3 初級編後半

作業の確認

研磨ストーリー

顧客から受領した企業リストに対して企業概要データを付与し、データの集計表や指標を算出して顧客へ渡します。

作業イメージ

添えてある数字が各ステップに対応しています。

前半の成果物

企業コードをキーにしてdf_3_distinctとc2_201901_selectedを結合したdata_1を作成しました。

data_1
企業コード 本社所在地市区郡 業種大分類 資本金(千円) 従業員数 最新期業績売上高(百万円) 最新期業績税引後利益(千円)
J31299770 13103_東京都港区 I:不動産業 931300 64 6555 910536
E32002046 27123_大阪府大阪市淀川区 L:サービス業 1098300 1120 100 1775694
D42585413 13103_東京都港区 J:運輸・通信業 6120900 216 31746 408523
J39971897 13101_東京都千代田区 L:サービス業 15432800 31059 334093 2544502
J93122775 14102_神奈川県横浜市神奈川区 F:製造業 9904900 314 69308 763986
J34719839 13111_東京都大田区 F:製造業 27761400 1167 54667 31954410
L12571447 23105_愛知県名古屋市中村区 G:卸売・小売業，飲食 131800 880 107643 7455793
D42395106 13103_東京都港区 G:卸売・小売業，飲食 1523000 1555 65714 1387429
J34594067 13103_東京都港区 E:建設業 8297700 452 63388 2149032
E32304350 27126_大阪府大阪市平野区 F:製造業 458000 801 40125 530833
K01110418 13102_東京都中央区 F:製造業 11610300 365 44279 2804433
E32110564 27104_大阪府大阪市此花区 F:製造業 9146900 486 71359 6506672
E12517408 28201_兵庫県姫路市 E:建設業 1132800 79 20300 1600471
E32113347 27127_大阪府大阪市北区 G:卸売・小売業，飲食 4053400 302 96496 913238
J30505243 13103_東京都港区 H:金融・保険業 1448400 346 10969 22448
J34873560 12227_千葉県浦安市 G:卸売・小売業，飲食 4569300 204 22993 1415250
J39977283 13103_東京都港区 G:卸売・小売業，飲食 246000 1338 24184 225865
B02122602 34207_広島県福山市 J:運輸・通信業 45597500 13645 100 11584519
J34529468 13104_東京都新宿区 F:製造業 3166100 895 26787 261723
J36362624 13113_東京都渋谷区 L:サービス業 14780400 1054 33010 4750633
J34598062 13109_東京都品川区 F:製造業 10348100 673 49987 1589201
J34789669 22206_静岡県三島市 F:製造業 655500 162 1237 1844422
D82177528 11102_埼玉県さいたま市北区 G:卸売・小売業，飲食 11203800 3828 325136 24136962
E62123226 28110_兵庫県神戸市中央区 J:運輸・通信業 37907900 3025 152859 27785573
J34109661 13101_東京都千代田区 F:製造業 31451600 3413 461075 63185341
L82121236 24216_三重県伊賀市 F:製造業 4035100 216 40114 2272837
J34124165 13102_東京都中央区 H:金融・保険業 9860900 368 8612 914978
E32995244 27113_大阪府大阪市西淀川区 F:製造業 1371100 332 6355 1005090
D42265223 14102_神奈川県横浜市神奈川区 G:卸売・小売業，飲食 4215900 970 60473 995979
J34881765 13101_東京都千代田区 F:製造業 518000 1062 65101 732120
E32523679 27127_大阪府大阪市北区 K:電気・ガス・水道・ 274560500 39916 2639445 191071717
D42093690 11219_埼玉県上尾市 F:製造業 2387500 367 45837 540698
J34512464 13107_東京都墨田区 F:製造業 9345600 1013 26587 1352980
E32119566 27227_大阪府東大阪市 F:製造業 4827300 274 12865 7773787
J34803363 13106_東京都台東区 F:製造業 5229900 113 19812 1599935
E42159736 25201_滋賀県大津市 F:製造業 38393900 825 153467 54729062
F92118101 20380_長野県上伊那郡 F:製造業 1800900 602 15863 119657
J34161865 13108_東京都江東区 E:建設業 587600 876 29707 585028
J36287728 13113_東京都渋谷区 L:サービス業 1661000 521 34446 6019471
J34887367 14207_神奈川県茅ヶ崎市 F:製造業 21189400 734 119784 7205311
B42504542 34102_広島県広島市東区 G:卸売・小売業，飲食 14969400 1828 549883 44261837
J32201436 13101_東京都千代田区 J:運輸・通信業 3065900 15 59626 186881
J34381066 13102_東京都中央区 G:卸売・小売業，飲食 1593300 357 12778 793484
E32129109 28202_兵庫県尼崎市 F:製造業 8152300 249 25256 3228269
J34751865 13102_東京都中央区 F:製造業 4389400 746 33832 783540
E42768626 26102_京都府京都市上京区 F:製造業 3143100 332 8744 3152288
E30971315 27128_大阪府大阪市中央区 G:卸売・小売業，飲食 740000 33 18699 539378
J34887766 13103_東京都港区 F:製造業 28245200 536 396128 7942273
F12183760 15106_新潟県新潟市南区 G:卸売・小売業，飲食 31079600 4521 349321 8512802
E32794904 13108_東京都江東区 H:金融・保険業 21939800 363 5028 532019
D42069420 14133_神奈川県川崎市中原区 L:サービス業 278500 343 14507 1276802
J34940466 13101_東京都千代田区 F:製造業 82935900 4890 987787 21213347
E42556694 26106_京都府京都市下京区 L:サービス業 979200 760 8556 458470
E32147647 27106_大阪府大阪市西区 F:製造業 7838500 519 138481 6237376
D42029989 14103_神奈川県横浜市西区 G:卸売・小売業，飲食 10240500 573 140672 2555513
D22165655 12217_千葉県柏市 L:サービス業 601800 733 23109 4859821
J34731169 13113_東京都渋谷区 J:運輸・通信業 231966200 1754 255394 67533788
B42539783 13101_東京都千代田区 H:金融・保険業 153828200 1649 100 42189533
E82193579 27144_大阪府堺市西区 G:卸売・小売業，飲食 24150700 2466 466759 10237832
F82182020 16201_富山県富山市 K:電気・ガス・水道・ 92062900 6839 193174 -2695387
E32110345 13101_東京都千代田区 G:卸売・小売業，飲食 295027000 3376 5297577 293330719
L42491454 23106_愛知県名古屋市中区 E:建設業 252600 159 21383 808944
L02645617 13101_東京都千代田区 L:サービス業 24249100 1900 3269 1881133
J34983560 12204_千葉県船橋市 F:製造業 1413700 143 6505 -540851
E42659133 26106_京都府京都市下京区 L:サービス業 244300 228 20908 204122
J34171568 13102_東京都中央区 G:卸売・小売業，飲食 4030700 1114 35323 794562
J34647365 13101_東京都千代田区 E:建設業 1390600 685 4378 1394617
C82153425 43105_熊本県熊本市北区 F:製造業 3261100 1649 78346 7435384
J34414704 13111_東京都大田区 L:サービス業 4975400 63 23586 6180762
E32693531 28204_兵庫県西宮市 G:卸売・小売業，飲食 4111300 888 296682 3943989
J34601863 13113_東京都渋谷区 F:製造業 6416100 1507 98350 3038153
J34549760 13111_東京都大田区 F:製造業 45665700 34617 2161788 180020060
C42110360 40132_福岡県福岡市博多区 L:サービス業 2198900 194 36462 3031812
E32046058 27128_大阪府大阪市中央区 F:製造業 8339300 1235 31980 4160782
E12598679 28110_兵庫県神戸市中央区 F:製造業 11966400 2544 128762 29605632
L42193204 23109_愛知県名古屋市熱田区 K:電気・ガス・水道・ 39941000 2872 607757 4146133
B12117505 13101_東京都千代田区 F:製造業 9343000 1085 183683 34137854
F22112890 15205_新潟県柏崎市 F:製造業 586500 4343 84669 5415627
L42120327 23228_愛知県岩倉市 F:製造業 7717900 463 62486 590755
J34891260 13104_東京都新宿区 G:卸売・小売業，飲食 11709600 276 128887 3059422
E32159275 27128_大阪府大阪市中央区 G:卸売・小売業，飲食 7208800 239 243582 6248179
K22100903 33202_岡山県倉敷市 F:製造業 1794300 440 14785 3020310
J30218155 13101_東京都千代田区 L:サービス業 6192100 120 96094 19960809
E32546894 28204_兵庫県西宮市 F:製造業 1585900 273 12567 1265389
J30572230 13101_東京都千代田区 I:不動産業 2342600 11 22639 2552005
D42029780 14102_神奈川県横浜市神奈川区 G:卸売・小売業，飲食 1 8 64475 346674
L42179046 23102_愛知県名古屋市東区 G:卸売・小売業，飲食 12163200 4798 567262 13507229
E62597994 28206_兵庫県芦屋市 F:製造業 7014300 246 22666 2952611
L42862459 23108_愛知県名古屋市瑞穂区 I:不動産業 2536000 466 24333 870778
L42105263 23115_愛知県名古屋市名東区 G:卸売・小売業，飲食 2264700 219 21756 -1646919
E32297874 27128_大阪府大阪市中央区 J:運輸・通信業 266500 276 15604 808139
J30660549 13102_東京都中央区 F:製造業 7808400 308 260044 5362516
E32035549 13103_東京都港区 G:卸売・小売業，飲食 30488600 843 1083467 3113049
J34500137 13103_東京都港区 F:製造業 1 43 17870 1966574
E38816281 27128_大阪府大阪市中央区 J:運輸・通信業 13100 506 19350 1631730
D22716170 12106_千葉県千葉市美浜区 G:卸売・小売業，飲食 146800 720 545 -28674
E32153587 27106_大阪府大阪市西区 G:卸売・小売業，飲食 1 163 403477 11550152
E62173130 28102_兵庫県神戸市灘区 G:卸売・小売業，飲食 435100 130 59614 348188
L42191630 23105_愛知県名古屋市中村区 G:卸売・小売業，飲食 8694900 4775 5991945 68601228
E62567837 28101_兵庫県神戸市東灘区 G:卸売・小売業，飲食 929500 883 78181 256179

