講義（山本裕樹）

この文書は読取専用です。文書のソースを閲覧することは可能ですが、変更はできません。もし変更したい場合は管理者に連絡してください。
====== 【社会情報処理】第2回 データの取得 ======

政府統計の総合窓口(e-Stat)のデータを利用する。

https://www.e-stat.go.jp/

> 政府統計の総合窓口(e-Stat)は、各府省が公表する統計データを一つにまとめ、統計データを検索したり、地図上に表示できるなどの、たくさんの便利な機能を備えた政府統計のポータルサイトです。
> 政府統計名が不明の場合でも、「分野」や「組織」等から絞り込むことで統計データを探すことができます。




===== e-Statからデータのダウンロード =====

e-Stat から**<fc #ff0000>山形県の市町村</fc>**における**<fc #ff0000>指標データ</fc>**を取得する。

----
==== 地域選択 ====
まずは地域を選択する。

  - Web ブラウザで [[https://www.e-stat.go.jp/|e-Stat]] にアクセスする。
  - 「●統計データを活用する」の [地域] をクリックする。
  - **<fc #ff0000>[市区町村データ]</fc>** を選択し、[データ表示] をクリックする。
  - 「絞り込み」の「地域区分」で **<fc #ff0000>[山形県]</fc>** を選択する。
  - 「地域候補」の[全て選択>] をクリックする。
  - [確定] をクリックする。

----
==== 指標データの選択 ====
次にどのような指標データをダウンロードするか項目を選択する。

  * [[https://www.e-stat.go.jp/help/cities/items-select10|分野・分類から項目を選択]]

  - 「データ種別」の **<fc #ff0000>[指標データ]</fc>** をクリックする。
  - 「分野」から分野を選択する。
  - 「項目候補」から項目を選択する。複数の項目を同時に選択する場合は、[Ctrl] キーを押しながらクリックしていけばよい。
  - [項目を選択] をクリックする。
  - 欲しい項目を選択し終わるまで手順 2,3,4 を繰り返す。
  - 選び終わったら [確定] をクリックする。

ここでは以下の項目を選択することにする。
  * #A 人口・世帯
    * #A0411001_未婚者割合（15歳以上人口）【％】 
    * #A05101_人口増減率【％】 
    * #A05301_転入超過率（日本人移動者）【％】
    * #A06202_核家族世帯割合【％】
  * #D 行政基盤
    * #D02206_課税対象所得（納税義務者１人当たり）【千円】 
  * #F 労働
    * #F01201_第1次産業就業者比率【％】
    * #F01202_第2次産業就業者比率【％】
    * #F01203_第3次産業就業者比率【％】
    * #F01301_完全失業率【％】

[確定] をクリックすると表にデータが表示される。

----
==== CSV ファイルのダウンロード ====

最後に選択した項目のデータを CSV ファイルとしてダウンロードする。

  - 右上の [ダウンロード] をクリックする。
  - ダイアログが開くので以下のように選択する。{{ socialip_2021:e-stat_download.png?nolink |表のダウンロード}}\\ ※これらの項目は2021年7月1日現在のもの\\ ※うまく表示されないときは [F5] ボタンでリロード（再読込）する。
    * ファイル形式：[CSV形式]
    * ヘッダの出力：[出力しない]
    * コードの出力：[出力しない]
    * 階層コードの出力：[出力しない]
    * 凡例の出力：[出力しない]
    * [注釈を表示する] のチェックを外す
    * [桁区切り（,）を使用しない]
    * 特殊文字の選択：[NAに置き換える]
  - [ダウンロード] をクリックする。
  - ファイルを保存する。

大学の情報環境では、おそらく ''~/Download'' か ''~/Desktop'' に保存される。

===== 小テスト =====
[[KMS>|Moodle Server（非公式）]]で第2回の小テストを受験しなさい。

===== RStudioサーバにアップロード =====
ダウンロードしたファイルは手元の端末（クライアント）にあるので、それを RStudio サーバにアップロードしなければ RStudio で読み込めない。

