Bing Image Creator で生成: Red Gold and Green, photo
の続きです。
今回はデータフレームの並び替えをします。
arrange() 関数で並び替えできます。
elder_index: 老年化指数を並び替えしてみます。
沖縄県が上位独占、という感じです。よく見ると、2012年度、2013年度、2014年度と年を経るごとに老年化指数が上昇しています。
arrange() 関数の中で desc() 関数を使うと大きい順に並びかえできます。
2019年度の秋田県が一番の老年化指数です。
都道府県の平均値で並び替えしてみましょう。
group_by() 関数と summarize() 関数と mean() 関数を組み合わせます。
沖縄県の次は滋賀県が老年化指数の低い県でした。愛知県、神奈川県、福岡県、埼玉県、東京都、と続きます。
大きい順にも並び替えます。
秋田県が一番の老年化指数です。高知県、青森県、徳島県、山口県、岩手県と続きます。
次は、gdp_growth: 県内総生産額対前年増加率で並び替えます。
2012年度の愛媛県が-7.6%で一番の落ち込みでした。次は、2019年度の三重県の-5.9%です。
大きい順に並びかえます。
2015年度の長崎県が10.1%で一番の成長率です。
2013年度の栃木県が8%で二番目、2015年度の沖縄県が7.1%で三番目です。上位10傑はみな違う県です。
それでは、elder_index: 老齢化指数と同じように、平均値で並び替えてみます。
愛媛県が0.325%で一番低い成長率です。和歌山県、青森県、奈良県、香川県と続きます。
大きい順で並び替えます。
沖縄県が2.66%で一番です。宮城県が2.45%で二番目、福島県が2.16%で三番目です。
以上、今回はデータフレームを arrange() 関数で並び替えてみました。
沖縄県が一番若くて、県内総生産額対前年増加率も一番高いということが発見でした。
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。
#
# elder_index: 老年化指数で並び替え
df |>
arrange(elder_index)
#
#
# elder_index: 老年化指数 大きい順
df |>
arrange(desc(elder_index))
#
# elder_index: 老年化指数 平均値
df |>
group_by(pref) |>
summarize(avg = mean(elder_index)) |>
arrange(avg)
#
# elder_index: 老年化指数 平均値 降順
df |>
group_by(pref) |>
summarize(avg = mean(elder_index)) |>
arrange(desc(avg))
#
# gdp_growth: 県内総生産額対前年増加率
df |>
arrange(gdp_growth)
#
# gdp_growth: 県内総生産額対前年増加率 降順
df |>
arrange(desc(gdp_growth))
#
# gdp_growth: 県内総生産額対前年増加率
# 都道府県別平均値 昇順
df |>
group_by(pref) |>
summarize(avg = mean(gdp_growth)) |>
arrange(avg)
#
# gdp_growth: 県内総生産額対前年増加率
# 都道府県別平均値 降順
df |>
group_by(pref) |>
summarize(avg = mean(gdp_growth)) |>
arrange(desc(avg))
#
