Tokoy.R #99 パーマーステーションのペンギンたち #1

Rのpalmerpenguinsパッケージの紹介。

Transcript

1. パーマーステーションの
   ペンギンたち #1
   Tokyo.R #99 (2022/06/04)
   @bob3bob3
   Artwork by @allison_horst
   

   View Slide

2. パーマーステーションのペンギンたち
   Rには様々なサンプルデータセットが用
   意されているのもいいところ。

   その中でもpalmerpenguinsパッケージの
   データセットが練習用、学習用にちょう
   ど良いので紹介したいというお話。

   とりあえず、いますぐ

   install.packages("palmerpenguins")
   しましょう！

   Artwork by @allison_horst
   

   View Slide

3. どう良いの？
   ● ペンギンがかわいい。
   ● 整形済みのデータと整形前のデータの両方がある。
   ● 名義尺度と連続尺度の両方の変数が含まれる。
   ● 名義尺度の変数が複数含まれる。
   ● 連続尺度の変数も複数含まれる。
   ● 欠測値（NA）が含まれる。
   ● 日時の変数が含まれる。
   ● ペンギンがカワイイ。
   

   View Slide

4. palmerpenguinsパッケージ
   南極にある米国の越冬基地パーマー基地において Kristen Gorman 博士が行ったペン
   ギンの生態調査のデータセットです。

   引用元 引用元
   

   View Slide

5. 引用元
   

   View Slide

6. 引用元
   

   View Slide

7. トージャーセン島
   引用元
   Cynthia Spence (CC BY-NC-ND 4.0) トージャーセン島から眺めるパーマー基地 Cynthia Spence (CC BY-NC-ND 4.0)
   

   View Slide

8. 引用元
   

   View Slide

9. 引用元
   IMDb
   パーマー基地が舞台となる日本映画
   

   View Slide

10. どんなデータ？
    ● 2007年、2008年、2009年の３回の調査（越冬隊？）。

    ● ビスコー諸島、ドリーム島、トージャーセン島の3か所。

    ● アデリーペンギン、ヒゲペンギン、ジェンツーペンギンの3種のペンギン。

    ● 嘴の長さ、高さ、翼の長さ、体重、性別、血液検査の結果などが含まれる。

    アデリー(Adelie)
 ジェンツー(Gentoo)

    ヒゲ(Chinstrap)

    Stan Shebs (CC BY-SA 3.0)
    
 Andrew Shiva(CC BY-SA 4.0)
 Stan Shebs (CC BY-SA 3.0)
    

    

    View Slide

11. アデリーペンギン
    Wikipediaより引用 

    ● くちばしの根元から先端近くまで羽毛でおおわ
    れているのも特徴で、くちばしが短いように見え
    るが、口を開けると目の前まで開く。これは南極
    の厳しい寒さに適応した結果羽毛が無い部分が
    少なくなったと考えられる。 

    ● また、他のペンギンに比べて尾羽が長いが、こ
    れはヒゲペンギン、ジェンツーペンギンにも共通
    する特徴である。ペンギンの分類ではこの3種類
    をまとめてアデリーペンギン属（Pygoscelis属）と
    して扱う。

    ● Suicaのペンギンのモデル。 

    Jerzy Strzelecki(CC BY 3.0)
    

    View Slide

12. ヒゲペンギン
    Wikipediaより引用

    ● 目の後ろから喉を通る黒い帯模様が
    あるのが特徴である。和名の「ヒゲペ
    ンギン」は喉を通る帯模様をあごひげ
    に見立てたものである。また、英名
    の"Chinstrap"は帽子やヘルメットの
    あごひものことで、これもやはり喉を
    通る帯模様に由来している。

    引用元
    

    View Slide

13. ジェンツーペンギン
    Wikipediaより引用

    ● 両目をつなぐ白い帯模様が特徴であ
    る。

    ● 大きさはペンギン18種類のうち、コウ
    テイペンギン、キングペンギンに次い
    で3番目に大きい。また、オスの方がメ
    スよりわずかに大きい。更に、ペンギ
    ンで最も泳ぐのが速いペンギンでもあ
    る。最高時速は時速35kmにも達す
    る。

    Ben Tubby(CC BY 2.0)
    