サーバにアップロードする手順は以下の通りである。

  - 右下のペインを [Files] タブにする。
  - [Upload] をクリックする。
  - [参照] をクリックしてアップロードしたいファイルを選ぶ。

===== CSVファイルの読み込み =====

RStudio で読み込める CSV ファイルの文字コードはデフォルトでは UTF-8 である。
一方、e-Stat からダウンロードした CSV ファイルは文字コードが Shift-JIS なので、読み込むには少し設定が必要である。

----
==== 手動で読み込み ====

  - 右下のペインを [Files] タブにする。
  - 読み込みたいファイルをクリックし、[Import Dataset] を選択する。「不正なマルチバイト文字があります」というエラーが出るが気にせず [OK] をクリックする。
  - Import Text Data のダイアログが表示される。
    * Name に「df」と入力する。
    * Locale で [Configure] をクリックし、Encoding で [SHIFT-JIS] を選んで [Configure] をクリックする。
  - [Import] をクリックすると読み込まれる。

これで df という名前のデータフレームにデータが読み込まれる。
もし異なるデータフレーム名にしたければ、Name で入力する文字を変更すればよい。

----
==== 関数で読み込み ====

''read_csv()'' を使う。
パッケージ readr が必要である。

<code rsplus>
> library(readr)
> df <- read_csv("ファイル名", locale = locale(encoding = "SHIFT-JIS"))
</code>
これで df という名前のデータフレームに読み込まれる。


===== データフレームの操作 =====

手動、もしくは ''read_csv()'' で読み込まれたデータは、データフレームの一種である tibble 型として読み込まれる。

----

==== データ構造 ====

データフレームのデータ構造を表示する。

<code rsplus>
> str(df)
</code>

RStudio では右上のペインの [Environment] タブで、データフレーム名の頭についている ○ のアイコンをクリックしてもよい。

----

==== 列の参照 ====

各列はラベルを使って参照できる。

<code rsplus>
> df$ラベル
</code>

ラベルに空白などの特殊な文字が入っている場合は「''`''」で囲む必要があるかもしれない。

<code rsplus>
> df$`ラベル`
</code>

ラベルは長いと入力するのが面倒だが、RStudio では「''$''」まで入力するとラベルの候補を自動的に表示してくれるので、そこから選択すればよい。

列番号で参照することもできる。
<code rsplus>
> df[, 列番号]  # tibble型になる
> df[[列番号]]  # ベクトルになる
</code>

----
==== 列の削除 ====

不要な列はラベルを指定して削除できる。
<code rsplus>
> df$ラベル <- NULL
</code>

例えば、「/項目」という列は不要なので以下のようにして削除する。

<code rsplus>
> df$`/項目` <- NULL
</code>

----

==== 列の置換 ====

「調査年」の列には "年度" がついているのでこれを削除する。

<code rsplus>
> df$調査年 <- sapply(df$調査年, gsub, pattern = "年度", replacement = "")
</code>

''sapply()'' はリストの全要素に関数を適用するための関数である。
ここでは、「調査年」の列の全要素に ''gsub()'' という関数を引数 ''pattern="年度"'', ''replacement = ""'' で適用している。

''gsub()'' は pattern でマッチした文字列を replacement で置き換える関数である。
pattern には正規表現が使用できる。

また、「調査年」の列は "年度" を削除しても character 型（文字列）のままなので、''as.numeric()'' で numeric 型（実数）に変換する。

