Bing Image Creator で生成: close up photograph of white clover flowers. white flowers and pink flowers.
の続きです。
今回はデータをグラフにしてみます。
このデータは、2018年の1月から12月までと、2022年の1月から12月までの24か月の時系列データなので、時系列を表すインデックスの変数を作成します。
2018年の1月は１とスタートして、2018年の12月は12、2022年の1月は13となるようにしています。
百貨店の店舗数の推移を見てみます。
はじめは32店舗でしたが、30店舗になったことがわかります。
スーパーの店舗数の推移をみてみます。
スーパーの店舗数は、逆に増加していますね。はじめは340店舗ぐらいですが、400店舗を超えています。
働いている人の数はどうでしょうか？
百貨店からみてみます。
百貨店で働く人数は減少傾向ですね。店舗の数が30でかわらないのに減り続けています。
スーパーの人数はどうでしょうか？
スーパーの人数は増加傾向です。
販売額総額をみてみます。
販売総額は12月がダントツに多いですね。2018年と比べると2022年は減少しているように見えます。
スーパーの販売総額を見てみます。
スーパーも12月の売上がダントツですね。スーパーは、2022年のほうが売上が増えていますね。
こうして、2018年と2022年のデータをラインチャートで推移を見るようにすると、
百貨店は減少傾向、スーパーは増加傾向にあることがはっきりわかりますね。
今回は以上です。
次回は、
です。
初めから読むには、
です。
今回のコードは以下になります。
#
# 時系列のインデックスの変数を作る
df <- df |>
mutate(t = if_else(year == "2018", 0, 12) +
as.numeric(month)) |>
relocate(t)
df
#
# 百貨店の店舗数の推移
df |>
filter(type == "depa") |>
ggplot(aes(x = t, y = stores)) +
geom_line()
#
# スーパーの店舗数の推移
df |>
filter(type == "supe") |>
ggplot(aes(x = t, y = stores)) +
geom_line()
#
# 百貨店の人数の推移
df |>
filter(type == "depa") |>
ggplot(aes(x = t, y = persons)) +
geom_line()
#
# スーパーの人数の推移
df |>
filter(type == "supe") |>
ggplot(aes(x = t, y = persons)) +
geom_line()
#
# 百貨店の販売額の推移
df |>
filter(type == "depa") |>
ggplot(aes(x = t, y = total)) +
geom_line()
#
# スーパーの販売額の推移
df |>
filter(type == "supe") |>
ggplot(aes(x = t, y = total)) +
geom_line()
#
