18  データセット

Rには、データ処理や統計の計算、関数などを試すために、データセットと呼ばれる、あらかじめ準備されているデータがあります。このデータセットの多くは、データセットを指定する変数名を用いればいつでも呼び出すことができます。また、多くのライブラリには、そのライブラリの機能を試すためのデータセットが備わっています。Rにあらかじめ備わっているデータセットの一覧は、data関数を用いて確認することができます。data関数を引数なしで実行するとRのデフォルトのデータセットのリストが、package引数にライブラリ名を指定するとそのライブラリが持つデータセットのリストが表示されます。

data関数は、ライブラリに含まれているデータセットを呼び出す際にも使用します。呼び出すときには、ライブラリ名（ライブラリをロードしているときは省略可）とそのデータセット名を引数に取ります。

data関数とデータセット
# Rのデータセット一覧を表示
data()

# インストールされているパッケージすべてのデータセット一覧を表示
data(package = .packages(all.available = TRUE))

# ggplot2パッケージに含まれるデータセット一覧を表示
data(package = "ggplot2")

# ggplot2パッケージのdiamondsというデータセットを読み込む
data(package = "ggplot2", "diamonds")

以下の表1に、Rにあらかじめ備わっているデータセットの一覧とその説明を示します。

表1 Rのデータセットの一覧
データセット データセットの説明 データ型
AirPassengers 1949-1960年の国際線旅客数の推移 時系列
BJsales Box & Jenkins (1976)に記載されている売上データ 時系列
BJsales.lead Box & Jenkins (1976)に記載されている売上の先行指標データ 時系列
BOD 水中酸素要求量と水質の関係を示したデータ データフレーム
CO2 低温馴化したイヌビエのCO2濃度と光合成速度に関するデータ データフレーム
ChickWeight ヒヨコの餌と体重増加の関係に関するデータ データフレーム
DNase DNA分解酵素を用いてELISA（Enzyme-Linked Immunosorbent Assay：酵素結合免疫吸着検定法）を開発した際のデータ データフレーム
EuStockMarkets 1991-1998年のヨーロッパ株式市場の終値 時系列
Formaldehyde クロモトープ酸と濃硫酸からホルムアルデヒドを生成した時の検量線データ データフレーム
HairEyeColor 592人の学生の髪と目の色 3次元アレイ
Harman23.cor 7～17歳女性の体形データの相関係数 リスト
Harman74.cor 7－8グレードの学生の心理学テスト結果の相関係数 リスト
Indometh インドメタシンの薬物動態データ データフレーム
InsectSprays 殺虫剤で処理した昆虫の数 データフレーム
JohnsonJohnson J&Jの4半期の1株当たり売上 時系列
LakeHuron 1875-1972年のヒューロン湖の水位データ 時系列
LifeCycleSavings 1960-1970年の各国の人口年齢構成と可処分所得 データフレーム
Loblolly テーダマツの成長データ データフレーム
Nile 1871-1970年のナイル川の年間流量 時系列
Orange オレンジの樹齢と幹の円周径の関係 データフレーム
OrchardSprays ラテン方角で行ったミツバチを退治するスプレーの評価 データフレーム
PlantGrowth 植物を2つの栽培条件で栽培した時の収量の違い データフレーム
Puromycin 細胞にPuromycinを与えた時の酵素の反応率 データフレーム
Seatbelts 1969-1984年のUKでの交通事故死者数とシートベルト義務化の関係 時系列
Theoph テオフィリンの薬物動態データ データフレーム
Titanic タイタニックの乗客データと死者数 4次元アレイ
ToothGrowth モルモットへのビタミンC投与の象牙芽細胞の長さへの影響 データフレーム
UCBAdmissions UCバークレーの大学院進学データ 3次元アレイ
UKDriverDeaths 1969-1984年のUKでの交通事故死者数の推移 時系列
UKgas 1960-1986年のUKでのガス消費量の推移 時系列
USAccDeaths 1973-1978年のUSでの事故死者数の推移 時系列
USArrests 1973年のUS各州での人口10万人あたりの暴力的犯罪の件数 データフレーム
USJudgeRatings US最高裁の弁護士レーティング データフレーム
USPersonalExpenditure 1940～1960年のUSでの個人消費額の推移 行列
UScitiesD US都市間の距離 距離行列
VADeaths ヴァージニア州での1000人当たりの死亡率 行列
WWWusage インターネットサーバーへのアクセス人数の推移 時系列
