data.frame を ggplot2 用に加工する

背景

ggplot2でデータを図示するとき，data.frame()の形にしておくことが必須！
でも，巷に存在するデータは必ずしも適したdata.frame()の形になっていない．
このような統計データが巷には多く存在する．横軸に時間，縦軸にカテゴリである．

> sdata <- read.csv("reshape_data.csv",header=T)
> sdata
   X            X2003        X2004          X2005          X2006          X2007          X2008
1 A 0.639303353 0.1606200 0.49761181 0.05821738 0.28906559 0.86778986
2 B 0.151501818 0.9834539 0.73344139 0.89570543 0.40995754 0.02346937
3 C 0.003360582 0.8289247 0.84555681 0.88112286 0.03419304 0.59529404
4 D 0.923997222 0.5709377 0.01070927 0.34586471 0.95764872 0.89591526

目的

ggplot2に適した形にするには，時間列を作り，そこに時間値を書き込みたいわけだ．
つまり，こんな感じ

   name  time                    X id
1       A 2003 0.639303353  1
2       B 2003 0.151501818  2
3       C 2003 0.003360582  3
4       D 2003 0.923997222  4
1       A 2004 0.160620002  1
2       B 2004 0.983453932  2
3       C 2004 0.828924747  3
4       D 2004 0.570937680  4
1       A 2005 0.497611813  1
2       B 2005 0.733441391  2
3       C 2005 0.845556813  3

できる限り簡単に，ggplot2に適したdata.frame()の形にしたい．

手段

reshape()を利用する。（追記にmelt.data.frameを利用した簡単な方法があります。推奨。）

実験

まず，時系列を表す列名を「キー.数字」または「キー.文字列」のようにキーで表す．たとえば，

> sname <- c("X.2003","X.2004","X.2005","X.2006","X.2007","X.2008")

のように時間で表したい文字列を作成しておく．
次に，データの列名を変更．

> names(sdata) <- c("name",sname)
> sdata
  name      X.2003    X.2004     X.2005     X.2006     X.2007     X.2008
1    A 0.639303353 0.1606200 0.49761181 0.05821738 0.28906559 0.86778986
2    B 0.151501818 0.9834539 0.73344139 0.89570543 0.40995754 0.02346937
3    C 0.003360582 0.8289247 0.84555681 0.88112286 0.03419304 0.59529404
4    D 0.923997222 0.5709377 0.01070927 0.34586471 0.95764872 0.89591526

これで準備はできた．あとはreshape()するだけ．

> sdata <- reshape(sdata, direction="long", varying=sname)
> sdata
       name time           X id
1.2003    A 2003 0.639303353  1
2.2003    B 2003 0.151501818  2
3.2003    C 2003 0.003360582  3
4.2003    D 2003 0.923997222  4
1.2004    A 2004 0.160620002  1
2.2004    B 2004 0.983453932  2
3.2004    C 2004 0.828924747  3
4.2004    D 2004 0.570937680  4
1.2005    A 2005 0.497611813  1

完成！列名timeに時間が入っている．ただidという列が付加されちゃうのはなぜ？？

結論

reshape()することで，横長のデータ（横軸に時系列）を縦長のデータ（時間を列に収納したもの）に簡単に変更可能．
ただ，もとの列名にidという名前を入れるとエラーになるようです．

参考文献

生態学データ解析 - reshape(data.frame)
Re:Re:forとapplyの速度比較 - もうカツ丼でいいよな

追記

もっと簡単な方法があった．melt.data.frame()を利用する方法．

> sdata <- read.csv("reshape_data.csv",header=T)
> sdata
   X            X2003        X2004          X2005          X2006          X2007          X2008
1 A 0.639303353 0.1606200 0.49761181 0.05821738 0.28906559 0.86778986
2 B 0.151501818 0.9834539 0.73344139 0.89570543 0.40995754 0.02346937
3 C 0.003360582 0.8289247 0.84555681 0.88112286 0.03419304 0.59529404
4 D 0.923997222 0.5709377 0.01070927 0.34586471 0.95764872 0.89591526

