初心者のためのRとRStudio入門 vol.2

Copyright © BizReach, Inc. All Right Reserved.
初心者のための
RとRStudio入門
Vol.2
株式会社ビズリーチ
サービス企画部
荒金万琴

自己紹介
荒金万琴（あらがねまこと）
 福岡県出身
→進学のため京都へ（4年間）
→就職を期に東京へ（5年目）
 前職：法人向けソフトウェアメーカーにて
マーケティングを担当（4年間）
• 自社製品サイト、カタログ等の制作
• イベントの主催、出展
• 製品リリースの進行管理などなど
 サービス自体の企画・
データサイエンティストを志して転職
 2015年4月ビズリーチ入社（3ヶ月目）
• 自社サービス（ビズリーチ：会員制転職サイト）
の会員属性の調査
• 会員向け施策の効果検証などなど
2

RとRStudio入門
Vol.2
3

RとRStudio入門
Vol.2
初心者による
その分、より初心者に沿った内容になっている…
と感じていただければ嬉しいです。
4

アジェンダ
 Rについて（3分）
• Rとは
• Rによる分析の流れ
 ハンズオン（50分）
• 分析の流れに沿って操作してみる
 アンケート（2分）
5

参加者のみなさまに質問
Rを使ったことはありますか？
本当に初心者ですか？？
6

今日のゴール
 ご自身で手を動かして、Rの操作を体験する
 「Rでこんなことができるんだ」と
なんとなくわかる
 もう少しやってみたいな、と興味がわく
（といいな）
7

まずは
R って何者？
8

テトリスみたいな
ゲームを作りたい
0と1しか
わかりませーん
自然言語
プログラミング言語
（仲介）
機械語
Rとは？
9
 分析に特化したプログラミング言語
 統計分析のデファクトスタンダードへと進化
• 「教育現場から実務・研究現場へ永続的に利用可能」 by Wikipedia
 コンパイルが不要で、対話的に分析が可能

Rとは？
 分析に特化したプログラミング言語
 統計分析のデファクトスタンダードへと進化
• 「教育現場から実務・研究現場へ永続的に利用可能」 by Wikipedia
 コンパイルが不要で、対話的に分析が可能
 パッケージの導入で、非常に多くの分析や機械学習が可能
• 自分でプログラムを書かなくても、世界中の優秀なエンジニアが
作ったパッケージをすぐ使える！しかも無料！
 Excelよりも圧倒的に早く、数百MBまで対応が可能
• 詳しくは次スライド参照
10

Rの守備範囲
11

Rの守備範囲
一言でいうと「そこそこできる」
12

Rによる分析の流れ
13
設計前処理分析

Rによる分析の流れ
 利用するパッケージの読み込み
 分析したいデータの読み込み
 （必要に応じて）前処理
 分析の実行
 レポートの作成（がRでできるパッケージも！）
14
設計前処理分析
このあたりを
流れに沿って
やってみます！

ハンズオンの内容
 インストールしよう
 サンプルデータを見てみよう
 分析したいデータを読み込もう
 条件抽出をしてみよう
 グラフを書いてみよう
 Rを使った分析の例：サイトの改善
15

16

RとRStudioのインストール
 R本体のインストール
• 注意：こちらを先にインストールしてください！
 RStudio（総合開発環境）のインストール
• ヘルプの検索
• ファイルシステムの検索
• 定義済み変数の確認
• HTML・PDF・スライドでの出力
• 分析プロジェクトの管理など
両方インストールできたら、RStudioを起動してください。
17

分析プロジェクトの用意
 分析案件ごとに「プロジェクト」を作成
 新規スクリプトファイル (R script) を作成
18
プロジェクト R script
R script
R script
プロジェクトを作って、コーディングの準備をします。

補足：パッケージについて
※今回は、デフォルトの機能だけで分析を行います。
 パッケージの多くはCRANやGithubで公開
 初めて使うパッケージはインストールが必要
 起動のたびにパッケージを読み込む
19

20

サンプルデータ
 Rには多くのサンプルがあり、分析の練習ができる
 代表的なサンプル
• iris:あやめの種類とサイズ
• women:米国の30-39歳の女性の身長と体重
• airquality:気象条件とオゾン量
• Titanic:タイタニック号が沈没したときの乗員乗客
など100種類以上
21

サンプルデータを見てみよう
 head(iris)
 head() で先頭6レコードを表示
22

データの構造を見てみよう
 str(iris)
 str() でデータの構造(=stracture)を確認
 データフレーム？
• Rでデータを取り扱うためのデータの構造
• Excelの2次元の表のイメージ
23
Sepal.Length 5.1 4.9 4.7
Sepal.Width 3.5 3 3.2
Petal.Length 1.4 1.4 1.3

データの構造を見てみよう
 str(iris)
 150個のレコードで5つの属性をもつ
• 属性：項目、カラム
 4つの数値属性と1つの水準属性（3水準）
• 水準属性：○個の選択肢から選ぶ
setosa, versicolor, virginica
24

基礎集計をやってみよう
 summary(iris)
 最小値・25%点・中央値・平均値・75％点・最大値
を計算
 水準属性の場合は、各々の個数を計算
25

26

分析したいデータを読み込もう
 ダウンロードしたCSVファイル “weather.csv” を利用
• 日付、都市、平均気温、最高気温、最低気温、
雨量、日照量
 いま使っている R script ファイルと同じ場所に置いて
ください！
27