3.1 ステップ６：カラム操作の基本

  • mutate

3.1.1 作業内容

mutateを使ったカラム操作方法を習得します。

tibble(a = 1:3) %>% 
  mutate(b = a*2,       c = a+b,
         d = log(a),    e = exp(a),
         f = cumsum(a), g = na_if(a, 2),
         h = lead(a),   i = lag(a)) %>% 
  glimpse()
Rows: 3
Columns: 9
$ a <int> 1, 2, 3
$ b <dbl> 2, 4, 6
$ c <dbl> 3, 6, 9
$ d <dbl> 0.0000000, 0.6931472, 1.0986123
$ e <dbl> 2.718282, 7.389056, 20.085537
$ f <int> 1, 3, 6
$ g <int> 1, NA, 3
$ h <int> 2, 3, NA
$ i <int> NA, 1, 2

3.1.2 mutateの基本

  • mutateは、データに新しいカラムを追加する関数です
  • data %>% mutate(カラム名定義 = 値定義)と書きます

元のデータ

d <- tibble(
  col_1 = c(1, 2, 3)
  )
d
# A tibble: 3 x 1
  col_1
  <dbl>
1     1
2     2
3     3

データにカラムを追加

vec <- c(2, 4, 6) 
d$col_2 <- vec # 普通のやり方
d <- d %>%     # dplyr
  mutate(col_3 = vec)
d
# A tibble: 3 x 3
  col_1 col_2 col_3
  <dbl> <dbl> <dbl>
1     1     2     2
2     2     4     4
3     3     6     6
  • 既存のカラムに操作を加えたカラムも作成可能です
  • 同じカラム名の場合は上書きされます
  • mutate内では、カンマで続けてカラムを追加できます

既存カラムを操作して追加

d <- d %>% 
  mutate(
    col_4 = col_1 + col_2
    )
d
# A tibble: 3 x 4
  col_1 col_2 col_3 col_4
  <dbl> <dbl> <dbl> <dbl>
1     1     2     2     3
2     2     4     4     6
3     3     6     6     9

既存カラムを操作し上書き

d <- d %>% 
  mutate(
    col_1 = log(col_1),
    col_2 = exp(col_2))
d
# A tibble: 3 x 4
  col_1  col_2 col_3 col_4
  <dbl>  <dbl> <dbl> <dbl>
1 0       7.39     2     3
2 0.693  54.6      4     6
3 1.10  403.       6     9

3.1.3 mutateの使用例

  • たとえば、最新期売上高の単位は百万円になっていますが、この単位を千円に変換したカラムを作る操作は以下のようにして行います
    • selectとheadは見やすさのために使用しています
data_1 %>% 
  select(`最新期業績売上高(百万円)`) %>% 
  mutate(最新期売上高_千円=`最新期業績売上高(百万円)`*1000)%>% 
  head(3)
# A tibble: 3 x 2
  `最新期業績売上高(百万円)` 最新期売上高_千円
                       <dbl>             <dbl>
1                       6555           6555000
2                        100            100000
3                      31746          31746000

3.1.4 補足

  • select同様に、括弧つきカラム名は「`」で囲みます
  • 値定義の部分に既存のカラム名を入力する際、カラム名を「""」で囲むと文字列だと認識してしまいます
d <- tibble(
  `(col_1)` = 1:3)
d
# A tibble: 3 x 1
  `(col_1)`
      <int>
1         1
2         2
3         3
d %>% mutate(
  col_2 = `(col_1)`*10,
  col_3 = "(col_1)")
# A tibble: 3 x 3
  `(col_1)` col_2 col_3  
      <int> <dbl> <chr>  
1         1    10 (col_1)
2         2    20 (col_1)
3         3    30 (col_1)

3.2 ステップ７：カラムの新設

  • mutate
  • substr

3.2.1 作業内容

  • mutateを使用して、以下のように、「都道府県コード」カラムを新設しましょう
  • 都道府県コードは「本社所在地市区郡」の頭2文字です
  • 文字列を部分的に切り取る方法がわかれば、mutateを使って都道府県コードカラムが新設できます
  • したがって、まずは文字列の部分抽出方法を説明します
# A tibble: 5 x 8
  都道府県コード 本社所在地市区郡 企業コード 業種大分類 `資本金(千円)`
  <chr>          <chr>            <chr>      <chr>               <dbl>
1 13             13103_東京都港区 J31299770  I:不動産業         931300
2 27             27123_大阪府大阪市淀川区~ E32002046  L:サービス業~        1098300
3 13             13103_東京都港区 D42585413  J:運輸・通信業~        6120900
4 13             13101_東京都千代田区~ J39971897  L:サービス業~       15432800
5 14             14102_神奈川県横浜市神奈~ J93122775  F:製造業          9904900
# ... with 3 more variables: 従業員数 <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>

3.2.2 substrで文字列の部分抽出

  • substrは、文字列のi番目からj番目までを抽出することができる関数です
substr("文字列", i, j)

例１

substr("123456789", 1, 5) 
[1] "12345"

例２

"東京都豊島区" %>% substr(4,6)
[1] "豊島区"

substrという関数名は、sub string（部分文字列）に由来します。

3.2.3 都道府県コードカラムの新設

  • それではmutateとsubstrを使って都道府県コードのカラムを新設しましょう
  • 都道府県コードは、本社所在地市区郡の頭2文字です
  • カラムを追加したデータをdata_2とします
data_2 <- data_1 %>% 
  mutate(都道府県コード = substr(本社所在地市区郡, 1, 2))
data_2 %>% relocate(都道府県コード, 本社所在地市区郡)
# A tibble: 887 x 8
   都道府県コード 本社所在地市区郡 企業コード 業種大分類 `資本金(千円)`
   <chr>          <chr>            <chr>      <chr>               <dbl>
 1 13             13103_東京都港区 J31299770  I:不動産業         931300
 2 27             27123_大阪府大阪市淀川区~ E32002046  L:サービス業~        1098300
 3 13             13103_東京都港区 D42585413  J:運輸・通信業~        6120900
 4 13             13101_東京都千代田区~ J39971897  L:サービス業~       15432800
 5 14             14102_神奈川県横浜市神奈~ J93122775  F:製造業          9904900
 6 13             13111_東京都大田区~ J34719839  F:製造業         27761400
 7 23             23105_愛知県名古屋市中村~ L12571447  G:卸売・小売業，~         131800
 8 13             13103_東京都港区 D42395106  G:卸売・小売業，~        1523000
 9 13             13103_東京都港区 J34594067  E:建設業          8297700
10 27             27126_大阪府大阪市平野区~ E32304350  F:製造業           458000
# ... with 877 more rows, and 3 more variables: 従業員数 <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>