WorldPhones 1951-1961年の各地域の電話の設置件数（1000台単位） 行列
ability.cov 112人の6つのテストのスコアの相関行列 リスト
airmiles 1937-1960年のUSの旅客マイル数の推移 時系列
airquality 1973年のNYの大気汚染の度合い データフレーム
anscombe Anscombe (1989)のデータ データフレーム
attenu カリフォルニアの地震の最大加速度を複数箇所で測定した結果 データフレーム
attitude 35従業員からアンケートを取ったときの好意的な回答の割合 データフレーム
austres 1971-1993年のオーストラリアの住民の数 時系列
beaver1 北中央ウィスコンシンのビーバーの体温データ（114行） データフレーム
beaver2 北中央ウィスコンシンのビーバーの体温データ（100行） データフレーム
cars 車の速度とブレーキで止まるまでの距離 データフレーム
chickwts 鶏のエサの種類と体重 データフレーム
co2 1959-1997のマウナロア山頂での大気CO2濃度 時系列
crimtab UKの犯罪者3000人の身長と指の長さ 行列
discoveries 1860-1959年の偉大な発見の件数 時系列
esoph 食道がんの発生とたばこ・飲酒の関係 データフレーム
euro ヨーロッパ通貨間の為替レート ベクター
euro.cross ヨーロッパ通貨間の為替レート マトリックス
eurodist ヨーロッパ通貨間の為替レート都市間の距離 距離行列
faithful イエローストーン国立公園の間欠泉のデータ データフレーム
freeny Freenyの4半期収支のデータ データフレーム
freeny.x Freenyの4半期収支のデータ 行列
freeny.y Freenyの4半期収支のデータ 時系列
infert 中絶に関するデータ データフレーム
iris アヤメの花のデータ データフレーム
iris3 アヤメの花のデータ 3次元アレイ
islands 10000平方マイルを超える面積の島の数 ベクター
ldeaths 1974-1979年のUKにおける気管支炎等での死亡者数 時系列
fdeaths 1974-1979年のUKにおける気管支炎等での死亡者数（女性） 時系列
mdeaths 1974-1979年のUKにおける気管支炎等での死亡者数（男性） 時系列
lh 黄体形成ホルモンの血中濃度の変化 時系列
longley 1947-1962年のマクロ経済データ データフレーム
lynx 1821–1934年にカナダで捕らえられたリンクスの数 時系列
morley ミケルソンが測定した光の速度のデータ データフレーム
mtcars 車種と燃料消費のデータ データフレーム
nhtemp 1912-1971年のコネチカット州ニューヘブンの年平均気温 時系列
nottem 1920-1939念のノッティンガム城の月平均気温 時系列
npk 窒素・リン・カリウム肥料とエンドウ豆の収量の関係 データフレーム
occupationalStatus UKの父子のステータスの関連表 行列
precip アメリカの各都市の降雨量 ベクター
presidents 1945-1974年のアメリカ大統領の支持率 時系列
pressure 温度と水銀の蒸気圧の関係 データフレーム
quakes フィジー周辺のM4以上の地震の位置と深さ データフレーム
randu FortranのRANDU関数で作った3次元乱数 データフレーム
rivers 北米の主な河川の長さ ベクター
rock 油田から採取した石のデータ データフレーム
sleep 睡眠薬2種を摂取した学生の睡眠量のデータ データフレーム
stackloss アンモニアをニトリル酸に酸化する工場のデータ データフレーム
stack.loss アンモニアをニトリル酸に酸化する工場のデータ ベクター
stack.x アンモニアをニトリル酸に酸化する工場のデータ 行列
state.abb US州名の略称 ベクター
state.area US州の面積 ベクター
state.center US州の中心の緯度・経度 リスト
state.division US州の地域区分 ベクター
state.name US州名 ベクター
state.region US州の位置分類 ベクター
state.x77 US州の人口・収入等のデータ データフレーム
sunspot.month 1749年以降に観察された太陽黒点の数 時系列
sunspot.year 1749–1983年に観察された太陽黒点の数（年別） 時系列
sunspots 1749–1983年に観察された太陽黒点の数 時系列
swiss スイス・フランス語圏の地域の農業等のデータ データフレーム
treering 樹木の年輪幅のデータ 時系列
trees ブラックチェリーの木の高さ・直径・体積のデータ データフレーム
uspop 1790-1970年のUS人口 時系列
volcano マウンガファウ火山の位置と標高のデータ 行列
warpbreaks 布織の際の経糸切れの数のデータ データフレーム
women 30-39歳の女性の体重と身長のデータ データフレーム

