UnsplashのMarius Ciocirlanが撮影した写真
今回は、都道府県別の建築物リフォーム・リニューアル調査のデータを分析してみようと思います。
はじめに政府統計の総合窓口(e-Stat)からデータをCSVファイル形式でダウンロードします。
このようなCSVファイルです。11行目には、私が変数名を挿入しました。
今回は、県民1人当たり所得との関係もみてみようと思いますので、同じく政府統計の総合窓口から、県民1人当たりの国民所得のデータもダウンロードしておきました。
それでは、RにこれらのCSVファイルのデータを読み込ませます。
その前にtidyverseパッケージを読み込んでおきます。
CSVファイルのデータは、read_csv()関数で読み込みます。
まず、リフォーム・リニューアル調査のデータを読み込みました。
続いて、1人当たり県民所得のデータも読み込ませました。
glimpse()関数で正しくデータが読み込まれているか確認しましょう。
うまく読み込まれていますね。
こんどは、inner_join()関数を使って、reformとshotokuを合体させます。
共通している変数は、yearcode, year, prefcode, prefです。
こうして新しく作成した、dfという名前のデータフレームをよく見ると、code, unitは必要のない変数、yearcodeは始めの4文字だけあればいい、prefcodeは1000で割ったほうがスッキリする、year, prefはファクター型にしたほうがいい、と感じます。
そのようにdfを整えましょう。
select()関数で変数を指定して、mutate()関数で変数を整えています。
summary()関数で、dfというデータフレームの基本統計量を確認します。
yearcodeは調査年の数値型のデータです。最小値が2016、最大値が2018、平均値と中央値が2017ですから、このdfというデータフレームは、2016年、2017年、2018年の3年間のデータがあることがわかります。
yearは調査年のファクター型のデータです。3つの年度とも47個の観測数なので、３つの年度とも47都道府県のデータが揃っていることがわかります。
prefcodeは都道府県コード数値型のデータです。北海道が1で沖縄が47なので、小さい値は北日本、大きい値は九州という感じになります。
prefcodeは都道府県名のファクター型のデータです。3つの観測数ですね。これは2016年、2017年、2018年のデータがあることを意味しています。
totalは数値型のデータで、トータルのリフォーム・リニューアルの受注額です。単位は１億円です。
一番小さい値は312億円、一番は大きい値は2兆6963億円です。
houseは住宅のリフォーム・リニューアルの受注額です。一番小さい値は78億円、一番大きい値は1兆0706億円です。
nonhouseは住宅以外のリフォーム・リニューアルの受注額です。一番小さい値は235億円、一番大きい値は1兆6257億円です。住宅以外の受注額のほうが多いのですね。
shoku17は平成17年基準の一人当たりの県民所得です。単位は１千円です。すべてNAなので、2016, 2017, 2018年にはこのデータは無いことがわかります。
shtoku23は平成23年基準の一人当たりの県民所得です。一番小さい値は231万3千円、一番大きい値は541万5千円です。小さいところと大きいところでは2倍以上の開きがあります。平均値は295万8千円です。
今回は以上です。
次回は、
です。
