第一回Data mining勉強会 -第二章 - 原案

第一回 DataMining 勉強会
2013/1/10
第二章
R による基本統計量の計算

自己紹介
 About Me
● Twitter @yushin_hirano 。
● 最近 Hadoop に関われなくて不満。
● 1/4 まで引っ越し残作業その他で勉強してなかった。
● 発表の前日と当日朝４時までこの資料を作ってた。
● いろいろヒドイ無計画なエンジニア。

Contents
● R による平均と分散の計算
● 平均と分散
● R を使った計算
● R を始めるための弾丸ツアー
● インストール
● 起動 - インタラクティブモードとバッチモード
● 演算子、制御構造
● 変数と型
● データソース
● デモ
● ヘルプ
● その他
● n 進数→略（さすがに大丈夫でしょう）

お前ら、
平均と分散は
もちろん知ってるな？

超基本統計

省略
平均と分散

～完～

平均と分散

テキスト見て式を復習しておいてください。
念のため。

では、 R を使って
計算するんだ。

R を使った平均と分散

> x1 <- c( 118, 119, 121, 122, 170 )
> x2 <- c(128,129,130,131,132)

> mean(x1)
> var(x2)

R の導入
R を「始める」にあたって、
「覚えておいた方がよいこと」
「便利なこと」を中心に記述。
（詳しい利用ケースなどは、
後の回に出てくるでしょう。期待。）

R とは
 R 言語
● 統計・分析・グラフィックスに優れたスクリプト言語。
● AT&T が開発した統計言語 S からアイデアを得た、 OSS での実
装。
● Windows 、 Mac 、 Linux 、 Unix 版など、様々な OS で動作。
● オブジェクト指向、関数型言語の特徴を持つ。
 しかし
● R 一文字って Google で検索し辛い。
● 検索結果が専門的すぎて素人お断り。

何言ってんの
プログラミングとか
するわけないよ
所詮 PC オタクが
するもんだよ
オタクは帰れ帰れ！

そこのお前。
Windows の電卓と
EXCEL だけで
1000 万レコード
計算してみろ。

※ スクリプト言語の１個を覚えるだけ
で計算がこんなに便利に。

※ ここからややプログラミング言語的
な話に入ります。
とりあえず、変数と型と関数リファレ
ンスがあれば入っていけるでしょう。
※ ここでは紹介レベル。各項目の詳細
は各自ご調査を。
※ いずれ EXCEL で 1000 万行できそうで怖い。

R のインストール
 CRAN （ Comprehensive R Archive
Network ）で提供されている。
 For Windows
● http://www.r-project.org/
● プロジェクトページ =>CRAN から適当に探して Windows 向け
のインストーラを取得。とりあえず base パッケージをどうぞ。
 For Linux
● 同じくプロジェクトページの CRAN から。
● Redhat 系、 Debian 系、 SUSELinux 、 ubuntu 向けにパッケー
ジが公開されている。

R の起動
 二つのモードがある。
 インタラクティブモード
● 一つ一つコマンドを打ち込んでその結果を確認しつつ動作させ
るもの。
● つまりはインタプリタ。
● デフォルトのモード。普通に起動するとこちらで動作する。
 バッチモード
● あらかじめ R のコマンドを記述したスクリプトファイルを用意
し、それらを一括して起動させるモード。
● コマンドラインから $ R CMD BATCH 「スクリプトファイル」
で実行。

演算子と制御構造①
 演算子
● 一般的なスクリプト言語、オブジェクト指向言語にある基本的
なものはほとんど存在。
● + 、 - 、 * 、 / 、 ^ 、 < 、 > 、 == 、 != 、 && 、 || 、 ! 、など。
● 中々見ない記法のものは以下。
– %/% ：整数除算
– %% ： mod( 剰余 )
– <- ：代入演算子

R の演算子と制御構造②
 制御構造
● 一般的なスクリプト言語にある制御構造はやっぱり大体ある。
● for 、 while 、 if 、など。
● for はベクトル等を対象にすると便利な使い方が可能。
– といっても、最近の言語じゃこの程度当たり前か・・・

> for (n in Nile) print(n * 2)

R の変数と型①
 変数
● 一般的な変数と同様。
● 宣言不要。
● 静的型付けではない。
● 同じ変数に別の型のデータを何度も入れ替えできる。
● 代入には【 <- 】演算子を使う。 = も効くが特殊なケースでうま
く動かないことがあるらしい。

> n <- c(1,3,5,9)
> m <- c(10,5,5,8)

R の変数と型②
 変数の参照
● 変数名打って ENTER 叩くだけ。
● print( 変数名 )
● attributes( 変数名 )
● 変数名 $ 要素名（ => 後述）

>n
>m
> print(n)
> print(m)

R の変数と型③
 ベクトル型
● 同じ型のデータセット。
● c( 要素 1, 要素 2, ...) で生成できる。
● x[ インデックス番号 ] で参照できる。
● インデックスは１から始まる。
● 長さは length(x) で参照

> vec <- c(100,110,120,120,130)
> vec
> vec[2]
> vec[2:4]