Rの各データセットについては、中央大学理工学部の酒折先生のページに詳しく記載されています。

18.1 代表的なデータセット

18.1.1 iris

irisは3種のアヤメ（ヒオウギアヤメ（Iris setosa）、blue flag（Iris versicolor）、Virginia blueflag（Iris virginica））の花弁とがく片の長さと幅を記録したデータです。Ronald Fisherがこのデータを利用したことで有名で、Rでは最も見かけることが多いデータセットです。irisは150行のデータフレームで、左の列から、Sepal.Length（がく片の長さ）、Sepal.Width（がく片の幅）、Petal.Length（花弁の長さ）、Petal.Width（花弁の幅）、Species（種小名）の5列が登録されています。irisの初めの6行は以下の通りです。

iris
head(iris)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa

18.1.2 Nile

Nileはナイル川の水量を1871～1970年にかけて、年次で測定したデータです（単位は108 m3）。ナイル川では1902年にアスワン・ダムが、1970年にアスワン・ハイ・ダムが完成しています。このNileのデータセットでは、1898年頃（イギリスによるアスワン・ダムの建設開始時期）から水量が減っていることで有名で、非連続的な時系列データを取り扱うときの参考にされています。Nileは時系列型（ts）のデータセットです。

Nile
Nile
## Time Series:
## Start = 1871 
## End = 1970 
## Frequency = 1 
##   [1] 1120 1160  963 1210 1160 1160  813 1230 1370 1140  995  935 1110  994 1020
##  [16]  960 1180  799  958 1140 1100 1210 1150 1250 1260 1220 1030 1100  774  840
##  [31]  874  694  940  833  701  916  692 1020 1050  969  831  726  456  824  702
##  [46] 1120 1100  832  764  821  768  845  864  862  698  845  744  796 1040  759
##  [61]  781  865  845  944  984  897  822 1010  771  676  649  846  812  742  801
##  [76] 1040  860  874  848  890  744  749  838 1050  918  986  797  923  975  815
##  [91] 1020  906  901 1170  912  746  919  718  714  740
plot(Nile)

18.1.3 Titanic

Titanicは、タイタニック号に乗船していた旅客とクルーの性別・船室（一等船室、二等船室、三等船室、クルー）・年齢区分（大人・子供）・生死に関する人数を4次元のarrayとしたものです。RではTitanicを用いることはそれほどありませんが、kaggleという、機械学習の性能コンテストサイトでは機械学習の手習いとしてこのデータを用い、どのような性質の旅客であれば生存率が高いか、といった予測を行うモデルを作成するのによく用いられています。

Titanic
Titanic
## , , Age = Child, Survived = No
## 
##       Sex
## Class  Male Female
##   1st     0      0
##   2nd     0      0
##   3rd    35     17
##   Crew    0      0
## 
## , , Age = Adult, Survived = No
## 
##       Sex
## Class  Male Female
##   1st   118      4
##   2nd   154     13
##   3rd   387     89
##   Crew  670      3
## 
## , , Age = Child, Survived = Yes
## 
##       Sex
## Class  Male Female
##   1st     5      1
##   2nd    11     13
##   3rd    13     14
##   Crew    0      0
## 
## , , Age = Adult, Survived = Yes
## 
##       Sex
## Class  Male Female
##   1st    57    140
##   2nd    14     80
##   3rd    75     76
##   Crew  192     20

18.1.4 BostonHousing

BostonHousingも、Rでというよりは機械学習の分野で、家賃の予測モデル作成の手習いとしてよく用いられています。BostonHousingは、その名の通りボストンの住宅価格と地域周辺の犯罪率・住宅の部屋数・税率・高速道路へのアクセスなどを、1970年のセンサス（国勢調査）から収集してまとめたものです。Rでは、mlbenchパッケージ (Leisch and Dimitriadou 2021; Newman et al. 1998)（機械学習のベンチマークデータセットを集めたもの）に含まれており、使用するためにはmlbenchパッケージをインストール・ロードする必要があります。BostonHousingのデータ型はデータフレームです。

