前章でデータの読み込み方を学びました。この章では、読み込んだデータを自在に操作する方法を学びます。
データ分析の実務では、生のデータをそのまま使うことはほとんどありません。必要な行だけを抽出したり、特定の列だけを選んだり、並び替えたりといったデータハンドリング（データ操作）が必要になります。
dplyrパッケージは、データハンドリングを直感的かつ効率的に行うための強力なツールです。これは前の章で使用したreadrと同じく、tidyverseのコアパッケージの一つです。
この章を読み終えると、以下ができるようになります。
%>%もしくは|>）を使ったコードの書き方select(): 必要な列だけを選択するfilter(): 条件に合う行だけを抽出するarrange(): データを並び替えるdplyrはtidyverseというパッケージ群の一部です。tidyverseは、データサイエンスのワークフローを統一的な文法で実現するパッケージの集まりです。
# tidyverseをインストール（初回のみ）
install.packages("tidyverse")
# tidyverseを読み込む（dplyrも含まれる）
library(tidyverse)tidyverse全体ではなく、dplyrだけを使いたい場合は以下のようにします。
library(dplyr)ただし、実務ではtidyverseをまとめて読み込むことが多いです。
まずは練習用のデータを用意しましょう。R標準のirisデータセット（アヤメの花のデータ）を使います。
library(tidyverse)
# irisデータを読み込む
data(iris)
# データの最初の数行を確認
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 setosadata(iris)を実行するとirisとしてデータが読み込まれます。
irisデータには以下の列があります。
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: アヤメの品種（setosa, versicolor, virginica）dplyrを使う上で重要なのがパイプ演算子です。パイプ演算子には2種類あります。パイプの使い方を見る前に、まずはそれぞれのパイプ演算子について説明します。
%>%（magrittrパイプ）tidyverseに含まれる従来のパイプ演算子です。
# パイプなし
head(iris, 10)
# パイプあり
iris %>% head(10)|>（ネイティブパイプ）R 4.1.0以降で使える新しいパイプ演算子です。
# ネイティブパイプ
iris |> head(10)基本的な使い方ではほぼ同じです。本サイトでは|>（ネイティブパイプ）を使いますが、%>%を使っても問題ありません。また、%>%に関してはdplyrを読み込まないと使えない点については注意してください。
RStudioのキーボードショートカットCtrl + Shift + Mは、デフォルトで%>%を入力しますが、設定で|>に変更できます。
RStudioの場合はTools > Global Options > Code > Use native pipe operator (|>)にチェックを入れると、Ctrl + Shift + Mで|>が入力されるようになります。
Positronの場合はで設定を開き、Positron.R.pipeを検索することで設定を変更することができます。
さて、パイプ演算子を使うとどんなメリットがあるのでしょうか？
パイプ演算子を使うと、処理の流れが左から右（上から下）に読めるため、コードが理解しやすくなります。
# パイプなし（内側から外側へ読む必要がある）
arrange(filter(select(iris, Species, Sepal.Length), Sepal.Length > 5), Sepal.Length)
# パイプあり（上から下に読める）
iris |>
select(Species, Sepal.Length) |>
filter(Sepal.Length > 5) |>
arrange(Sepal.Length)いかがでしょうか？パイプを使わない書き方だと、どの関数がどのデータに対して処理をしているのかを理解するために、内側から外側へとコードを読み解く必要があります。一方で、パイプを使うと、処理の流れが自然な順序で書かれているため、コードの意味が直感的に理解しやすくなります。
仕組みを簡単に説明すると、パイプ演算子は左側のオブジェクトを右側の関数の第一引数1に渡す役割を果たしています。つまり、x |> f()はf(x)と同じ意味になります。これにより、複数の関数を連続して適用する際に、コードが読みやすくなります。
dplyrの関数は、第一引数にデータフレームを取るように設計されているので、起点となるデータフレームをパイプの左側に置いて、関数を順番に適用していくスタイルが自然になります。
ここからは、dplyrの基本的な関数を紹介していきます。まずはselect()関数です。
select()関数は、データフレームから必要な列だけを選び出します。
# Species列とSepal.Length列だけを選択
result <- iris |>
select(Species, Sepal.Length)
head(result) Species Sepal.Length
1 setosa 5.1
2 setosa 4.9
3 setosa 4.7
4 setosa 4.6
5 setosa 5.0
6 setosa 5.4:を使うと、連続した列をまとめて選択できます。
# Sepal.LengthからPetal.Lengthまでの列を選択
result <- iris |>
select(Sepal.Length:Petal.Length)
head(result) Sepal.Length Sepal.Width Petal.Length
1 5.1 3.5 1.4
2 4.9 3.0 1.4
3 4.7 3.2 1.3
4 4.6 3.1 1.5
5 5.0 3.6 1.4
6 5.4 3.9 1.7-（マイナス）を使うと、指定した列以外を選択できます。
# Sepal.Width列を除外
result <- iris |>
select(-Sepal.Width)
