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



Vol.2

3



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



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



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



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



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



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)=19.6min(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

http://cse.naro.affrc.go.jp/takezawa/r-tips/r/12.html


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

http://labs.xica-inc.com/2014/07/difference-between-t-value-and-p-value/


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

Data & Analytics

初心者のためのRとRStudio入門 vol.2