3.3 ステップ８：マスタの結合

  • rename
  • left_join

3.3.1 作業内容

  • data_2に、「都道府県マスタ」データを、都道府県コードをキーとして結合します

data_2

# A tibble: 887 x 8
   都道府県コード 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)`
   <chr>          <chr>      <chr>            <chr>               <dbl>
 1 13             J31299770  13103_東京都港区 I:不動産業         931300
 2 27             E32002046  27123_大阪府大阪市淀川区~ L:サービス業~        1098300
 3 13             D42585413  13103_東京都港区 J:運輸・通信業~        6120900
 4 13             J39971897  13101_東京都千代田区~ L:サービス業~       15432800
 5 14             J93122775  14102_神奈川県横浜市神奈~ F:製造業          9904900
 6 13             J34719839  13111_東京都大田区~ F:製造業         27761400
 7 23             L12571447  23105_愛知県名古屋市中村~ G:卸売・小売業，~         131800
 8 13             D42395106  13103_東京都港区 G:卸売・小売業，~        1523000
 9 13             J34594067  13103_東京都港区 E:建設業          8297700
10 27             E32304350  27126_大阪府大阪市平野区~ F:製造業           458000
# ... with 877 more rows, and 3 more variables: 従業員数 <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>

都道府県マスタ

# A tibble: 47 x 2
   都道府県CODE 都道府県名
   <chr>        <chr>     
 1 01           北海道    
 2 02           青森県    
 3 03           岩手県    
 4 04           宮城県    
 5 05           秋田県    
 6 06           山形県    
 7 07           福島県    
 8 08           茨城県    
 9 09           栃木県    
10 10           群馬県    
# ... with 37 more rows

3.3.2 都道府県マスタの読み込み

  • まずは都道府県マスタを読み込みます
  • 0落ちしないようにカラム型を文字列と指定します
ken_mst <- read_csv(here("input/都道府県マスタ.csv"),
                    col_types = cols(
                      "都道府県CODE" = col_character(),
                      "都道府県名"   = col_character()),
                    locale=locale(encoding="shift-jis"))
ken_mst %>% glimpse()
Rows: 47
Columns: 2
$ 都道府県CODE <chr> "01", "02", "03", "04", "05", "06", "07", "08", "09", "1...
$ 都道府県名   <chr> "北海道", "青森県", "岩手県", "宮城県", "秋田県", "山形県", "福島県", "茨城県", "...

3.3.3 data_2にken_mstを結合（失敗）

data_2 %>% left_join(ken_mst, by = "都道府県コード")
Error: Join columns must be present in data.
x Problem with `都道府県コード`.
  • 都道府県コードをキーにしましたが、都道府県マスタにあるカラムは都道府県CODEとなっているためerrorが出てしまいました
  • このような場合、次の2通りの対処方法があります
    • どちらかのデータのカラム名を変更して、キーにするカラム名を統一する
    • データごとにキーにするカラムを指定する

先にカラム名を変更する対処法を説明して、次にデータごとにキーにするカラムを指定する対処法を説明します。

3.3.4 renameでカラム名の変更

  • mutateと同様にして記述し、カラム名の変更ができます
d %>% rename("新カラム名" = 旧カラム名)
# 元の模擬データ
d <- tibble(
  col_1 = 1:2,
  `(col_2)` = 3:4)
d
# A tibble: 2 x 2
  col_1 `(col_2)`
  <int>     <int>
1     1         3
2     2         4
# カラム名を変更
d <- d %>% rename(
  "Col1" = col_1, 
  "Col2" = `(col_2)`)
d
# A tibble: 2 x 2
   Col1  Col2
  <int> <int>
1     1     3
2     2     4

3.3.5 data_2にken_mstをジョイン（成功）

  • 都道府県マスタの「都道府県CODE」カラムを「都道府県コード」に変更してからleft_joinを行います
data_3 <- data_2 %>% 
  left_join( # 関数の引数内でもパイプを使えます
    ken_mst %>% rename("都道府県コード" = 都道府県CODE),
    by = "都道府県コード")
data_3 %>% glimpse()
Rows: 887
Columns: 9
$ 企業コード                   <chr> "J31299770", "E32002046", "D42585413", "J...
$ 本社所在地市区郡             <chr> "13103_東京都港区", "27123_大阪府大阪市淀川区", "13103_東京都...
$ 業種大分類                   <chr> "I:不動産業", "L:サービス業", "J:運輸・通信業", "L:サービス業...
$ `資本金(千円)`               <dbl> 931300, 1098300, 6120900, 15432800, 99049...
$ 従業員数                     <dbl> 64, 1120, 216, 31059, 314, 1167, 880, 15...
$ `最新期業績売上高(百万円)`   <dbl> 6555, 100, 31746, 334093, 69308, 54667, 107643,...
$ `最新期業績税引後利益(千円)` <dbl> 910536, 1775694, 408523, 2544502, 763986, 319544...
$ 都道府県コード               <chr> "13", "27", "13", "13", "14", "13", "23", "...
$ 都道府県名                   <chr> "東京都", "大阪府", "東京都", "東京都", "神奈川県", "東京都"...

3.3.6 不一致なカラム名をキーにする方法

  • 結論から書くと、以下のようにして書きます
data_3 <- data_2 %>% 
  left_join(ken_mst, by = c("都道府県コード"="都道府県CODE"))
  • byで指定しているキーの順番は引数の順番に対応します
  • つまり、「data_2は都道府県コード」、「ken_mstは都道府県CODE」をキーにするという指定を行っています
  • 結合後のキーカラムは“都道府県コード”のみが残ります
  • 結果は先ほどと同じなので省略します
  • data_2とken_mstをジョインしたものをdata_3とします

3.3.7 補足

  • キーを別々に指定する方法は著者自身も最初は知らず、helpファイルに以下の記述があったので知りました
# if the join variables have different names
band_members %>% 
  full_join(band_instruments2, by = c("name" = "artist"))
# Note that only the key from the LHS is kept
  • 不一致キーの問題はrenameでも対処できましたが、renameせずにjoinする方法がないかが気になりました
  • 関数を調べるときはまずhelpファイルを見ましょう
  • 導入編でも述べましたが、Rでは?left_join()のように、?を関数の前につけることでhelpファイルが見れます

3.4 ステップ９：文字列の結合

  • paste

3.4.1 作業内容

  • data_3に「都道府県」カラムを新設します
  • 都道府県カラムは、都道府県コードと都道府県名の間に「_」を入れた「01_北海道」のようなデータです
  • 文字列を結合する方法がわかればmutateでできます
  • したがって、まずは文字列の結合方法を説明します
# A tibble: 887 x 10
   都道府県 都道府県コード 都道府県名 企業コード 本社所在地市区郡 業種大分類
   <chr>    <chr>          <chr>      <chr>      <chr>            <chr>     
 1 13_東京都~ 13             東京都     J31299770  13103_東京都港区 I:不動産業
 2 27_大阪府~ 27             大阪府     E32002046  27123_大阪府大阪市淀川区~ L:サービス業~
 3 13_東京都~ 13             東京都     D42585413  13103_東京都港区 J:運輸・通信業~
 4 13_東京都~ 13             東京都     J39971897  13101_東京都千代田区~ L:サービス業~
 5 14_神奈川県~ 14             神奈川県   J93122775  14102_神奈川県横浜市神奈~ F:製造業  
 6 13_東京都~ 13             東京都     J34719839  13111_東京都大田区~ F:製造業  
 7 23_愛知県~ 23             愛知県     L12571447  23105_愛知県名古屋市中村~ G:卸売・小売業，~
 8 13_東京都~ 13             東京都     D42395106  13103_東京都港区 G:卸売・小売業，~
 9 13_東京都~ 13             東京都     J34594067  13103_東京都港区 E:建設業  
10 27_大阪府~ 27             大阪府     E32304350  27126_大阪府大阪市平野区~ F:製造業  
# ... with 877 more rows, and 4 more variables: `資本金(千円)` <dbl>,
#   従業員数 <dbl>, `最新期業績売上高(百万円)` <dbl>,
#   `最新期業績税引後利益(千円)` <dbl>

3.4.2 pasteで文字列の結合

  • 文字列を結合するにはpaste関数を使います
  • pasteの挙動は以下のようになります
paste("神奈川県", "横浜市", sep = "_")
[1] "神奈川県_横浜市"
KEN <- "神奈川県"
CITY <- "横浜市"
TOWN <- "緑区"
paste(KEN, CITY, TOWN, sep = "")
[1] "神奈川県横浜市緑区"