head(result) Sepal.Length Petal.Length Petal.Width Species
1 5.1 1.4 0.2 setosa
2 4.9 1.4 0.2 setosa
3 4.7 1.3 0.2 setosa
4 4.6 1.5 0.2 setosa
5 5.0 1.4 0.2 setosa
6 5.4 1.7 0.4 setosaselect()では、列名のパターンマッチングもできます。
# "Sepal"で始まる列を選択
iris |>
select(starts_with("Sepal"))
# "Width"で終わる列を選択
iris |>
select(ends_with("Width"))
# "Length"を含む列を選択
iris |>
select(contains("Length"))starts_with()は列名が指定した文字列で始まる列を選択し、ends_with()は列名が指定した文字列で終わる列を選択します。contains()は列名に指定した文字列が含まれる列を選択します。
filter()関数は、条件に合う行だけを抽出します。
# Sepal.Lengthが5より大きい行だけを抽出
result <- iris |>
filter(Sepal.Length > 5)
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 5.4 3.9 1.7 0.4 setosa
3 5.4 3.7 1.5 0.2 setosa
4 5.8 4.0 1.2 0.2 setosa
5 5.7 4.4 1.5 0.4 setosa
6 5.4 3.9 1.3 0.4 setosa複数の条件を組み合わせることもできます。カンマで指定する方法と論理演算子を使う方法がありますが、どちらも同じ意味になります。
# Sepal.Lengthが5より大きく、かつSpeciesがsetosaの行
result <- iris |>
filter(Sepal.Length > 5, Species == "setosa")
# 上と同じ（,はANDの意味）
# iris |>
# filter(Sepal.Length > 5 & Species == "setosa")
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 5.4 3.9 1.7 0.4 setosa
3 5.4 3.7 1.5 0.2 setosa
4 5.8 4.0 1.2 0.2 setosa
5 5.7 4.4 1.5 0.4 setosa
6 5.4 3.9 1.3 0.4 setosa|を使うと「または」の条件を指定できます。%in%を使うと、複数の値のいずれかに一致する条件を簡単に書くことができます。
# Speciesがsetosaまたはvirginicaの行
result <- iris |>
filter(Species == "setosa" | Species == "virginica")
# 上と同じ（%in%を使った書き方）
# iris |>
# filter(Species %in% c("setosa", "virginica"))
head(result) 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!を使うと、条件に合わない行を抽出できます。
# Sepal.Lengthが5以下の行を抽出
result <- iris |>
filter(!(Sepal.Length > 5))
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
5 4.6 3.4 1.4 0.3 setosa
6 5.0 3.4 1.5 0.2 setosaこれはSepal.Lengthが5より大きい行を除外する、という意味になります。否定したい条件を!()で括ることで、条件に合わない行を抽出できます。
dplyr 1.2.0以降では、filter_out()関数を使って特定の条件に合う行を除外することもできます。
# Sepal.Lengthが5より大きい行を除外
result <- iris |>
filter_out(Sepal.Length > 5)
# 以下と同義
# iris |>
# filter(!(Sepal.Length > 5))
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
5 4.6 3.4 1.4 0.3 setosa
6 5.0 3.4 1.5 0.2 setosa除外したい条件を直接filter_out()に指定することで、条件に合う行を簡単に除外できるようになっています。
比較演算子 - ==: 等しい - !=: 等しくない - >: より大きい - >=: 以上 - <: より小さい - <=: 以下
論理演算子 - &: かつ（AND） - |: または（OR） - !: 否定（NOT）
注意: 等しいは==（イコール2つ）です。=（イコール1つ）は代入演算子なので注意してください。
arrange()関数は、指定した列でデータを並び替えます。
# Sepal.Lengthの昇順に並び替え
result <- iris |>
arrange(Sepal.Length)
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.3 3.0 1.1 0.1 setosa
2 4.4 2.9 1.4 0.2 setosa
3 4.4 3.0 1.3 0.2 setosa
4 4.4 3.2 1.3 0.2 setosa
5 4.5 2.3 1.3 0.3 setosa
6 4.6 3.1 1.5 0.2 setosadesc()関数を使うと降順になります。
# Sepal.Lengthの降順に並び替え
result <- iris |>
arrange(desc(Sepal.Length))
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 7.9 3.8 6.4 2.0 virginica
2 7.7 3.8 6.7 2.2 virginica
3 7.7 2.6 6.9 2.3 virginica
4 7.7 2.8 6.7 2.0 virginica
5 7.7 3.0 6.1 2.3 virginica