    View Slide

14. ２つのデータセット
    penguins_raw 生のデータ

    ● 17変数

    ● studyName: 研究名（越冬隊ごと？）
    

    ● Sample Number: 標本番号（連番）
    

    ● Species: ペンギンの種（学名付き）
    

    ● Region: 調査した地域
    

    ● Island: 調査した島
    

    ● Stage: 発育段階
    

    ● Individual ID: 個体ID
    

    ● Clutch Completion: 巣の完成度
    

    ● Date Egg: 巣に1個以上の卵が確認された日？
    

    ● Culmen Length (mm): くちばしの長さ
    

    ● Culmen Depth (mm): くちばしの高さ
    

    ● Flipper Length (mm): 翼の長さ
    

    ● Body Mass (g): 体重
    

    ● Sex: 性別

    ● Delta 15 N (o/oo): 窒素同位体比（δ15N）
    

    ● Delta 13 C (o/oo): 炭素同位体比（δ13C)
    

    ● Comments: コメント
    

    penguins 使いやすく加工されたデータ 

    ● 8変数

    ● species: ペンギンの種 

    ● island: 調査した島 

    ● bill_length_mm: くちばしの長さ 

    ● bill_depth_mm: くちばしの高さ 

    ● flipper_length_mm: 翼の長さ 

    ● body_mass_g: 体重 

    ● sex: 性別

    ● year: 調査した年 

    Artwork by @allison_horst
    

    View Slide

15. とりあえず生データを確認
    library(palmerpenguins)
    penguins_raw |>
    head(10) |>
    View()
    

    View Slide

16. サマリーを確認
    library(summarytools)
    penguins_raw |>
    dfSummary() |>
    view()
    ● 欠測値(NA)がある。

    ● 値がすべて同じ列がある。

    ● 同じ個体IDが3回出現している。

    

    View Slide

17. 変数間の関係の概要
    penguins_raw |>
    dplyr::select( #余分な変数を除外
    !c(
    `Sample Number`,
    Region,
    Stage,
    `Individual ID`,
    Comments
    )
    ) |>
    GGally::ggpairs(
    aes(colour = Species),
    title = "Palmer Penguins Raw"
    )
    

    View Slide

18. 変数間の関係の概要
    penguins_raw |>
    dplyr::select( #余分な変数を除外
    !c(
    `Sample Number`,
    Region,
    Stage,
    `Individual ID`,
    Comments
    )
    ) |>
    GGally::ggpairs(
    aes(colour = Species),
    title = "Palmer Penguins Raw"
    )
    Date Egg x studyName と
    Species x Island が気になる。
    

    View Slide

19. 研究名ごとの期間
    penguins_raw |>
    group_by(studyName) |>
    summarise(Start = min(`Date Egg`), End = max(`Date Egg`))
    # studyName Start End
    #
    #1 PAL0708 2007-11-09 2007-12-03
    #2 PAL0809 2008-11-02 2008-11-25
    #3 PAL0910 2009-11-09 2009-12-01
    

    View Slide

20. 調査した島と生息するペンギンの種
    penguins_raw |>
    xtabs(~ Species + Island, data = _)
    # Island
    #Species Biscoe Dream Torgersen
    # Adelie Penguin (Pygoscelis adeliae) 44 56 52
    # Chinstrap penguin (Pygoscelis antarctica) 0 68 0
    # Gentoo penguin (Pygoscelis papua) 124 0 0
    

    View Slide

21. 「オスの方がメスよりわずかに大きい」？
    penguins_raw |>
    drop_na(Sex) |>
    ggplot(aes(x = Sex, y = `Body Mass (g)`)) +
    geom_violin(aes(colour=Sex, fill = Sex)) +
    geom_boxplot(width = 0.3) +
    geom_jitter(width = 0.15, height = 0) +
    facet_wrap(vars(Species)) +
    labs(
    title = "性別と体重",
    x = "性別",
    y = "体重 (g)",
    colour = "性別",
    fill = "性別"
    ) +
    theme(text = element_text(size = 18))
    

    View Slide

22. to be continued...
    今後の予定：
    1. データセットの紹介（今回）
    2. データクリーニング
    ○ penguins_rawからpenguinsへ
    3. 可視化例
    4. 分析例
    ○ シンプソンのパラドクス
    ○ 次元縮約
    ○ クラスタリング
    ○ 判別モデル
    ○ などなど
    いらすとやにはアデリーペン
    ギンがいなかった……
    タイトルの「パーマーステーションのペ
    ンギンたち」は『ウォーターシップダウ
    ンのウサギたち』をもじったつもり。
    

    View Slide