分析したいデータを読み込もう
 CSVファイルを読み込んで、変数 df に格納する
• df <- read.csv(file = “weather.csv”, fileEncoding = “cp932”)
 dfの構造を確認
• str(df)
• dayのデータが、Factor（水準属性）として読み込まれている！
28
ファイル名を指定文字コードはShift-JIS<- の右に
あるものに
df という
名前をつける

日付をfactorからdateに変更する
 データ型（その項目に入るデータの種類）の変更
• df$day <- as.Date(df$day)
 dfの構造を再度確認
• str(df)
29
df 内にある
「day」という項目
データ型を
日付に変更

30

条件抽出をしてみよう
 subset() で条件に合致したデータだけを抽出する
 条件とするものの例
• date ：日付、時期
• factor ：水準（選択肢、分類）のうちどれに該当するか
• num ：数値
31

条件抽出：date
 2013年のデータだけを抽出
• df_2013 <- subset(df, "2013-01-01" <= df$day
& df$day <= "2013-12-31")
• head(df_2013)
32
dfのdayが 2013年1月1日以降
dfのdayが 2013年12月31日以前
抽出結果を
df_2013 に格納

条件抽出：factor
 東京のデータだけを抽出
• df_tokyo <- subset(df, df$city == "Tokyo")
• head(df_tokyo)
33
イコールは
2つです！

条件抽出：num
 雨が降ったときのデータだけを抽出
• df_rain <- subset(df, df$rain > 0)
• head(df_rain)
34

演習問題
下記の条件で抽出してください。
 東京で最高気温が37度以上となった日のデータ
35

演習問題
 東京で最高気温が37度以上となった日のデータ
• city が Tokyo
• temp_max が 37以上
 subset(df, df$city == "Tokyo" & df$temp_max >= 37)
 subset(df, city == "Tokyo" & temp_max >= 37)
 subset(df_tokyo, temp_max >= 37)
36

37

グラフを書いてみよう
 散布図
• 縦軸、横軸に項目を設定し、データをプロットする
• 2項目の相関関係をみるときによく使う
 ヒストグラム
• データをいくつかの区間に分けてその区間のデータを
集め、データの度数（数）を棒グラフで表す
• データの分布状況を視覚的にとらえられる
38

散布図
 東京の平均気温と最高気温の関係
• せっかくなのでdf_tokyoを使います
• plot(df_tokyo$temp_avg, df_tokyo$temp_max,
xlab = "avg", ylab = "max", col = "orange")
39
temp_max をy軸にとるtemp_avg をx軸にとる
x軸のラベル y軸のラベル

ヒストグラム
 東京の最高気温と最低気温の幅の分布
• diff <- df_tokyo$temp_max - df_tokyo$temp_min
• hist(diff, breaks = 20, col = "orange",
main = "difference")
40
temp_max と temp_min の差をとって、diff とする
diffのデータを20区間に分ける
グラフのタイトル
max(diff)=19.6
min(diff)=1

41

分析の例：サイトの改善
新しいLPの方が効果がある？それとも偶然の差？
 改善前後の有意差検定
 結果の解釈
42
いままでのLP 新しいLP
Before After
ページビュー 1200 1000
コンバージョン 55 60
コンバージョン率 4.6% 6.0%

有意差検定
 試行回数(PV)と成功回数(CV)を格納
• n にPVの数を設定、x にCVの数を設定する
 数字は After → Before の順番で配置
• n <- c(1000, 1200)
• x <- c(60, 55)
• cはベクトルを作成する関数ですが、ここではあまり
気にしないでください
– 参考サイト
http://cse.naro.affrc.go.jp/takezawa/r-tips/r/12.html
43

検定の実行
 比率の差を検定
CVRは改善されたが、有意差があるのか？
• prop.test(x, n, alternative = c("greater"))
44
※これは「改善の前後で、どちらがよりCVRが大きいか」を比較する
場合の方法です。新しいLP 2つを同時に公開して比較する場合には、
また違う方法をとります。

どういう意味？
 本当のCVRが同じ（改善前後で差がない）であるのに、
このCVRの差が「たまたま」生じる確率は
8.22%よりも少ない
 統計的な解説はここでは割愛します…
• 参考サイト
http://labs.xica-inc.com/2014/07/difference-between-t-
value-and-p-value/
45

で、どうするか
 同じ結果でも、人によって解釈に相違
• Aさん「確率が8%以下のことが起こっているなら
偶然じゃないでしょ」
→有意水準8%の元で、有意な効果があった
• Bさん「1%以下の確率で厳しく判断すべきで、
これは偶然の範囲内だ」
→有意水準1%の元で、有意な効果があったとはいえない
 結局、有意差の考察は「分析者の考え方」しだい
→分析者が背景知識を動員して、適切な有意水準を
決めることが重要
• 通常は5% or 1%ですが、分析対象によって適切な値は異なります
46

今日のゴール
 ご自身で手を動かして、Rの操作を体験する
 「Rでこんなことができるんだ」と
なんとなくわかる
 もう少しやってみたいな、と興味がわく
（といいな）
47

さいごに
connpassグループ
「OWL.learn」
6/18（木） BIツール「Tableau」勉強会
R勉強会続編、数学講座なども企画中
48

さいごに
ビズリーチで一緒に働いていただける
仲間募集中です！
49

初心者のためのRとRStudio入門 vol.2

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à 初心者のためのRとRStudio入門 vol.2

Similaire à 初心者のためのRとRStudio入門 vol.2 (20)

初心者のためのRとRStudio入門 vol.2