3.4.3 都道府県カラムの作成

  • 都道府県カラムは、都道府県コードと都道府県名の間に「_」を入れた「01_北海道」のようなデータです
  • 都道府県カラムを追加したデータをdata_4とします
data_4 <- data_3 %>% 
  mutate(都道府県 = paste(都道府県コード, 都道府県名,
                            sep = "_"))
data_4 %>% relocate(都道府県, 都道府県コード, 都道府県名) 
# A tibble: 887 x 10
   都道府県 都道府県コード 都道府県名 企業コード 本社所在地市区郡 業種大分類
   <chr>    <chr>          <chr>      <chr>      <chr>            <chr>     
 1 13_東京都~ 13             東京都     J31299770  13103_東京都港区 I:不動産業
 2 27_大阪府~ 27             大阪府     E32002046  27123_大阪府大阪市淀川区~ L:サービス業~
 3 13_東京都~ 13             東京都     D42585413  13103_東京都港区 J:運輸・通信業~
 4 13_東京都~ 13             東京都     J39971897  13101_東京都千代田区~ L:サービス業~
 5 14_神奈川県~ 14             神奈川県   J93122775  14102_神奈川県横浜市神奈~ F:製造業  
 6 13_東京都~ 13             東京都     J34719839  13111_東京都大田区~ F:製造業  
 7 23_愛知県~ 23             愛知県     L12571447  23105_愛知県名古屋市中村~ G:卸売・小売業，~
 8 13_東京都~ 13             東京都     D42395106  13103_東京都港区 G:卸売・小売業，~
 9 13_東京都~ 13             東京都     J34594067  13103_東京都港区 E:建設業  
10 27_大阪府~ 27             大阪府     E32304350  27126_大阪府大阪市平野区~ F:製造業  
# ... with 877 more rows, and 4 more variables: `資本金(千円)` <dbl>,
#   従業員数 <dbl>, `最新期業績売上高(百万円)` <dbl>,
#   `最新期業績税引後利益(千円)` <dbl>

3.4.4 参考：paste0

  • paste0関数を使うと、paste関数で引数をsep = ""とするのと同様の結果を得ることができます
paste0("神奈川県", "横浜市")
[1] "神奈川県横浜市"
KEN <- "神奈川県"
CITY <- "横浜市"
TOWN <- "緑区"
paste0(KEN, CITY, TOWN)
[1] "神奈川県横浜市緑区"

3.5 ステップ１０：指標の作成

  • mutate

3.5.1 作業内容

  • 指標として売上高利益率を算出します
  • 売上高利益率の計算は、(利益÷売上高)×100です
  • 利益と売上高の単位が揃っていないことに注意します
  • 利益率はround関数で少数点以下2桁にします
# A tibble: 887 x 11
   売上高利益率 `最新期業績税引後利益(千円)~ `最新期業績売上高(百万円)`~ 企業コード 本社所在地市区郡
          <dbl>            <dbl>            <dbl> <chr>      <chr>           
 1        13.9            910536             6555 J31299770  13103_東京都港区
 2      1776.            1775694              100 E32002046  27123_大阪府大阪市淀川区~
 3         1.29           408523            31746 D42585413  13103_東京都港区
 4         0.76          2544502           334093 J39971897  13101_東京都千代田区~
 5         1.1            763986            69308 J93122775  14102_神奈川県横浜市神奈~
 6        58.4          31954410            54667 J34719839  13111_東京都大田区~
 7         6.93          7455793           107643 L12571447  23105_愛知県名古屋市中村~
 8         2.11          1387429            65714 D42395106  13103_東京都港区
 9         3.39          2149032            63388 J34594067  13103_東京都港区
10         1.32           530833            40125 E32304350  27126_大阪府大阪市平野区~
# ... with 877 more rows, and 6 more variables: 業種大分類 <chr>,
#   `資本金(千円)` <dbl>, 従業員数 <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>, 都道府県 <chr>

3.5.2 売上高利益率カラムの作成

  • 売上高利益率カラムを追加したものをdata_5とします
data_5 <- data_4 %>% 
  mutate(売上高利益率 =
    `最新期業績税引後利益(千円)`/(`最新期業績売上高(百万円)`*1000)*100) %>% 
  mutate(売上高利益率 = round(売上高利益率, 2))
data_5 %>% relocate(売上高利益率, `最新期業績税引後利益(千円)`, `最新期業績売上高(百万円)`)
# A tibble: 887 x 11
   売上高利益率 `最新期業績税引後利益(千円)~ `最新期業績売上高(百万円)`~ 企業コード 本社所在地市区郡
          <dbl>            <dbl>            <dbl> <chr>      <chr>           
 1        13.9            910536             6555 J31299770  13103_東京都港区
 2      1776.            1775694              100 E32002046  27123_大阪府大阪市淀川区~
 3         1.29           408523            31746 D42585413  13103_東京都港区
 4         0.76          2544502           334093 J39971897  13101_東京都千代田区~
 5         1.1            763986            69308 J93122775  14102_神奈川県横浜市神奈~
 6        58.4          31954410            54667 J34719839  13111_東京都大田区~
 7         6.93          7455793           107643 L12571447  23105_愛知県名古屋市中村~
 8         2.11          1387429            65714 D42395106  13103_東京都港区
 9         3.39          2149032            63388 J34594067  13103_東京都港区
10         1.32           530833            40125 E32304350  27126_大阪府大阪市平野区~
# ... with 877 more rows, and 6 more variables: 業種大分類 <chr>,
#   `資本金(千円)` <dbl>, 従業員数 <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>, 都道府県 <chr>

3.6 ステップ１１：条件分岐処理

  • if_else
  • ifelse
  • case_when

3.6.1 作業内容

  • 従業員数に応じて以下の4つのカテゴリを付与します
従業員数の条件 カテゴリ
0 < 従業員数 ≦ 500 01_500人以下
500 < 従業員数 ≦ 1000 02_1000人以下
1000 ≦ 従業員数 03_1000人超
その他 99_不明
  • 以下のように従業員数レンジが追加できたらOKです
  • これは条件分岐処理を用いて作成することができます
# A tibble: 5 x 2
  従業員数 従業員数レンジ
     <dbl> <chr>         
1       64 01_500人以下  
2     1120 03_1000人超   
3      216 01_500人以下  
4    31059 03_1000人超   
5      314 01_500人以下

3.6.2 if_else, ifelse, case_when

  • 条件分岐処理を行う関数を3つ紹介します
    • if_else
    • ifelse
    • case_when
  • 上から順に処理速度が早いです
  • 分岐させる条件が多いときは、case_whenを使うと可読性が高くなります

はじめに簡単な数値例を用いて上記3つの関数の使い方を説明し、その後に従業員数レンジカラムの作成を行います。

3.6.3 if_else, ifelseの使用例

  • 引数名が異なるだけで、記法はほとんど同じです
  • しかし次頁で説明するように、仕様が少しだけ違います
# if_else と ifelse の 引数名
if_else(condition= , true= , false= )
ifelse(test= , yes= , no= )

if_else

tmp <- c(1, 2, 3)
if_else(tmp==2, "yes","no")
[1] "no"  "yes" "no"

ifelse

tmp <- c(1, 2, 3)
ifelse(tmp==2, "yes","no")
[1] "no"  "yes" "no"

3.6.4 if_elseはifelseより厳格

if_else(tmp==2, 2, "no")
Error: `false` must be a double vector, not a character vector.
ifelse(tmp==2, 2, "no")
[1] "no" "2"  "no"
  • if_elseは返り値が同じ型でなければerrorが発生します
    • コンピュータにとっては値の型が最初から決まっている方が楽なので、if_elseはifelseよりも処理が早くなります
  • ifelseは返り値が異なる型でも動きます
    • 結果を見ると、2が文字列に変換されています
    • errorやmessageは出ませんが、返り値の型が自動で変換されてしまうので注意が必要です

本資料ではif_elseを使うことを推奨します。

3.6.5 case_whenの使用例

case_when(
  条件式 ~ 返り値,
  条件式 ~ 返り値,
  条件式 ~ 返り値,
  ...
)
tmp <- c(1, 2, 3)
case_when(
  tmp == 1 ~ "one",
  tmp == 2 ~ "two",
  TRUE ~ as.character(NA)
  )
[1] "one" "two" NA
  • 上記のようにして条件式と返り値を複数記述できます
  • 上にある条件式から優先的に値が返ります
  • if_elseと同様に、返り値は同じ型にします
  • どの条件式にも引っかからない場合はNAが返ります
    • したがって、最後の条件は無条件にTRUEとすることがあります

3.6.6 従業員数レンジカラム作成(if_else)

