packages
i) tm: Text Mining Package
• http://tm.r-forge.r-project.org/
• http://cran.r-project.org/web/packages/tm/tm.pdf

ii) corpora
• http://cogsci.uni-osnabrueck.de/~severt/SIGIL/sigil_R/
• http://cran.r-project.org/web/packages/corpora/corpora.pdf

iii) LanguageR
• http://www.ualberta.ca/~baayen/software.html
• http://cran.r-project.org/web/packages/languageR/languageR.pdf


日本語データの分析を
助けてくれる
RMeCab を紹介


RMeCabとは
• 石田基広氏が開発したパッケージ
• R から MeCab を呼び出して日本語
のテキストを解析させる

• 解析結果をも R で出力してくれる
素晴らしいプログラム


デモ一覧
• RMeCabText() : ファイル解析
• RMeCabFreq() : 頻度集計
• Ngram() : N-gram 解析
• collocate() : 共起関係の分析

おわりに


のススメ


Excel
SPSS

参考文献


参考文献（続）


LET2012 ワークショップ「R による教育・言語データ処理のススメ」

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (20)

Similaire à LET2012 ワークショップ「R による教育・言語データ処理のススメ」

Similaire à LET2012 ワークショップ「R による教育・言語データ処理のススメ」 (20)

Plus de SAKAUE, Tatsuya

Plus de SAKAUE, Tatsuya (20)

Dernier

Dernier (7)

LET2012 ワークショップ「R による教育・言語データ処理のススメ」