に対して

> sdata <- melt.data.frame(sdata,id.vars="X",variable_name="year")
> sdata
   X  year       value
1  A X2003 0.639303353
2  B X2003 0.151501818
3  C X2003 0.003360582
4  D X2003 0.923997222
5  A X2004 0.160620002
6  B X2004 0.983453932
7  C X2004 0.828924747
8  D X2004 0.570937680
9  A X2005 0.497611813
10 B X2005 0.733441391
11 C X2005 0.845556813
12 D X2005 0.010709274
13 A X2006 0.058217382
14 B X2006 0.895705435
15 C X2006 0.881122858
16 D X2006 0.345864708
17 A X2007 0.289065585
18 B X2007 0.409957539
19 C X2007 0.034193039
20 D X2007 0.957648725
21 A X2008 0.867789855
22 B X2008 0.023469369
23 C X2008 0.595294041
24 D X2008 0.895915255

一行で書けた．

統計データをggplot2で可視化するときの色

背景

統計的にデータを扱う場合，データの種類は大きく分けて次の3つ．

• 順次的（sequential）
• 定性的（qualitative）
• 発散的（diverging）

これらを可視化するとき，色分けすると便利．ただし，色使いには注意が必要

目的

ggplot2で可視化するとき，データの種類によって色を使い分ける方法を模索

方法

ggplot2で色を分けて可視化するときの手段として

1. ggplot2のscale_gradient, scale_gradient2, scale_gradientn を利用
2. RパッケージのRColorBrewerを利用
3. 自分で定義

の3つが考えられる．
ここで問題．適切な色とは何か？
W. S. Cleveland の The Elements of Graphing Data によれば，CMYKをベースに考えて次のパタンがオススメらしい

順次的データ

cyan から magenta への濃淡で表す

定性的データ

cyan，magenta，green，orange，light blue の5色で表す

さて，cyanやmagentaの色一覧は次の通り

(c,m,y,k)	#rrggbb	色名
(1,0,0,0)	#00a0e9	cyan
(0,1,0,0)	#e4007f	magenta
(1,0,1,0)	#009944	green
(0,0.5,1,0)	#f39800	orange
(1,0.5,0,0)	#0068b7	light blue

これらを利用して，ggplot2で色を分けてみる．

実験

まずは色の定義

cCyan <- "#00a0e9"
cMagenta <- "#e4007f"
cGreen <- "#009944"
cOrange <- "#f39800"
cLightBlue <- "#0068b7"
qcolours <- c(cCyan,cMagenta,cGreen,cOrange,cLightBlue)

順次的データ

data=mtcarsを利用する．まずはそのままプロット（背景は白に設定）．

p <- ggplot(mtcars, aes(mpg, wt)) 
p <- p + geom_point(aes(colour=cyl),size=3)
p <- p + theme_bw(24)
p

次に，Clevelandの色設定を適用

p + scale_colour_gradient(low=cCyan,high=cMagenta)

見やすくなったかな．
また他の方法として，奥村先生の色設定を適用する

p + scale_colour_gradient(low=cLightBlue,high=cOrange)

となり，さらに見やすくなった．
個人的には，奥村先生の方法が最も良い．

定性的データ

data=diamondsを小さくしたdsmallを利用する．まずはそのままプロット．

dsmall <- diamonds[sample(nrow(diamonds), 100), ] 
p <- ggplot(dsmall, aes(carat, price))
p <- p + geom_point(aes(colour=cut),size=3)
p <- p + theme_bw(24)
p

これにClevelandの方法を適用する

p + scale_colour_manual(aes(cut), value = qcolours)

メリハリが明確で良い感じ．

結論

Clevelandの方法のように色分けを工夫することで，可視化データの情報がよりハッキリと見て取れる！

参考文献

• 奥村先生のページ | 統計グラフの色
• Triad sou.さんのページ | ggplot2 の自分用メモ集を作ろう
• ggplot2 | ggplot2