6 7.6 3.0 6.6 2.1 virginica# まずSpeciesで並び替え、次にその中でSepal.Lengthで並び替え
result <- iris |>
arrange(Species, Sepal.Length)
head(result) Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 4.3 3.0 1.1 0.1 setosa
2 4.4 2.9 1.4 0.2 setosa
3 4.4 3.0 1.3 0.2 setosa
4 4.4 3.2 1.3 0.2 setosa
5 4.5 2.3 1.3 0.3 setosa
6 4.6 3.1 1.5 0.2 setosaパイプ演算子を使うと、複数の操作を順番に実行できます。
# setosa品種のデータから、
# がく片の列だけを選び、
# がく片の長さが5以上のものを抽出し、
# 長さの降順に並び替える
result <- iris |>
filter(Species == "setosa") |>
select(Species, Sepal.Length, Sepal.Width) |>
filter(Sepal.Length >= 5) |>
arrange(desc(Sepal.Length))
head(result) Species Sepal.Length Sepal.Width
1 setosa 5.8 4.0
2 setosa 5.7 4.4
3 setosa 5.7 3.8
4 setosa 5.5 4.2
5 setosa 5.5 3.5
6 setosa 5.4 3.9従業員データを想定した例です。
# サンプルデータの作成
employees <- data.frame(
名前 = c(
"田中太郎",
"佐藤花子",
"鈴木一郎",
"高橋次郎",
"伊藤三郎",
"渡辺四郎"
),
部署 = c("営業", "開発", "営業", "開発", "総務", "営業"),
年齢 = c(25, 30, 35, 28, 42, 31),
売上 = c(1200, 1500, 980, 1350, 1100, 1450)
)
# 営業部の社員で、売上が1000以上の人を、売上の降順に表示
営業成績 <- employees |>
filter(部署 == "営業") |>
filter(売上 >= 1000) |>
select(名前, 売上) |>
arrange(desc(売上))
print(営業成績) 名前 売上
1 渡辺四郎 1450
2 田中太郎 1200パイプ処理の結果は、<-で変数に代入できます。
# 処理結果を変数に保存
setosa_data <- iris |>
filter(Species == "setosa") |>
select(Sepal.Length, Sepal.Width)
# CSVファイルとして保存
# dplyrしか読み込んでいない場合はreadrも読み込む
# library(readr)
write_csv(setosa_data, "data/setosa_only.csv")ここまで学んだ内容を確認しましょう。
irisデータから、Petal.Length、Petal.Width、Speciesの3列だけを選択してください。
解答例
iris |>
select(Petal.Length, Petal.Width, Species)
# または
iris |>
select(Petal.Length:Species)irisデータから、Petal.Lengthが3以上5以下の行を抽出してください。
解答例
iris |>
filter(Petal.Length >= 3, Petal.Length <= 5)
# または
iris |>
filter(Petal.Length >= 3 & Petal.Length <= 5)irisデータから以下の処理を行ってください。
Speciesが”setosa”と”versicolor”である行を抽出Sepalで始まる列のみを選択Sepal.Lengthの降順に並び替え解答例
result <- iris |>
filter(Species %in% c("setosa", "versicolor")) |>
select(starts_with("Sepal")) |>
arrange(desc(Sepal.Length)) |>
head(10)
result Sepal.Length Sepal.Width
1 7.0 3.2
2 6.9 3.1
3 6.8 2.8
4 6.7 3.1
5 6.7 3.0
6 6.7 3.1
7 6.6 2.9
8 6.6 3.0
9 6.5 2.8
10 6.4 3.2参考: filter_outを使った書き方
# virginicaを除外する方法でも可能
iris |>
filter_out(Species == "virginica") |>
select(starts_with("Sepal")) |>
arrange(desc(Sepal.Length)) |>
head(10)以下のデータを作成し、「開発部で年齢が30歳未満の社員の名前と年齢」を抽出してください。
employees <- data.frame(
名前 = c("田中", "佐藤", "鈴木", "高橋", "伊藤"),
部署 = c("営業", "開発", "営業", "開発", "総務"),
年齢 = c(25, 30, 35, 28, 42)
)解答例
employees |>
filter(部署 == "開発", 年齢 < 30) |>
select(名前, 年齢)この章では、dplyrの基本的な関数を学びました。
|>または%>%）で処理を繋げるselect(): 必要な列だけを選択filter(): 条件に合う行を抽出arrange(): データを並び替えこれらは、データ分析で最も頻繁に使う操作です。次の章では、さらに高度な操作（新しい列の作成、集計など）を学びます。
次の章「データハンドリング応用 - dplyr発展」では、以下を学びます。
mutate(): 新しい列の作成・計算summarize(): データの要約統計量group_by(): グループごとの集計これらをマスターすれば、ほとんどのデータ処理に対応できるようになります。
関数の中で最初に指定する引数↩︎