Rでデータフレームからデータを抽出(検索) - Qiita
都道府県 国語A 国語B 算数A 算数B 北海道 71.8 52.9 75.8 55.2 青森県 76.6 60.5 81.3 60.8 岩手県 73.7 58.3 78.9 58.7 宮城県 74.2 54.3 77.3 56.8 秋田県 77.4 67.3 85.1 66.2 山形県 74.3 56.7 77.8 57.7 福島県 73.3 57.0 78.7 57.8 茨城県 76.9 57.4 79.7 58.6 栃木県 71.9 54.5 77.7 56.8 群馬県 73.6 55.5 78.0 57.8 埼玉県 72.5 55.5 76.9 57.8 千葉県 75.8 55.5 78.2 58.8 東京都 75.5 57.2 79.4 61.2 というCSVファイルを読み込んで、answer というオブジェクトにセットされているとき。 (一番上の 都道府県 国語A 国語B 算数
R-Source
作業ディレクトリの変更 ファイルからデータやプログラムを読み込んだり，ファイルにデータを書き出したりする場所を作業ディレクトリという．起動時はホームディレクトリ( R の実行ファイルがある場所)が作業ディレクトリとなっているが，以下のような命令を与えると，これ以後，指定したディレクトリに指定した作業ディレクトリにデータがセーブされたり，R 用エディタなどが保存されるようになる 関数 dir() で作業ディレクトリ内のファイルが表示される． Windows では \ を指定しては駄目．例えば，setwd("c:\usr") とするとエラーが出る．setwd("c:/usr") とするか setwd("c:\\usr") こと． Windows の場合，メニューの [ファイル] から [ディレクトリの変更...] を選択してから，ディレクトリを変更することが出来る．
Shiny
Here is a Shiny app Shiny apps are easy to write. Let users interact with your data and your analysis, all with R or Python: R Python library(shiny) library(bslib) library(dplyr) library(ggplot2) library(ggExtra) penguins_csv <- "https://raw.githubusercontent.com/jcheng5/simplepenguins.R/main/penguins.csv" df <- readr::read_csv(penguins_csv) # Find subset of columns that are suitable for scatter p
ggplotで散布図を作る geom_point()の使い方 | Memo on the Web
Rでggplotを使って散布図を作りたい時に活用されるのが, geom_point()という関数です. ここでは, いくつかの例を元に, その使い方を解説していきます. geom_point()のaes()内で扱える引数 x y alpha colour fill shape size geom_point()の使い方の流れ ggplotを使うのが初めての方は, 良かったら｢ggplotの使い方｣を参考にしてください. このページでは, ggplotの関数の中でも, 特にgeom_point()関数の使い方の流れを説明していくつもりです. では, まず一番シンプルな散布図を作成してみます. 使用するデータセットはirisです. > library(ggplot2) > str(iris) 'data.frame': 150 obs. of 5 variables: $ Sepal.Leng
Welcome | R for Data Science
This is the website for the first edition of “R for Data Science”, published January 2017. This book is now out-of-date and instead we recommend the 2nd edition at http://r4ds.hadley.nz/ which was published in June 2023. R4DS teaches you how to do data science with R: You’ll learn how to get your data into R, get it into the most useful structure, transform it, visualise it and model it. In this b
Rで解析：WHO公開のデータを取得！「WHO」パッケージ
WHO(世界保健機関)が公開しているデータをAPIを利用して取得するパッケージです。参考までに2008年のBMI30以上の男性データを取得し、世界地図にプロットする例を紹介します。 なお、世界地図へのプロットは「rworldmap」パッケージを利用しています。 パッケージバージョンは0.1。実行コマンドはR version 3.2.2で確認しています。 パッケージのインストール下記、コマンドを実行してください。 #パッケージのインストール install.packages("WHO")実行コマンド詳細はコメント、パッケージのヘルプを確認してください。 #パッケージの読み込み library("WHO") #利用できるデータの情報を取得:get_codesコマンド SummaryCodes <- get_codes() #CSVでデータを作業フォルダに出力 write.csv(Summary
