R の dplyr: filter, select, mutate, summarize — 実践入門

dplyr とは何か

dplyr は R で最も人気のあるデータ操作パッケージであり、少数の 動詞（verbs） から成る「データの文法」です。各動詞はデータフレームを受け取り、ちょうど 1 つの仕事（行を絞る、列を追加する、グループの要約を計算する）を行い、新しいデータフレームを返す関数です。すべての動詞が同じ形 — データフレームが入り、データフレームが出る — をしているので、パイプで組み合わせると、レシピのように上から下へ読めるパイプラインになります。dplyr はこの設計を共有するパッケージ群（tidyr、ggplot2、readr）である tidyverse の中核です。

dplyr にできることは、base R にもできます。純粋な base R による小さな分析を見てみましょう — 組み込みの mtcars データを 4 気筒の車に絞り、新しい列を計算し、ギア数ごとに平均を取ります。これは実行できます。

cars4 <- mtcars[mtcars$cyl == 4, ]
cars4$kml <- cars4$mpg * 0.425   # miles/gallon -> km/liter

result <- aggregate(kml ~ gear, data = cars4, FUN = mean)
result$kml <- round(result$kml, 1)
print(result)

これは動きますし、良い R です。しかし、物語が括弧による添字付け、$ への代入、そして式（formula）にまたがって塗り広げられていることに注目してください。同じ分析の dplyr 版はこうなります。

library(dplyr)

mtcars |>
    filter(cyl == 4) |>
    mutate(kml = mpg * 0.425) |>
    group_by(gear) |>
    summarize(avg_kml = round(mean(kml), 1))

4 つの動詞が、口に出して説明するのと同じ順序で並んでいます。この読みやすさこそが売り文句のすべてであり、20 段階のパイプラインでは決定的です。

このページの dplyr のスニペットが静的なのは、このエディタが base R しか実行しないためです。実行するには、次に示す手順で自分のマシンに dplyr をインストールしてください。

インストールと読み込み

1 回インストールし、その後は使用するすべてのスクリプトで読み込みます。

install.packages("dplyr")   # once, per machine
library(dplyr)              # every script

代わりに install.packages("tidyverse") をインストールすると、dplyr と兄弟パッケージがまとめて入ります。dplyr を読み込むと stats::filter と stats::lag をマスクするという警告が出ますが、これは正常であり、エラーではありません。

6 つの中核となる動詞

すべての動詞は第 1 引数にデータフレームを取り、列名は引用符も df$ の接頭辞もない 裸の 形で受け取ります。

filter() は条件に一致する行を残します。

mtcars |> filter(mpg > 25)
mtcars |> filter(cyl == 4, hp < 70)   # comma = AND

select() は名前、範囲、ヘルパーで列を残します。

mtcars |> select(mpg, cyl, hp)
mtcars |> select(mpg:hp)              # a range of adjacent columns
mtcars |> select(starts_with("d"))    # disp, drat

mutate() は列を追加または変換します。

mtcars |> mutate(kml = mpg * 0.425, heavy = wt > 3.5)

arrange() は行を並べ替えます — 降順にするには列を desc() で包みます。

mtcars |> arrange(desc(mpg))

summarize() は行を 1 つの要約行にまとめ、group_by() はそれをグループごとのまとめに変えます。

mtcars |>
    group_by(cyl) |>
    summarize(n = n(), avg_mpg = mean(mpg))

group_by() は単独では目に見える変化を起こしません — 次の summarize()（または mutate()）がグループ単位で動くように、データフレームに印を付けるだけです。各動詞にはこの章に詳細なドキュメントがあります: 行の絞り込み、列の追加、並べ替え、グループ集計。

パイプで動詞をつなぐ

パイプ |> は手前の値を受け取り、後ろの関数の第 1 引数として渡します — x |> f(y) は f(x, y) を意味します。すべての dplyr の動詞はデータフレームを受け取って返すので、動詞はいくらでも連鎖できます。

mtcars |>
    filter(hp > 100) |>
    mutate(kml = mpg * 0.425) |>
    group_by(cyl) |>
    summarize(cars = n(), avg_kml = round(mean(kml), 1)) |>
    arrange(desc(avg_kml))

声に出して読んでみましょう。mtcars を取り、100 馬力を超える車を残し、リッターあたりキロメートルの列を追加し、気筒数でグループ化し、各グループを数えて平均し、平均で並べ替える。中間変数も入れ子もありません。古いコードでは |> の代わりに magrittr パッケージの %>% を使います — dplyr の作業では交換可能で、|>（R 4.1 以降に組み込み）は パイプのドキュメント で扱っています。

count() と n(): 数えるためのヘルパー

数える作業はあまりに一般的なので、dplyr にはショートカットがあります。n() は現在のグループの行数を返し（summarize() または mutate() の内部でのみ有効）、count() は group_by() + summarize(n = n()) という一連の手順を 1 回の呼び出しにまとめます。

mtcars |> count(cyl)                    # rows per cyl value
mtcars |> count(cyl, gear, sort = TRUE) # two groupers, biggest first

group_by(x) |> summarize(n = n()) と書いている自分に気づいたら、count(x) に置き換えましょう。

tibble についての補足

dplyr の動詞はしばしば tibble を返します — データフレームに対する tidyverse の変種です。これはデータフレーム そのもの であり（データフレームを受け取るものはすべて tibble も受け取ります）、表示がより親切です。最初の 10 行だけ、収まる列だけを表示し、各名前の下に型が示されます。知っておく価値のある違いが 2 つあります。tibble は行名を一切使いません（mtcars |> as_tibble() で車名が失われるのはこのためです — tidyverse は識別子が本物の列にあることを期待します）。また、角括弧 1 つの添字付けは常に tibble を返し、ときどきベクトルに落ちるということがありません。どちらも日常的に驚くべきものではありません。str() が tbl_df と言っても慌てないでください。

この記事のまとめ

• dplyr は文法です。6 つの動詞がそれぞれデータフレームに 1 つの仕事をし、パイプでつながれます。
• filter() は行を選び、select() は列を選び、mutate() は列を追加し、arrange() は並べ替え、group_by() + summarize() は集計します。
• x |> f(y) は f(x, y) です — パイプラインは物事が起こる順に上から下へ読めます。
• count() と n() は数える用途のほとんどをカバーします。
• base R でもすべてできます。dplyr はパイプラインが大きくなったときの読みやすさで勝ります。

次は 絞り込みと部分抽出の詳細 — base R の括弧の定型句と、dplyr の filter() がどこに収まるかを見ていきます。