  • if_elseの場合は、条件式に偽となった値にさらに条件分岐をかけることで、条件分岐の階層構造を作ります
data_5 %>%
  mutate(従業員数レンジ = 
    if_else(   0 <= 従業員数 & 従業員数 <= 500, "01_500人以下",
    if_else( 500 <= 従業員数 & 従業員数 <= 1000, "02_1000人以下",
    if_else(1000 <= 従業員数, "03_1000人超", "99_不明")))) %>% 
  relocate(従業員数レンジ, 従業員数)
# A tibble: 887 x 12
   従業員数レンジ 従業員数 企業コード 本社所在地市区郡 業種大分類
   <chr>             <dbl> <chr>      <chr>            <chr>     
 1 01_500人以下         64 J31299770  13103_東京都港区 I:不動産業
 2 03_1000人超        1120 E32002046  27123_大阪府大阪市淀川区~ L:サービス業~
 3 01_500人以下        216 D42585413  13103_東京都港区 J:運輸・通信業~
 4 03_1000人超       31059 J39971897  13101_東京都千代田区~ L:サービス業~
 5 01_500人以下        314 J93122775  14102_神奈川県横浜市神奈~ F:製造業  
 6 03_1000人超        1167 J34719839  13111_東京都大田区~ F:製造業  
 7 02_1000人以下       880 L12571447  23105_愛知県名古屋市中村~ G:卸売・小売業，~
 8 03_1000人超        1555 D42395106  13103_東京都港区 G:卸売・小売業，~
 9 01_500人以下        452 J34594067  13103_東京都港区 E:建設業  
10 02_1000人以下       801 E32304350  27126_大阪府大阪市平野区~ F:製造業  
# ... with 877 more rows, and 7 more variables: `資本金(千円)` <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 都道府県 <chr>,
#   売上高利益率 <dbl>

3.6.7 従業員数レンジカラム作成(case_when)

  • 今回のように複数分岐の場合、case_whenが便利です
  • 結果は先ほどと同じなので省略します
  • 従業員数レンジを追加したデータをdata_6とします
data_6 <- data_5 %>% 
  mutate(従業員数レンジ = case_when(
       0 <= 従業員数 & 従業員数 <= 500  ~ "01_500人以下",
     500 <= 従業員数 & 従業員数 <= 1000 ~ "02_1000人以下",
    1000 <= 従業員数                   ~ "03_1000人超",
    TRUE                            ~ "99_不明"
    )
  )

3.6.8 参考：条件式

記号 意味
== イコール
!= ノットイコール
< 未満
> 超過
>= 以上
<= 以下
関数 判定
is.na() NA
is.null() NULL
is.nan() NaN
is.infinite() Inf
is.integer() 整数
is.double() 少数
記号 意味
! not
& and
| or
%in% in

例）%in%はとても便利なので覚えましょう。

# %in%の後ろのベクトルに値が含まれていたらTRUE
c("滋賀", "彦根") %in% c("日本", "滋賀", "米原")
[1]  TRUE FALSE

3.7 ステップ１２：ソート

  • arrange

3.7.1 作業内容

  • データをソートをします
    • はじめに都道府県で昇順ソートをし、
    • つぎに都道府県内での従業員数レンジで昇順ソートをし、
    • さいごに上記のうちから売上高利益率で降順ソートします
# A tibble: 887 x 12
   都道府県 従業員数レンジ 売上高利益率 企業コード 本社所在地市区郡 業種大分類
   <chr>    <chr>                 <dbl> <chr>      <chr>            <chr>     
 1 01_北海道~ 01_500人以下          3.41  G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~
 2 01_北海道~ 01_500人以下          0.49  G92515950  01105_北海道札幌市豊平区~ F:製造業  
 3 01_北海道~ 02_1000人以下         5.05  G22109363  01203_北海道小樽市~ J:運輸・通信業~
 4 01_北海道~ 02_1000人以下         3.18  G92543356  01101_北海道札幌市中央区~ E:建設業  
 5 01_北海道~ 02_1000人以下         0.570 G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~
 6 02_青森県~ 01_500人以下          0.96  H02154711  02202_青森県弘前市~ G:卸売・小売業，~
 7 02_青森県~ 02_1000人以下         0.45  H92112963  02203_青森県八戸市~ G:卸売・小売業，~
 8 04_宮城県~ 01_500人以下          3.77  H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~
 9 04_宮城県~ 01_500人以下          0.86  H42053936  04104_宮城県仙台市太白区~ G:卸売・小売業，~
10 04_宮城県~ 02_1000人以下         9.45  H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~
# ... with 877 more rows, and 6 more variables: `資本金(千円)` <dbl>,
#   従業員数 <dbl>, `最新期業績売上高(百万円)` <dbl>,
#   `最新期業績税引後利益(千円)` <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>

3.7.2 arrangeでソート

  • ソートしたいカラムをarrangeの引数に指定します
  • デフォルトは昇順で、desc関数で降順になります
data_6 %>% # 昇順
  arrange(都道府県) %>%
  relocate(都道府県)
# A tibble: 887 x 12
   都道府県 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
   <chr>    <chr>      <chr>            <chr>               <dbl>    <dbl>
 1 01_北海道~ G22109363  01203_北海道小樽市~ J:運輸・通信業~        1590700      807
 2 01_北海道~ G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~        1748600      606
 3 01_北海道~ G92515950  01105_北海道札幌市豊平区~ F:製造業           399000      435
 4 01_北海道~ G92543356  01101_北海道札幌市中央区~ E:建設業           252800      903
 5 01_北海道~ G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~        9316300      455
 6 02_青森県~ H02154711  02202_青森県弘前市~ G:卸売・小売業，~        1247000      288
 7 02_青森県~ H92112963  02203_青森県八戸市~ G:卸売・小売業，~        4006200      571
 8 04_宮城県~ H42150036  04101_宮城県仙台市青葉区~ K:電気・ガス・水~      418451700     5308
 9 04_宮城県~ H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~        1065600      892
10 04_宮城県~ H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~              1      303
# ... with 877 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 売上高利益率 <dbl>,
#   従業員数レンジ <chr>
data_6 %>% # 降順
  arrange(desc(都道府県))%>%
  relocate(都道府県)
# A tibble: 887 x 12
   都道府県 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
   <chr>    <chr>      <chr>            <chr>               <dbl>    <dbl>
 1 47_沖縄県~ J42113831  47208_沖縄県浦添市~ K:電気・ガス・水~       11473100     1823
 2 46_鹿児島県~ C72124439  46201_鹿児島県鹿児島市~ F:製造業           307700      551
 3 45_宮崎県~ C32118312  45202_宮崎県都城市~ G:卸売・小売業，~        1362500      300
 4 43_熊本県~ C82153425  43105_熊本県熊本市北区~ F:製造業          3261100     1649
 5 40_福岡県~ C42110360  40132_福岡県福岡市博多区~ L:サービス業~        2198900      194
 6 40_福岡県~ C42151200  40133_福岡県福岡市中央区~ E:建設業          2535100      211
 7 40_福岡県~ C92114080  40106_福岡県北九州市小倉~ G:卸売・小売業，~        8148900      457
 8 40_福岡県~ C92180151  40109_福岡県北九州市八幡~ F:製造業         26955300     2463
 9 40_福岡県~ C92532200  40109_福岡県北九州市八幡~ L:サービス業~          95400      538
10 40_福岡県~ C42151408  40134_福岡県福岡市南区~ E:建設業          2698300    11268
# ... with 877 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 売上高利益率 <dbl>,
#   従業員数レンジ <chr>

3.7.3 複数カラムでソート

  • 都道府県で昇順ソートし、都道府県内で売上高利益率を降順ソートする場合は以下のように書きます
data_6 %>% arrange(都道府県, desc(売上高利益率))

ソート前

# A tibble: 887 x 12
   都道府県 売上高利益率 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)`
   <chr>           <dbl> <chr>      <chr>            <chr>               <dbl>
 1 13_東京都~        13.9  J31299770  13103_東京都港区 I:不動産業         931300
 2 27_大阪府~      1776.   E32002046  27123_大阪府大阪市淀川区~ L:サービス業~        1098300
 3 13_東京都~         1.29 D42585413  13103_東京都港区 J:運輸・通信業~        6120900
 4 13_東京都~         0.76 J39971897  13101_東京都千代田区~ L:サービス業~       15432800
 5 14_神奈川県~         1.1  J93122775  14102_神奈川県横浜市神奈~ F:製造業          9904900
 6 13_東京都~        58.4  J34719839  13111_東京都大田区~ F:製造業         27761400
 7 23_愛知県~         6.93 L12571447  23105_愛知県名古屋市中村~ G:卸売・小売業，~         131800
 8 13_東京都~         2.11 D42395106  13103_東京都港区 G:卸売・小売業，~        1523000
 9 13_東京都~         3.39 J34594067  13103_東京都港区 E:建設業          8297700
10 27_大阪府~         1.32 E32304350  27126_大阪府大阪市平野区~ F:製造業           458000
# ... with 877 more rows, and 6 more variables: 従業員数 <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 従業員数レンジ <chr>

