の続きです。
今回は年齢による行動の違いを見てみようと思います。
まずは、年齢がどういう区分で分かれているかを確認しましょう。R言語のstr関数とtable関数で確認します。
14のファクタに分かれています。1014yというのは10歳から14歳という意味です。
ファクタのままでもいいのですが、せっかくなので数値データの変数も作りましょう。
substr関数ではじめの2文字、1014yなら10だけを抽出します。
次に、as.numeric関数で文字列型を数値型に変換します。
1014yの中心は12歳ですから、それぞれに2歳を加えて完成です。
これで完成です。
この数値型の年齢と各行動の相関を見ていきましょう。
まずは、Sample_size, 調査人数です。
年齢が高いほど、調査人数は多いようです。
次は、Population, 人口です。
10代の人口が少ないですね。同じ年齢に2つずつプロット点があります。男女を表しています。年齢が上がるほど、差が開いています。女性のほうが長生きですからね。
次は、Totalです。行動者率の合計です。
年齢とともに行動者率は低下しています。
次は、Foreign_languagesです。外国語学習です。
外国語学習も年齢とともに行動者率は低下します。
次は、English_language, 英語学習です。
英語学習も年齢とともに行動者率は低下します。
次は、Other_foreign_languagesです。その他の外国語です。
年齢とともに低下するのは英語学習と同じですが、ピークは17歳、22歳のところにあります。また40歳ぐらいのところで低下して50台のところで少し上昇しています。
次は、Commerce_and_business_total, 商業実務・ビジネス関係(総数)です。
年齢とともに低下するのは外国語学習と同じですが、男女の差がかなり開いているように推測されます。coplot関数で確認してみましょう。
思ったとおり、男性のほうが行動者比率が高いですね。
続いて、Computing_etc, パソコンなどの情報処理です。
年齢とともに低下していますが、男女でパターンに大きな違いがありそうです。
これもcoplot関数で確認してみます。
女性の50歳以降の落ち込みが激しいですね。男性はそれほど落ち込んでいません。
次は、Commerce_and_business, 商業実務・ビジネス関係です。
これも男女でパターンにおおきな違いがありそうですね。coplot関数で確認します。
男性では、20代、30代が高い行動者率ですが、女性は22歳から年齢とともに低下しています。
次は、Caring, 介護です。これも男女で違いがあるでしょう。はじめからcoplot関数を使いましょう。
女性の50代が一番高い行動者率です。
次は、Home_economics_and_housework, 家政・家事(料理・裁縫・家庭経営)です。
女性は40代が落ち込んでいます。男性は22歳のところが一番高いですが、それでも女性の47歳の行動者率よりも低いです。
次は、Humanities_social_and_natural_science, 人文・社会・自然科学(歴史・経済・数学・生物など)です。
女性は17歳のところ、つまり15歳から19歳がピークで、男性は22歳のところ、つまり20歳から24歳のところがピークです。
次は、Arts_and_culture, 芸術文化です。
女性の10代が突出して高いですね。
最後はOther, その他です。
男女ともに若者の行動者率が高いですね。
今回はcoplot関数を使って、男女別の年齢と行動者率の散布図を描きました。
今回は以上です。
次回は
です。
以下に今回のコードを記載しておきます。
# 年齢の区分の確認
str(dfnew$Age)
table(dfnew$Age)
# 数値型の年齢の作成 始めの2文字を抽出
dfnew$Age_n <- substr(dfnew$Age, 1, 2)
str(dfnew$Age_n)
# 数値型年齢の作成 数値型に変換
dfnew$Age_n <- as.numeric(dfnew$Age_n)
str(dfnew$Age_n)
# 数値型年齢の作成 それぞれの要素に2歳を加える
dfnew$Age_n <- dfnew$Age_n +2
str(dfnew$Age_n)
# 年齢とSanple_size
plot(dfnew$Age_n, dfnew$Sample_size)
cor(dfnew$Age_n, dfnew$Sample_size)
# 年齢とPopulation
plot(dfnew$Age_n, dfnew$Population)
cor(dfnew$Age_n, dfnew$Population)
# 年齢とTotal
plot(dfnew$Age_n, dfnew$Total)
cor(dfnew$Age_n, dfnew$Total)
# 年齢とForeign_languages
plot(dfnew$Age_n, dfnew$Foreign_languages)
cor(dfnew$Age_n, dfnew$Foreign_languages)
# 年齢とEnglish_language
plot(dfnew$Age_n, dfnew$English_language)
cor(dfnew$Age_n, dfnew$English_language)
# 年齢とOther_foreign_languages
plot(dfnew$Age_n, dfnew$Other_foreign_languages)
cor(dfnew$Age_n, dfnew$Other_foreign_languages)
# 年齢とCommerce_and_business_total
plot(dfnew$Age_n, dfnew$Commerce_and_business_total)
cor(dfnew$Age_n, dfnew$Commerce_and_business_total)
# coplot関数で男女の違いを確認
coplot(Commerce_and_business_total ~ Age_n | Sex, data = dfnew)
# 年齢とComputing_etc
plot(dfnew$Age_n, dfnew$Computing_etc)
cor(dfnew$Age_n, dfnew$Computing_etc)
# coplot関数で男女の違いを確認
coplot(Computing_etc ~ Age_n | Sex, data = dfnew)
# 年齢とCommerce_and_business
plot(Commerce_and_business ~ Age_n, data = dfnew)
cor(dfnew$Age_n, dfnew$Commerce_and_business)
# coplot関数で男女の違いを確認
coplot(Commerce_and_business ~ Age_n | Sex, data = dfnew)
# 年齢とCaring, coplot関数で
coplot(Caring ~ Age_n | Sex, data = dfnew)
cor(dfnew$Age_n, dfnew$Caring)
# 年齢とHome_economics_and_housework
coplot(Home_economics_and_housework ~ Age_n | Sex, data = dfnew)
cor(dfnew$Age_n, dfnew$Home_economics_and_housework)
# 年齢とHumanities_social_and_natural_science
coplot(Humanities_social_and_natural_science ~ Age_n | Sex, data = dfnew)
cor(dfnew$Age_n, dfnew$Humanities_social_and_natural_science)
# 年齢とArts_and_culture
coplot(Arts_and_culture ~ Age_n | Sex, data = dfnew)
cor(dfnew$Age_n, dfnew$Arts_and_culture)
# 年齢とOther
coplot(Other ~ Age_n | Sex, data = dfnew)
cor(dfnew$Age_n, dfnew$Other)