<code rsplus>
df$調査年 <- as.numeric(df$調査年)
</code>

----

==== ソート ====

「調査年」の小さい順に並べ替える。

<code rsplus>
> df <- df[order(df$調査年),]
</code>

----
==== 行の抽出 ====

「地域」が ''"山形県 酒田市"'' の行のみを抽出して変数 sakatashi に代入するには以下のようにする。
最後の「'',''」を忘れないようにする。

<code rsplus>
> sakatashi <- df[df$地域 == "山形県 酒田市",]
</code>

sakatashi では「地域」の列は不要なので削除する。

<code rsplus>
> sakatashi$地域 <- NULL
</code>
===== グラフ =====

データフレームからグラフを描くには ''plot()'' が手っ取り早い。

<code rsplus>
> plot(データフレーム)
</code>

データフレームが全て数値ならば、各列を $x$ と $y$ で組み合わせた散布図を描いてくれる。

個別のデータでグラフを描くには以下のようにする。
<code rsplus>
> plot(x, y)
</code>
x に $x$ 軸のデータ、y に $y$ 軸のデータを与える。

主なオプションとして以下のものがある。
^  オプション  ^  機能                                                          ^
| xlab         | $x$ 軸のラベル                                                 |
| ylab         | $y$ 軸のラベル                                                 |
| xlim         | $x$ 軸の範囲 ''c(下限, 上限)''                                 |
| ylim         | $y$ 軸の範囲 ''c(下限, 上限)''                                 |
| type         | プロットの種類\\ ''"p"'' は点、''"l"'' は折れ線、''"b"'' は点と折れ線  |
| title        | タイトル                                                       |

例えば、酒田市の「課税対象所得（納税義務者１人当たり）【千円】」の推移をグラフで表示するには以下のようにする。
<code rsplus>
> plot(sakatashi$調査年, sakatashi$`#D02206_課税対象所得（納税義務者１人当たり）【千円】`, type = "b")
</code>
ちゃんとしたラベルをつけるには xlab, ylab で指定する。
次のコマンドは長いので2行に分けているが、2行目の「''+''」は改行時に自動的につく記号なので実際は入力しない。
<code rsplus>
> plot(sakatashi$調査年, sakatashi$`#D02206_課税対象所得（納税義務者１人当たり）【千円】`,
+ xlab = "年度", ylab = "課税対象所得（納税義務者１人当たり）【千円】", type = "b")
</code>

もし、データに ''NA''（欠損値）がある場合は、折れ線ではプロットできない。
その場合は、データから ''NA'' が入っている行を削除する必要がある。

例えば、酒田市の「人口増減率【％】」の推移を折れ線でプロットしたい場合は以下のようにする。
<code rsplus>
> sakatashi2 <- na.omit(sakatashi[,c("調査年", "#A05101_人口増減率【％】")])
> plot(sakatashi2$調査年, sakatashi2$`#A05101_人口増減率【％】`,
+ xlab = "年度", ylab = "人口増減率【％】", type = "b")
</code>
''sakatashi[,c("調査年", "#A05101_人口増減率【％】")]'' で sakatashi から「調査年」と「#A05101_人口増減率【％】」の列だけを抽出している。

''na.omit()'' は ''NA'' が含まれる行を削除する関数である。

===== 課題 =====
[[KMS>|Moodle Server（非公式）]] で第2回の課題を行いなさい。

締め切り：2021年7月1日（木）20時

----
==== 解答例 ====

CSV ファイル名は yamagata.csv にしている。

<file rsplus readcsv.R[enable_line_numbers="true"]>
library(readr)

df <- read_csv("yamagata.csv", locale = locale(encoding = "SHIFT-JIS"))

df$`/項目` <- NULL
df$調査年 <- as.numeric(sapply(df$調査年, gsub, pattern="年度", replacement = ""))
df <- df[order(df$調査年),]

sakatashi <- df[df$地域 == "山形県 酒田市",]
sakatashi$地域 <- NULL

sakatashi2 <- na.omit(sakatashi[,c("調査年", "#A05101_人口増減率【％】")])
plot(sakatashi2$調査年, sakatashi2$`#A05101_人口増減率【％】`,
     xlab = "年度", ylab = "人口増減率【％】", type = "b")
</file>