ソート後

# A tibble: 887 x 12
   都道府県 売上高利益率 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)`
   <chr>           <dbl> <chr>      <chr>            <chr>               <dbl>
 1 01_北海道~        5.05  G22109363  01203_北海道小樽市~ J:運輸・通信業~        1590700
 2 01_北海道~        3.41  G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~        9316300
 3 01_北海道~        3.18  G92543356  01101_北海道札幌市中央区~ E:建設業           252800
 4 01_北海道~        0.570 G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~        1748600
 5 01_北海道~        0.49  G92515950  01105_北海道札幌市豊平区~ F:製造業           399000
 6 02_青森県~        0.96  H02154711  02202_青森県弘前市~ G:卸売・小売業，~        1247000
 7 02_青森県~        0.45  H92112963  02203_青森県八戸市~ G:卸売・小売業，~        4006200
 8 04_宮城県~        9.45  H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~        1065600
 9 04_宮城県~        4.93  H42150249  04102_宮城県仙台市宮城野~ E:建設業         14733200
10 04_宮城県~        4.45  H42150036  04101_宮城県仙台市青葉区~ K:電気・ガス・水~      418451700
# ... with 877 more rows, and 6 more variables: 従業員数 <dbl>,
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 従業員数レンジ <chr>
  • では3つの組み合わせでソートしましょう
    • 都道府県で昇順、従業員数レンジで昇順、売上高利益率で降順の順番で組み合わせてソートします
  • ソートしたデータをdata_7とします
data_7 <- data_6 %>%
  arrange(都道府県, 従業員数レンジ, desc(売上高利益率))
data_7 %>% relocate(都道府県, 従業員数レンジ, 売上高利益率)
# A tibble: 887 x 12
   都道府県 従業員数レンジ 売上高利益率 企業コード 本社所在地市区郡 業種大分類
   <chr>    <chr>                 <dbl> <chr>      <chr>            <chr>     
 1 01_北海道~ 01_500人以下          3.41  G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~
 2 01_北海道~ 01_500人以下          0.49  G92515950  01105_北海道札幌市豊平区~ F:製造業  
 3 01_北海道~ 02_1000人以下         5.05  G22109363  01203_北海道小樽市~ J:運輸・通信業~
 4 01_北海道~ 02_1000人以下         3.18  G92543356  01101_北海道札幌市中央区~ E:建設業  
 5 01_北海道~ 02_1000人以下         0.570 G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~
 6 02_青森県~ 01_500人以下          0.96  H02154711  02202_青森県弘前市~ G:卸売・小売業，~
 7 02_青森県~ 02_1000人以下         0.45  H92112963  02203_青森県八戸市~ G:卸売・小売業，~
 8 04_宮城県~ 01_500人以下          3.77  H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~
 9 04_宮城県~ 01_500人以下          0.86  H42053936  04104_宮城県仙台市太白区~ G:卸売・小売業，~
10 04_宮城県~ 02_1000人以下         9.45  H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~
# ... with 877 more rows, and 6 more variables: `資本金(千円)` <dbl>,
#   従業員数 <dbl>, `最新期業績売上高(百万円)` <dbl>,
#   `最新期業績税引後利益(千円)` <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>

3.8 ステップ１３：グループ集計

  • group_by
  • summarise

3.8.1 作業内容

  • group_byとsummariseでの集計方法を習得します
data_7 %>% 
  group_by(都道府県, 従業員数レンジ) %>% 
  summarise(count = n(),         sum = sum(従業員数),
            mean = mean(従業員数), max = max(従業員数))
# A tibble: 83 x 6
# Groups:   都道府県 [38]
   都道府県  従業員数レンジ count   sum  mean   max
   <chr>     <chr>          <int> <dbl> <dbl> <dbl>
 1 01_北海道 01_500人以下       2   890  445    455
 2 01_北海道 02_1000人以下      3  2316  772    903
 3 02_青森県 01_500人以下       1   288  288    288
 4 02_青森県 02_1000人以下      1   571  571    571
 5 04_宮城県 01_500人以下       2   471  236.   303
 6 04_宮城県 02_1000人以下      1   892  892    892
 7 04_宮城県 03_1000人超        2 10454 5227   5308
 8 07_福島県 01_500人以下       1   192  192    192
 9 08_茨城県 02_1000人以下      1   525  525    525
10 08_茨城県 03_1000人超        2  4315 2158.  2463
# ... with 73 more rows

3.8.2 group_byとsummariseでの集計方法

  • ここでは都道府県ごとにグループ化して、都道府県ごとの従業員数の平均値を算出します
  • group_byの引数にグループ化する変数を与えます
  • summariseはmutateと同様に書き、集計値を算出します
data_7 %>% 
  group_by(都道府県) %>%
  summarise(
   従業員数平均=mean(従業員数)
    )
# A tibble: 38 x 2
   都道府県  従業員数平均
 * <chr>            <dbl>
 1 01_北海道         641.
 2 02_青森県         430.
 3 04_宮城県        2363.
 4 07_福島県         192 
 5 08_茨城県        1613.
 6 09_栃木県         178 
 7 10_群馬県        1118.
 8 11_埼玉県         928.
 9 12_千葉県         873.
10 13_東京都        1545.
# ... with 28 more rows

3.8.3 複数カラムでグループ集計

  • group_byの引数にカラム名を複数与えることで、複数グループでの集計ができるようになります
# 都道府県かつ従業員数レンジごとに従業員数平均を算出
data_7 %>% 
  group_by(都道府県, 従業員数レンジ) %>% 
  summarise(従業員数平均 = mean(従業員数))
# A tibble: 83 x 3
# Groups:   都道府県 [38]
   都道府県  従業員数レンジ 従業員数平均
   <chr>     <chr>                 <dbl>
 1 01_北海道 01_500人以下           445 
 2 01_北海道 02_1000人以下          772 
 3 02_青森県 01_500人以下           288 
 4 02_青森県 02_1000人以下          571 
 5 04_宮城県 01_500人以下           236.
 6 04_宮城県 02_1000人以下          892 
 7 04_宮城県 03_1000人超           5227 
 8 07_福島県 01_500人以下           192 
 9 08_茨城県 02_1000人以下          525 
10 08_茨城県 03_1000人超           2158.
# ... with 73 more rows

3.8.4 参考１：mutateとの違い

  • mutateでは既存のtibbleに対してグループ集計値が格納されるので、同じ値が複数行に入ります
data_7 %>% group_by(都道府県, 従業員数レンジ) %>% 
  mutate(従業員数平均 = mean(従業員数)) %>% 
  relocate(都道府県, 従業員数レンジ, 従業員数平均, 従業員数)
# A tibble: 887 x 13
# Groups:   都道府県, 従業員数レンジ [83]
   都道府県 従業員数レンジ 従業員数平均 従業員数 企業コード 本社所在地市区郡
   <chr>    <chr>                 <dbl>    <dbl> <chr>      <chr>           
 1 01_北海道~ 01_500人以下           445       455 G92668203  01104_北海道札幌市白石区~
 2 01_北海道~ 01_500人以下           445       435 G92515950  01105_北海道札幌市豊平区~
 3 01_北海道~ 02_1000人以下          772       807 G22109363  01203_北海道小樽市~
 4 01_北海道~ 02_1000人以下          772       903 G92543356  01101_北海道札幌市中央区~
 5 01_北海道~ 02_1000人以下          772       606 G92412006  01101_北海道札幌市中央区~
 6 02_青森県~ 01_500人以下           288       288 H02154711  02202_青森県弘前市~
 7 02_青森県~ 02_1000人以下          571       571 H92112963  02203_青森県八戸市~
 8 04_宮城県~ 01_500人以下           236.      303 H42536370  04102_宮城県仙台市宮城野~
 9 04_宮城県~ 01_500人以下           236.      168 H42053936  04104_宮城県仙台市太白区~
10 04_宮城県~ 02_1000人以下          892       892 H42127369  04102_宮城県仙台市宮城野~
# ... with 877 more rows, and 7 more variables: 業種大分類 <chr>,
#   `資本金(千円)` <dbl>, `最新期業績売上高(百万円)` <dbl>,
#   `最新期業績税引後利益(千円)` <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>, 売上高利益率 <dbl>