Rでグラフクラスタリング - Qiita
Rでネットワーク解析をする(Introduction) ネットワーク解析のツール Pythonのライブラリにnetworkxというものがあります。 すごいですよ。 ネットワーク解析用で、ダイクストラアルゴリズムなどが実装されています。 グラフの描画では、きれいに描画できるものにGephiがあります。 今回は、Rのライブラリigraphを使って解析をしたいと思います。 初期設定 クラスタリングなどのネットワーク解析をRでするために、以下のライブラリを使用します。 クラスタリングは、分野によってはコミュニティ検出ともいわれているようです。 > sessionInfo() # Rのバージョン情報です ## R version 3.0.2 (2013-09-25) ## Platform: i386-w64-mingw32/i386 (32-bit) ## ## locale: ## [1] LC
はてなブックマーク記事のレコメンドシステムを作成 PythonによるはてなAPIの活用とRによるモデルベースレコメンド - データ分析がしたい
私は情報収集にはてなブックマークを多用しており、暇な時は結構な割合ではてなブックマークで記事を探してます。しかし、はてなブックマークは最新の記事を探すのは便利ですが、過去の記事を探すにはいまいち使えません。個人的には多少過去の記事でも自分が興味を持っている分野に関しては、レコメンドして欲しいと感じてます。 ありがたいことにはてなはAPIを公開しており、はてなブックマークの情報を比較的簡単に取得できます。そこでこのAPIを利用して自分に合った記事を見つけるようなレコメンド機能をRとPythonで作成してみたいと思います。 利用するデータは、はてなAPIを使って収集します。具体的には、はてなブックマークフィードを利用して自分のブックマークしているURLを取得し、そのURLをブックマークしているユーザをエントリー情報取得APIを用いて抽出し、そのユーザのブックマークしているURLを収集します。こ
Rでネットワークマップ。 - EuphoriaMourning
2012年8月24日加筆 高価なソフトを使わずにMacで英文のテキストマイニングをするには，以下のようにRが有効です。ですが，Rで英文の品詞を解析し，下のような共起語のリストを作るのは，実は少々やっかいです。Mac App Storeで，英文を品詞解析し，頻出語のリストや共起語のリストを作るソフトがリリースされました。 iText Analyzer このiText Analyzerを使って，wordやテキスト形式のファイルからクリック1つで共起語のリストを作ることができるようになりました。あとは，以下のようにRを使ってグラフ化してやれば，簡単なテキストマイニングの完成です。 - - - 加筆ここまで 質問を受けたので，ここで書いておきます。昨日の記事に載っけた，Rを使ったネットワークグラフの書き方。 まず，Excelでcsv形式の共起語の頻度が並んだデータを用意。以下のようなもの。ファイル
ggplotのfacet_grid(), facet_wrap()の使い方 | Memo on the Web
Rでggplotを使ってグラフを作るときに, 比較したい対象が増えてくることがあると思います. 例えば, 散布図や棒グラフで, x, y軸に指定した値以外の要素で比較するときなどです. そんな時には, facet_gridや, facet_wrapを使うことで実現できます. facet_grid()の使い方 ggplotを使うのが初めての方は, 良かったら｢ggplotの使い方｣を参考にしてください. このページでは, ggplotの関数の中でも, 特にfacet_grid()関数の使い方の流れを説明していくつもりです. 今回使用するデータセットはdiamondsです. このデータセットは, ggplot2のパッケージに入っているものなので, ggplot2のパッケージを読み込んだあとから使えるようになります. では, まずは散布図を作ってみます. x軸はcarat, y軸はpriceを指
[R] 散布図行列 （corrplot, pairs, GGally）
データが与えられた時にはまず可視化をします。そのデータがどのような仕組み（メカニズム）で作られてそうなったかを考えるために必須のプロセスです。しかしながら、どんな可視化がベストかははじめの段階では分からず、とにかくプロットしまくることになります。そのとっかかりに僕がよく使うのが散布図行列（scatter matrix，scatter plot matrix）です。 今回は3つほど紹介します。 ●1. {corrplot}パッケージの corrplot()関数 5行目で相関係数行列を作ってそれを渡しておしまいです。相関係数行列の作り方は各自の自由です。上記ではSpearmanの順位相関係数を使っていますがMICとかでもいいと思います。 このcorrplotのデメリットとしましては散布図は表示できない点です。散布図行列と言っておきながらすみません。説明変数が100個以上あるときなどは散布図を描