BostonHousing
pacman::p_load(mlbench)
data("BostonHousing")
head(BostonHousing)
##      crim zn indus chas   nox    rm  age    dis rad tax ptratio      b lstat
## 1 0.00632 18  2.31    0 0.538 6.575 65.2 4.0900   1 296    15.3 396.90  4.98
## 2 0.02731  0  7.07    0 0.469 6.421 78.9 4.9671   2 242    17.8 396.90  9.14
## 3 0.02729  0  7.07    0 0.469 7.185 61.1 4.9671   2 242    17.8 392.83  4.03
## 4 0.03237  0  2.18    0 0.458 6.998 45.8 6.0622   3 222    18.7 394.63  2.94
## 5 0.06905  0  2.18    0 0.458 7.147 54.2 6.0622   3 222    18.7 396.90  5.33
## 6 0.02985  0  2.18    0 0.458 6.430 58.7 6.0622   3 222    18.7 394.12  5.21
##   medv
## 1 24.0
## 2 21.6
## 3 34.7
## 4 33.4
## 5 36.2
## 6 28.7

18.1.5 diamonds

diamondsはグラフ作成ライブラリである、ggplot2に含まれるデータセットです。ggplot2 (Wickham 2016)を用いたグラフ作成例ではよく用いられています。diamondsはダイヤモンドのカラット数、透明性、カット、価格などをまとめたデータフレームです。

diamonds
head(ggplot2::diamonds)
## # A tibble: 6 × 10
##   carat cut       color clarity depth table price     x     y     z
##   <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1  0.23 Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
## 2  0.21 Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
## 3  0.23 Good      E     VS1      56.9    65   327  4.05  4.07  2.31
## 4  0.29 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
## 5  0.31 Good      J     SI2      63.3    58   335  4.34  4.35  2.75
## 6  0.24 Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48

18.1.6 palmerpenguins

penguinsはirisの代わりになるデータセットとして、QuartoのGallaryなどで利用されているデータです。Rでは、palmerpenguinsパッケージ(Horst, Hill, and Gorman 2020)で提供されています。penguinsは344行8列のデータセットで、ペンギンの種類（Adelie：アデリーペンギン、Chinstrap：ヒゲペンギン、Gentoo：ジェンツーペンギン）、生息地（Biscoe：ビスコー諸島、Dream：ドリーム島、Torgersen：トージャーセン島）、クチバシの長さ（Bill length）、クチバシの高さ（Bill depth）、前ビレの長さ（Flipper length）、体重（Body mass）、性別、測定年を記録したものです。

このパッケージの作者であるDr. Allison HorstのホームページにはRに関わるイラストがたくさん記載されていますので、一読してみると良いでしょう。また、このpenguinsデータセットについて詳しく書かれたプレゼンテーションも公開されています。近い将来には若いRユーザーはirisではなくpenguinsを用いるようになるのかもしれません。

palmerpenguins
pacman::p_load(palmerpenguins)
summary(penguins)
##       species          island    bill_length_mm  bill_depth_mm  
##  Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
##  Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
##  Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
##                                  Mean   :43.92   Mean   :17.15  
##                                  3rd Qu.:48.50   3rd Qu.:18.70  
##                                  Max.   :59.60   Max.   :21.50  
##                                  NA's   :2       NA's   :2      
##  flipper_length_mm  body_mass_g       sex           year     
##  Min.   :172.0     Min.   :2700   female:165   Min.   :2007  
##  1st Qu.:190.0     1st Qu.:3550   male  :168   1st Qu.:2007  
##  Median :197.0     Median :4050   NA's  : 11   Median :2008  
##  Mean   :200.9     Mean   :4202                Mean   :2008  
##  3rd Qu.:213.0     3rd Qu.:4750                3rd Qu.:2009  
##  Max.   :231.0     Max.   :6300                Max.   :2009  
##  NA's   :2         NA's   :2

Artwork by @allison_horst

Artwork by @allison_horst

18.1.7 Gapminder

Gapminderは1952～2007年の各国のGDP、一人当たりGDP、寿命、人口をデータフレームとしてまとめたものです。このデータは、Gapminder Foundation（スウェーデンのNPO、所得格差の認知を推進する活動を行っている）が提供しているデータです。このデータも、Rでのグラフ作成の例でよく用いられているものです。Rでは、gapminderパッケージ (Bryan 2023)にデータセットが含まれています。

gapminder
pacman::p_load(gapminder)
head(gapminder::gapminder)
## # A tibble: 6 × 6
##   country     continent  year lifeExp      pop gdpPercap
##   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
## 1 Afghanistan Asia       1952    28.8  8425333      779.
## 2 Afghanistan Asia       1957    30.3  9240934      821.
## 3 Afghanistan Asia       1962    32.0 10267083      853.
## 4 Afghanistan Asia       1967    34.0 11537966      836.
## 5 Afghanistan Asia       1972    36.1 13079460      740.
## 6 Afghanistan Asia       1977    38.4 14880372      786.