3.8.5 参考２：グループごとのレコード数を集計

  • summariseでn()を用いてレコード数を集計できます
  • n()はsummariseの中で使える特殊な関数です
data_7 %>% group_by(都道府県) %>% summarise(count = n())
# A tibble: 887 x 12
   都道府県 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
   <chr>    <chr>      <chr>            <chr>               <dbl>    <dbl>
 1 01_北海道~ G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~        9316300      455
 2 01_北海道~ G92515950  01105_北海道札幌市豊平区~ F:製造業           399000      435
 3 01_北海道~ G22109363  01203_北海道小樽市~ J:運輸・通信業~        1590700      807
 4 01_北海道~ G92543356  01101_北海道札幌市中央区~ E:建設業           252800      903
 5 01_北海道~ G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~        1748600      606
 6 02_青森県~ H02154711  02202_青森県弘前市~ G:卸売・小売業，~        1247000      288
 7 02_青森県~ H92112963  02203_青森県八戸市~ G:卸売・小売業，~        4006200      571
 8 04_宮城県~ H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~              1      303
 9 04_宮城県~ H42053936  04104_宮城県仙台市太白区~ G:卸売・小売業，~        1966400      168
10 04_宮城県~ H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~        1065600      892
# ... with 877 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 売上高利益率 <dbl>,
#   従業員数レンジ <chr>
# A tibble: 38 x 2
   都道府県  count
 * <chr>     <int>
 1 01_北海道     5
 2 02_青森県     2
 3 04_宮城県     5
 4 07_福島県     1
 5 08_茨城県     3
 6 09_栃木県     1
 7 10_群馬県     5
 8 11_埼玉県    15
 9 12_千葉県    15
10 13_東京都   466
# ... with 28 more rows
  • 別の方法として、group_byしたデータをcount()しても同様な結果を得ることができます
data_7 %>% group_by(都道府県) %>% count()
# A tibble: 887 x 12
   都道府県 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
   <chr>    <chr>      <chr>            <chr>               <dbl>    <dbl>
 1 01_北海道~ G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~        9316300      455
 2 01_北海道~ G92515950  01105_北海道札幌市豊平区~ F:製造業           399000      435
 3 01_北海道~ G22109363  01203_北海道小樽市~ J:運輸・通信業~        1590700      807
 4 01_北海道~ G92543356  01101_北海道札幌市中央区~ E:建設業           252800      903
 5 01_北海道~ G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~        1748600      606
 6 02_青森県~ H02154711  02202_青森県弘前市~ G:卸売・小売業，~        1247000      288
 7 02_青森県~ H92112963  02203_青森県八戸市~ G:卸売・小売業，~        4006200      571
 8 04_宮城県~ H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~              1      303
 9 04_宮城県~ H42053936  04104_宮城県仙台市太白区~ G:卸売・小売業，~        1966400      168
10 04_宮城県~ H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~        1065600      892
# ... with 877 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 売上高利益率 <dbl>,
#   従業員数レンジ <chr>
# A tibble: 38 x 2
# Groups:   都道府県 [38]
   都道府県      n
   <chr>     <int>
 1 01_北海道     5
 2 02_青森県     2
 3 04_宮城県     5
 4 07_福島県     1
 5 08_茨城県     3
 6 09_栃木県     1
 7 10_群馬県     5
 8 11_埼玉県    15
 9 12_千葉県    15
10 13_東京都   466
# ... with 28 more rows

3.8.6 参考３：ピボットテーブル

データの横持ち変換（中級編で説明）を行えば、ピボットテーブル形式にもできます

data_7 %>% group_by(都道府県, 従業員数レンジ) %>% 
  summarise(従業員数平均 = mean(従業員数)) %>%
  pivot_wider(names_from = "従業員数レンジ", 
              values_from = "従業員数平均", values_fill=0)
# A tibble: 38 x 4
# Groups:   都道府県 [38]
   都道府県  `01_500人以下` `02_1000人以下` `03_1000人超`
   <chr>              <dbl>           <dbl>         <dbl>
 1 01_北海道           445             772             0 
 2 02_青森県           288             571             0 
 3 04_宮城県           236.            892          5227 
 4 07_福島県           192               0             0 
 5 08_茨城県             0             525          2158.
 6 09_栃木県           178               0             0 
 7 10_群馬県           192.              0          4822 
 8 11_埼玉県           211.            672.         3029.
 9 12_千葉県           225.            733          2959.
10 13_東京都           221.            723.         3592.
# ... with 28 more rows

3.9 ステップ１４：条件抽出

  • filter

3.9.1 作業内容

  • 特定の条件を満たすレコードをデータから抽出します
  • たとえば、売上高利益率がマイナスの企業は、filterを使って以下のようにして抽出できます
data_7 %>% filter(売上高利益率<0) %>% relocate(売上高利益率)
# A tibble: 887 x 12
   売上高利益率 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
          <dbl> <chr>      <chr>            <chr>               <dbl>    <dbl>
 1        3.41  G92668203  01104_北海道札幌市白石区~ G:卸売・小売業，~        9316300      455
 2        0.49  G92515950  01105_北海道札幌市豊平区~ F:製造業           399000      435
 3        5.05  G22109363  01203_北海道小樽市~ J:運輸・通信業~        1590700      807
 4        3.18  G92543356  01101_北海道札幌市中央区~ E:建設業           252800      903
 5        0.570 G92412006  01101_北海道札幌市中央区~ G:卸売・小売業，~        1748600      606
 6        0.96  H02154711  02202_青森県弘前市~ G:卸売・小売業，~        1247000      288
 7        0.45  H92112963  02203_青森県八戸市~ G:卸売・小売業，~        4006200      571
 8        3.77  H42536370  04102_宮城県仙台市宮城野~ G:卸売・小売業，~              1      303
 9        0.86  H42053936  04104_宮城県仙台市太白区~ G:卸売・小売業，~        1966400      168
10        9.45  H42127369  04102_宮城県仙台市宮城野~ G:卸売・小売業，~        1065600      892
# ... with 877 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 都道府県 <chr>,
#   従業員数レンジ <chr>
# A tibble: 53 x 12
   売上高利益率 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
          <dbl> <chr>      <chr>            <chr>               <dbl>    <dbl>
 1        -3.44 H72516758  07203_福島県郡山市~ F:製造業          6134400      192
 2        -1.15 D82130703  11102_埼玉県さいたま市北~ G:卸売・小売業，~              1      206
 3       -14.0  B92598280  11221_埼玉県草加市~ G:卸売・小売業，~        2334500       29
 4        -1.48 D22802868  12106_千葉県千葉市美浜区~ G:卸売・小売業，~        1619500       83
 5        -8.31 J34983560  12204_千葉県船橋市~ F:製造業          1413700      143
 6        -5.26 D22716170  12106_千葉県千葉市美浜区~ G:卸売・小売業，~         146800      720
 7        -0.08 J33168656  13109_東京都品川区~ J:運輸・通信業~         263200       16
 8        -0.1  J39262517  13101_東京都千代田区~ G:卸売・小売業，~        1859600      139
 9        -0.13 J31728828  13116_東京都豊島区~ G:卸売・小売業，~         528500      408
10        -0.27 J33707893  13116_東京都豊島区~ F:製造業          1281800      498
# ... with 43 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県名 <chr>, 都道府県 <chr>,
#   従業員数レンジ <chr>

3.9.2 filterで条件抽出

  • filterの引数に条件式を与えることで、条件式に真であるレコードのみを抽出することができます（条件式link）
data_7 %>% filter(都道府県名=="大阪府") %>% relocate(都道府県名)
# A tibble: 123 x 12
   都道府県名 企業コード 本社所在地市区郡 業種大分類 `資本金(千円)` 従業員数
   <chr>      <chr>      <chr>            <chr>               <dbl>    <dbl>
 1 大阪府     E32510267  27106_大阪府大阪市西区~ E:建設業          4497700      167
 2 大阪府     E32119566  27227_大阪府東大阪市~ F:製造業          4827300      274
 3 大阪府     E32012305  27128_大阪府大阪市中央区~ F:製造業          7518400      347
 4 大阪府     E32427103  27127_大阪府大阪市北区~ F:製造業          2410500      388
 5 大阪府     E32995244  27113_大阪府大阪市西淀川~ F:製造業          1371100      332
 6 大阪府     E32656531  27128_大阪府大阪市中央区~ F:製造業          3426900      217
 7 大阪府     E12576662  27123_大阪府大阪市淀川区~ L:サービス業~         935400      391
 8 大阪府     E38927358  27128_大阪府大阪市中央区~ I:不動産業        3098700      140
 9 大阪府     E62112080  27128_大阪府大阪市中央区~ F:製造業          3295700      378
10 大阪府     E38334059  27106_大阪府大阪市西区~ G:卸売・小売業，~         335700       74
# ... with 113 more rows, and 6 more variables:
#   `最新期業績売上高(百万円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県 <chr>, 売上高利益率 <dbl>,
#   従業員数レンジ <chr>