![[R] 散布図行列 （corrplot, pairs, GGally）](https://cdn-ak-scissors.b.st-hatena.com/image/square/544ad8f52d5de7a03d0d9639628d7c68838b5dfc/height=288;version=1;width=512/http%3A%2F%2Fblog-imgs-67-origin.fc2.com%2Fh%2Fe%2Fa%2Fheartruptcy%2F201404_ggpairs2s.png)
統計を学びたい人へ贈る、統計解析に使えるデータセットまとめ - ほくそ笑む
はじめに 統計解析の手法を学ぶのに、教科書を読むのは素晴らしい学習方法です。 しかし、教科書で理論的なことを学んだだけでは、統計手法を使いこなせるようにはなりません。 統計解析手法を身につけるには、実際のデータについて手法を適用し、パラメータを変えるなどの試行錯誤を行い、結果を考察するというような経験を積むことが大切です。 それでは実際のデータをどうやって手に入れましょうか？ 実験や調査をして実際のデータを得るのは大変でお金もかかります。 幸運なことに、世の中には適度なサイズの自由に使えるデータがたくさん存在します。 例えば、統計言語 R には、100以上ものデータセットがデフォルトで付属しています。 ただし、不幸なことに、それらのほとんどは英語で説明が書かれています。 英語は、いつかは乗り越えなければならない壁ですが、最初のうちはちょっと避けて通りたいところです。 というわけで、今日は、
dplyrを使いこなす！基礎編 - Qiita
はじめに 4月ということで、新卒が入ってきたりRを使ったことないメンバーがJOINしたりしたので、 超便利なdplyrの使い方を何回かに分けてまとめて行きます。 Rは知らないけど、SQLとか他のプログラミング言語はある程度やったことあるみたいな人向けです。 dplyrを使いこなす！シリーズ 基礎編以外も書きましたので、↓からどうぞ。 * dplyrを使いこなす！Window関数編 * dplyrを使いこなす！JOIN編 dplyrとは データフレームの操作に特化したパッケージです。 Rは基本的に処理速度はあまり早くないですが、dplyrはC++で書かれているのでかなり高速に動作します。 ソースの可読性もよくなるので、宗教上の理由で禁止されている人以外は使うメリットは大きいです。 処理可能なデータサイズの目安 あくまでも個人の環境に強く依存した感覚値ですが、1000万行、100MBぐらいのデ
MacにPython,Rのデータ分析環境を構築したのでメモ - c-bata web
はじめに 研究のためにデータ解析を勉強していかないといけないので、Macにデータ解析のための環境を構築。 前回、Homebrew、Python、virtualenvのインストール・設定しているので、その続きから。 (2014/11/13 追記) pyenv-virtualenvを導入しました pyenvを使うことでいちいちworkonしなくてもディレクトリに移動したら自動で環境が切り替わるらしい。pyenv-virtualenvを使うと仮想環境も指定できるようになる。 参考記事 yyuu/pyenv-virtualenv · GitHub Python - 食わず嫌いしてたpyenvを使ってみたら便利過ぎて腰を抜かした話 - Qiita Macでpyenv+virtualenv - Qiita Pyenvとvirtualenv pluginによるPython環境を構築する - blog.i
トピックモデルシリーズ 7 DTM （Dynamic Topic Model） の一種
最後はおまけでLDAに時系列を組み合わせた実装を試してみたので紹介します。 今まで「文書」と呼んできたものを「ユーザー」、「単語」と呼んできたものを「アクセスしたWebページ（≒アクション）」と考えます。ユーザーが1日目～31日目までV種類のWebページにアクセスしたデータがあるとします。そしてユーザーの興味のあるトピックの分布（トピック混合比）が時間によって変化すると考えます。ある人は興味が移りやすく、またある人は移りにくいでしょう。そんな状況をモデリングします。 この記事の表記は以下です。1人あたり1時刻あたり150アクションぐらいというデータです（記事の最後にデータを生成したRコードを載せてあります）。 グラフィカルモデルは以下になります。 トピックごとの単語分布に比べて個々人のトピック混合比の方が移り変わるスピードが速いと考えられますので、今回は単語分布はどのタイムポイントでも同じ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Amazon.co.jp: StanとRでベイズ統計モデリング (Wonderful R 2): 松浦健太郎 (著), 石田基広 (監修), 市川太祐 (編集), 高橋康介 (編集), 高柳慎一 (編集), 福島真太朗 (編集): 本
Amazon.co.jp: Rで楽しむ統計 (Wonderful R 1): 奥村晴彦 (著), 市川太祐 (編集), 高橋康介 (編集), 高柳慎一 (編集), 福島真太朗 (編集), 石田基広 (監修): 本
R : NA vs. NULL | R-bloggers
ディリクレ分布に関するメモ (6)
R と SQL を対応付けてみた 〜data.table 編〜 - あらびき日記
