の続きです。前回はCSVファイルのデータをRに読み込ませました。
そのデータフレームを少し整形して分析しやすくします。
まず、typeを少し手直しします。
typeは、このように、景気の現状判断(方向性), 景気の先行き判断(方向性), 景気の現状判断(水準)の３つのタイプです。日本語だと、少しこれからの分析に手間取るので、英語に変えます。
summary()関数で確認します。
サマリーの出力結果が見やすくなりました。codeとtypeは実質同じ情報なので、codeを削除します。
pivot_wider()関数で、横型のデータフレームを作成しておきます。
今回は、total(合計)のデータについて、調べてみましょう。
まずは、時系列のグラフにしてみます。
2008年頃の落ち込みは、リーマンショックですね。2020年頃の落ち込みはコロナ禍ですね。
ヒストグラムを描いてみます。
どれも同じような分布形状です。左側のほうが裾野が広いです。
type別の基本統計量をみてみます。
future(景気の先行き判断(方向性))が一番平均値が高く、CV(変動係数)が小さいです。基本的に楽天的なんですかね？
current, future, level, この3つのデータの相関係数マトリックスをみてみましょう。
相関係数は、0.8から0.9くらいですので、3つのデータは相関はとても高いことがわかります。
今回は以上です。
はじめから読むには、
です。
今回のコードは以下になります。
#
# typeのレベル
levels(df$type)
#
# typeのレベルを書き換え
levels(df$type) <- c("current", "future", "level")
#
# サマリー
summary(df)
#
# codeを削除
df <- df |> select(-code)
#
# サマリー
summary(df)
#
# dfをwide型に
df_wide <- df |>
pivot_wider(
names_from = type,
values_from = total:employment
)
df_wide
#
# totalの時系列グラフ
df |>
ggplot(aes(x = date, y = total, group = type)) +
geom_line(aes(color = type)) +
theme_minimal()
#
# totalのヒストグラム
df |>
ggplot(aes(x = total, group = type)) +
geom_histogram(aes(fill = type), color = "black") +
facet_wrap(~ type, nrow = 3) +
theme_minimal()
#
# totalの基本統計量(type別)
df |>
group_by(type) |>
summarize(
minimum = min(total),
average = mean(total),
median = median(total),
maximum = max(total),
stdev = sd(total),
cv = sd(total) / mean(total),
n = n()
)
#
# totalの相関係数マトリックス
df_wide |>
select(total_current, total_future, total_level) |>
cor()
#
(冒頭の画像は、Bing Image Creator で生成しました。プロンプトは、Land scape of long wide river side fields. Close up of a white tulip flower.
storytelling
cinematic
vibrant colors
rich details
beautiful lighting
atmospheric
visually striking
masterpiece
professional artwork です。)