3.9.3 複数条件で抽出

  • 少し複雑な条件であったり、複数の条件を組み合わせたレコード抽出でもfilterで対処できます
  • たとえば、次のような条件に合致する企業のレコードを抽出する手順を順に追ってみましょう
    • 売上高利益率が10%以上、または売上高が1兆円以上
    • 東京、または大阪の企業である
    • 従業員数が50人未満である
  • 売上高利益率が10%以上、または売上高が1兆円以上の企業のレコードを抽出します（「または」は「|」）
data_7 %>% 
  filter(売上高利益率>=10 | `最新期業績売上高(百万円)`>10**6) %>% 
  relocate(売上高利益率, `最新期業績売上高(百万円)`)
# A tibble: 239 x 12
   売上高利益率 `最新期業績売上高(百万円)`~ 企業コード 本社所在地市区郡 業種大分類
          <dbl>            <dbl> <chr>      <chr>            <chr>     
 1         10.1            13524 D82183414  11105_埼玉県さいたま市中~ F:製造業  
 2         41.6            21267 D82325861  11107_埼玉県さいたま市浦~ G:卸売・小売業，~
 3         17.4            37081 D82402989  11211_埼玉県本庄市~ I:不動産業
 4         10.3            34488 J34003761  11206_埼玉県行田市~ F:製造業  
 5         15.8             3415 D22182297  12213_千葉県東金市~ J:運輸・通信業~
 6         14.8            10957 D22153185  12224_千葉県鎌ケ谷市~ J:運輸・通信業~
 7         21.0            23109 D22165655  12217_千葉県柏市 L:サービス業~
 8       3890.               100 J34860668  13101_東京都千代田区~ F:製造業  
 9        301.             12830 J33209601  13116_東京都豊島区~ L:サービス業~
10        230.              4960 J34732870  13109_東京都品川区~ I:不動産業
# ... with 229 more rows, and 7 more variables: `資本金(千円)` <dbl>,
#   従業員数 <dbl>, `最新期業績税引後利益(千円)` <dbl>, 都道府県コード <chr>,
#   都道府県名 <chr>, 都道府県 <chr>, 従業員数レンジ <chr>
  • 先ほどの条件に加えて、東京or大阪の企業であるという条件を追加します（%in% ~で、~に含まれてればTRUE）
data_7 %>% 
  filter(売上高利益率>=10 | `最新期業績売上高(百万円)`>10**6,
         都道府県名 %in% c("東京都", "大阪府")) %>% 
  relocate(売上高利益率, `最新期業績売上高(百万円)`, 都道府県名)
# A tibble: 165 x 12
   売上高利益率 `最新期業績売上高(百万円)`~ 都道府県名 企業コード 本社所在地市区郡
          <dbl>            <dbl> <chr>      <chr>      <chr>           
 1       3890.               100 東京都     J34860668  13101_東京都千代田区~
 2        301.             12830 東京都     J33209601  13116_東京都豊島区~
 3        230.              4960 東京都     J34732870  13109_東京都品川区~
 4        123.              1115 東京都     J36311119  13101_東京都千代田区~
 5         81.2             5905 東京都     J34353008  13103_東京都港区
 6         72.2            15374 東京都     J33418285  13101_東京都千代田区~
 7         54.3             1116 東京都     J31963141  13104_東京都新宿区~
 8         42.4             8029 東京都     J31486759  13101_東京都千代田区~
 9         36.8             3316 東京都     J36322142  13113_東京都渋谷区~
10         36.0            29345 東京都     J33003842  13101_東京都千代田区~
# ... with 155 more rows, and 7 more variables: 業種大分類 <chr>,
#   `資本金(千円)` <dbl>, 従業員数 <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県 <chr>, 従業員数レンジ <chr>
  • 先ほどの条件に加えて、従業員数が50人未満の企業であるという条件を追加します
data_7 %>% 
  filter(売上高利益率>=10 | `最新期業績売上高(百万円)`>10**6,
         都道府県名 %in% c("東京都", "大阪府")) %>% 
  filter(従業員数 < 50) %>% 
  relocate(売上高利益率, `最新期業績売上高(百万円)`, 都道府県名, 従業員数)
# A tibble: 10 x 12
   売上高利益率 `最新期業績売上高(百万円)`~ 都道府県名 従業員数 企業コード
          <dbl>            <dbl> <chr>         <dbl> <chr>     
 1        230.              4960 東京都           35 J34732870 
 2         81.2             5905 東京都           33 J34353008 
 3         54.3             1116 東京都           22 J31963141 
 4         26.9           151194 東京都           24 J34020161 
 5         24.0            36479 東京都           48 J34014761 
 6         17.2            10673 東京都           39 J22144564 
 7         14.6            10133 東京都           16 J34338556 
 8         11.3            22639 東京都           11 J30572230 
 9         11              17870 東京都           43 J34500137 
10         12.6            24151 大阪府            1 E38259980 
# ... with 7 more variables: 本社所在地市区郡 <chr>, 業種大分類 <chr>,
#   `資本金(千円)` <dbl>, `最新期業績税引後利益(千円)` <dbl>,
#   都道府県コード <chr>, 都道府県 <chr>, 従業員数レンジ <chr>

3.10 ステップ１５：ファイル出力

  • write_csv

3.10.1 作業内容

  • 作成したデータをcsv形式で出力し保存します
  • データを保存する前にデータの見栄えを整えましょう
  • 見栄えを整えるために次の2つの作業を行います
    • 不要な変数の消去
    • カラムの並び替え
  • 見栄えを整えたらcsvで保存します

3.10.2 不要な変数の消去

  • 処理の過程で発生した不要な変数を消去します
  • 消去する変数は、“本社所在地市区郡”, “都道府県コード”, “都道府県名”の3つです
  • 初級編前半で説明したように、selectでー変数名とすることで変数消去できます
  • 不要な変数を消去したデータをdata_8とします
data_8 <- data_7 %>% 
  select(-"本社所在地市区郡", -"都道府県コード", -"都道府県名") 
data_8 %>% colnames()
[1] "企業コード"                 "業種大分類"                
[3] "資本金(千円)"               "従業員数"                  
[5] "最新期業績売上高(百万円)"   "最新期業績税引後利益(千円)"
[7] "都道府県"                   "売上高利益率"              
[9] "従業員数レンジ"

3.10.3 カラムの並び替え

  • 並び変えたい順番でカラム名をselectすることで、カラムを並び変えることができます（ここで不要カラムをselectしなければ、変数消去は不要な作業になります）
  • カラムを並び替えたデータをdata_9とします
data_9 <- data_8 %>%
  select("企業コード", "都道府県", "従業員数",
         "業種大分類","最新期業績売上高(百万円)",
         "最新期業績税引後利益(千円)", "売上高利益率", 
         "従業員数レンジ")
data_9 %>% colnames()
[1] "企業コード"                 "都道府県"                  
[3] "従業員数"                   "業種大分類"                
[5] "最新期業績売上高(百万円)"   "最新期業績税引後利益(千円)"
[7] "売上高利益率"               "従業員数レンジ"

3.10.4 write_csvでcsvファイルの出力

  • データの見栄えを整え終わったら、write_csvを使ってcsvファイルを出力します
  • 出力先は、outputフォルダとします
  • 第一引数にデータ、第二引数にpathを指定します
    • pathの末端がファイル名となります
    • 拡張子を付けるのを忘れないようにしましょう
    • 出力先フォルダが存在しないとエラーになります
  • encodingはUTF-8になります（現状は変更不可）
data_9 %>%
  write_csv(here("output/研磨後最終ファイル.csv"))

3.10.5 参考：ファイル出力のencoding

  • readrパッケージのwrite_csv関数では、encodingは“UTF-8”でしか出力することができません
  • 理由としては恐らく、HTML5などのマークアップ言語との兼ね合いで“UTF-8”が推奨されているからです
  • それでも、“shift-jis”など“UTF-8”以外での出力が求められることもあります
  • 以上の理由から、参考として“UTF-8”以外での出力方法も紹介します
  • base関数のwrite.csv関数を使用することで、“UTF-8”以外でのファイル出力ができます
  • 引数row.namesを必ずFALSEにするようにしましょう
    • tibbleではrow namesは使用されません
    • デフォルトではTRUEになっています
  • 引数fileEncodingで、encodingを指定します
data_9 %>%
  write.csv(here("output/研磨後最終ファイル.csv"), 
            row.names = FALSE,
            fileEncoding = "shift-jis")

おわり

これで初級編は終了です。お疲れさまでした。