R の変数と型④
 文字、数字、ブール、文字列型
● 文字や数字は特に苦労なし。
● ブール値は「 TRUE 」、「 FALSE 」。 T ､ F で省略可能。
● 文字列型はダブルクォーティングで生成する。
● 文字列型は文字型のベクトルとなっている。
– というよりも、単なる文字型すら要素１の文字ベクトル。
– これは数値も同様で、単独の値は要素１のベクトル。

> str1 <- “teststr”
> str1

R の変数と型⑤
 行列型
● 数学でいう n×m 行列。
● c( 要素 1, 要素 2, ...) で生成できる。
● 全要素が同じ型である。
● rbind （行結合）、 cbind （列結合）で、ベクトルを結合して作
る。
● インデックス二つで要素を指定する他、行のみ、列のみの指定
が可能。
> mtx1 <- rbind(c(1,5,6),c(2,6,7))
> mtx2 <- cbind(c(1,5,6),c(2,6,7))
> mtx1
> mtx2
> mtx1[1,2]
> mtx1[,2]
> mtx1[2,]

R の変数と型⑥
 リスト型
● データ構造に出てくるいわゆる [ リスト ] とは無関係。
● 異なる型の値を複数保持できるもの。
● C 言語の構造体に近い。
● list() で作る。
● list の各要素にアクセスするには、
● 変数名 $ 要素名（スペース等開けない）

> l1 <- list(unit=2, val="str")
> l1
> l1$unit

R の変数と型⑦
 データフレーム型
● 一言で行ってしまえば、 RDB のテーブルみたいなもの。
● 各カラムそれぞれ異なる型を持てる行列。
● 実際の中身としては、各要素が行列であるリスト、ということ
になっている。
● data.frame() で作成。
● 基本的には、このように作るよりも、 RDB やファイルなどから
Import する。

> df <- data.frame(list(uid=c("0001","0002","0003"),time=c(10,20,40)))
> df
> df$time
> df[,1]

R の変数と型⑧
 変数出力、型調査など。
● print
● attributes()
● class()
● str() ：オブジェクト構造を出力
 関数定義
 クラス作成
● 宿題。
● 関数自作の際、 return を省略すると最後の式の戻り値がそのま
ま return される。（ここだけチェックした・・・）

R のデータソース
 Input
● RDB からデータ Input→ データフレームを作成
● ファイルからデータ Input→ データフレームを作成
● 量が大きくなればこの２パターンが主

> res <- read.table("exam_result",header=TRUE)
> res
> res$math
> mean(res$math)

R デモ
 デモデータ
● R にはあらかじめデモデータが備わっています。
● data() で参照してみましょう。

平均と分散、その他統計
 デモデータを使った平均、分散、など
● mean(Orange$age)
● var(Orange$age)
● sd(Orange$age)
● mean(Nile)
● max(Nile)
● sum(Nile)
 グラフ化（グラフィックスは次回の講義）
● hist(Orange$age)

ヘルプ
 何が出てきても調べられるように、ヘルプ
の参照をチェック。
● help( 関数名 ) 、 ?” 関数名”
● help.search(“ キーワード” ) 、 ??” キーワード”→検索が走る。
● help(package= パッケージ名 ) で、パッケージマニュアル。
● example( 関数名 ) で、各関数の使用例とデモが出力される。
● example(lm) （線形モデル例）
● Google ではヒットさせ辛い。 R 言語専門の検索サイトなどを使
うのも手。 SeekR など。 http://seekr.jp/

その他
 IDE
● 通常はコマンドラインで利用する。
● しかし IDE( 統合開発環境 ) も存在する。
● RStudio
– http://d.hatena.ne.jp/hiratake55/20120527/1338091311
● StatET （ Eclipse ）
● ESS(emacs)

Summary
 R を使ったら
● 本当に統計的な計算に向いている。他の言語に比べて。
– 例：発表者の以前作ったシェルスクリプト（ヒストグラム出
すまで）
– gnuplot を使ったが 226 行。
– R なら hist( データセット ) で終わり。
– 早いし楽。
● オブジェクトサイズ 2GB までという制限があり、巨大なデータ
セットには不向き。
● オブジェクト指向的要素、パフォーマンス、並列 R などはご興
味ありましたら各自で。
● グラフィックスは４章（次回）。

統計に向いてる
のは本当です。
使いましょう。

ご清聴ありがとう
ございました。

なぜ私の
CentOS6.3 には
EPEL 経由で
yum インストール
できんのだ。

※ ライブラリのバージョンが
合わない・・・

バカじゃないの！
ソースコードから
ビルドすれば
いいだけじゃん！
そんなことも
できないんなら
仕事やめなよ
HAHAHA ！

※R は OSS です。ソースコードはこち
ら。
http://cran.md.tsukuba.ac.jp/src
CentOS6.3 のビルドツールチェインなら、特に苦労なくすんなり入った。

第一回Data mining勉強会 -第二章 - 原案

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à 第一回Data mining勉強会 -第二章 - 原案

Similaire à 第一回Data mining勉強会 -第二章 - 原案 (20)

Dernier

Dernier (20)

第一回Data mining勉強会 -第二章 - 原案