1. 課題を見つける／仮説を立てる

2. 実験や観察をしてデータを集める

3. データを整理する

4. データを解析して仮説を検証する

• 実はデータを使える形にするのが最も重要！！
  
• 最近総務省も「統計表における機械判読可能なデータの表記方法の統一ルール」を策定
  
• データ入力に関する、全国民が見るべき資料と話題に

出発点となるデータはさまざま

• 実験ノート、フィールドノート、データベース、エクスポート

Rで自分で作ったデータファイルを読む

• “使える形”のcsvファイルとは？
• （読み込み方は後で教えます）

作図や解析に使えるデータ形式はほぼ決まっている

• 行と列の数が一致
• 最初の一行が列名
• 列名を指定すれば好きなグラフが書ける！

整然（tidy）データ

雑然（messy）データ

• １列は１つの変数
• １行は１つの観測
• １セルは１つの値

参考：整然データとは何か 　　：翻訳：整然データ

人が見やすい形ではなく機械が判別しやすい形に

• 1セル1データ
• 異なる型（文字、数字）は混ぜない
• 行列の規則性を保つ

• 間違いやすいところを総務省ルールをもとに確認していきます

• 仕入れ額と出荷額のセルに複数のデータが入力されている。
• こういう場合は、年度ごとに列・行を分け、各セルにデータを分離して入力する。

• これも売上金額と費用総額が１つのセルに入力されている。
• 費用／売上を計算したいときなどに困るよね

• 「円」、「▲(マイナス表記)」、「，(カンマ)」が文字列として入力されているため、数値計算ができない

• 数値データに、空白が含まれると、エラーとなる。
• また、昇順・降順等の並べ替えも正確にできない。

• セルが結合(又は分離)されており、機械判読に適していない。
• 1件のデータは、横1行で表記し、セルの結合又は不必要な分離を行わないこと。

• スペースや改行等で体裁を整えると、検索性が低下する。

• スペース（本来の情報とは無関係な情報）を挿入することで体裁を整えている。
• 機械は「A」と「□A」は違う意味だと判断する

• 項目の体裁を整えるため改行が使用されているが、その改行に意味があるのか機械は判別が出来ない。

• ヒトであれば省略されている部分の意味を判断できるが、機械は判断ができない。

• 機種依存文字は利用環境によっては正しく表示されない。
• 英語で開発されたソフトウェアは、日本語だとエラーが出る可能性も。
• データもなるべく英語で作ろう！

• データの分断は機械判読に支障をきたす。

• 1シートに複数の表が掲載されている。これでは解析できない。
• 1つの表を1シートに分割して収録すること。

そういえばペンギンデータも整然だったね

library(palmerpenguins)               #読み込みはRを起動するたびに必要
head(penguins)

## # A tibble: 6 × 8
##   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
##   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
## 1 Adelie  Torgersen           39.1          18.7               181        3750
## 2 Adelie  Torgersen           39.5          17.4               186        3800
## 3 Adelie  Torgersen           40.3          18                 195        3250
## 4 Adelie  Torgersen           NA            NA                  NA          NA
## 5 Adelie  Torgersen           36.7          19.3               193        3450
## 6 Adelie  Torgersen           39.3          20.6               190        3650
## # ℹ 2 more variables: sex <fct>, year <int>

• 整然データであること！(太字は必須／細字は推奨)

• 保存形式：CSVかExcel

  • Excel → 別名で保存 → ﾌｫｰﾏｯﾄ：CSV(コンマ区切り)(.csv)

• 値について

  • アンダーバー以外の記号を使わない（+-/など）
  • スペースを入れない（入れるならアンダーバー）
  • アルファベットか数字で（日本語は非推奨）
  • 値がない場合はNAと入力（空欄は非推奨）

• 列名について

  • 列名は１行だけ。２行以上を列名にはできない
  • 列名の先頭は数字にしない（数字にすると’’がつけられる）

データ読み込みに便利なreadr

• tidyverseパッケージ群のひとつ
• 読み込みが高速
• 安全なtibbleで読み込める
  
• どうしてもエクセルで読みたかったらreadxl

文法（１）ファイルを読み込む

• read_csv(file =【ファイル名を文字列で】)
  • ファイル名は文字列なので”“で囲む
    • 拡張子（.csv）は省略しない
    • csv形式のみ
    • 日本語が入力されているcsvを読み込むときは
      • read_csv(“file.csv”, locale = readr::locale(encoding = “CP932”))
  • ファイルは作業フォルダに入れておくこと！
  • 【任意の名前】 = read_csv()で データフレームに格納
  • read.csv（Rのデフォルト関数）とは別
    • read.csvよりもread_csvでの読み込みを推奨

［練習問題］

library(tidyverse)               #読み込みはRを起動するたびに必要
data = read_csv("test.csv")
head(data)

## # A tibble: 5 × 5
##   plant_id march_2021 april_2021 may_2021 june_2021
##      <dbl>      <dbl>      <dbl>    <dbl>     <dbl>
## 1        1         25         60       42        83
## 2        2          4         10       30        21
## 3        3         81         92       NA        52
## 4        4         13         NA       15        12
## 5        5         94         23        4         0

• readrで読んだデータはデータフレームの値の型が表示される！

文法（２）ファイルを書き出す

• write_csv(【データフレームの名前】, file =【ファイル名】)
  • ファイル名は文字列なので”“で囲む
    • 拡張子（.csv）は省略しない
    • csv形式のみ
  • ファイルは作業フォルダに保存される
  • 日本語が含まれたcsvファイルの場合は…
    • read_csv(“file.csv”, locale = readr::locale(encoding = “CP932”))

write_csv(data, file = "test2.csv")

• 作業フォルダを見るとtest2.csvがあるはず

データが取れたよ！

• よく考えてデータファイルを作ろう
  • とにかく規則的な形, 値にしておくこと
  • 整然データを意識して
  • csv形式で保存
• （他人のデータだったらtidyrなどで整えよう）

どう読み込むんだっけ

• read_csv()で読み込めるよ

→Step6：統計解析をしよう

→自由課題に向けて