summaryrefslogtreecommitdiffhomepage
diff options
context:
space:
mode:
-rw-r--r--ja-jp/r-jp.html.markdown775
1 files changed, 775 insertions, 0 deletions
diff --git a/ja-jp/r-jp.html.markdown b/ja-jp/r-jp.html.markdown
new file mode 100644
index 00000000..0ef6bddf
--- /dev/null
+++ b/ja-jp/r-jp.html.markdown
@@ -0,0 +1,775 @@
+---
+language: R
+contributors:
+ - ["e99n09", "http://github.com/e99n09"]
+ - ["isomorphismes", "http://twitter.com/isomorphisms"]
+translators:
+ - ["akirahirose", "https://twitter.com/akirahirose"]
+filename: learnr-jp.r
+lang: ja-jp
+---
+
+
+R は統計計算用の言語です。
+データの取得やクリーニング、統計処理やグラフ作成をするために使える、たくさんのライブラリがあります。また、LaTeX文書からRコマンドを呼び出すこともできます。
+
+
+```python
+# コメント行は、#で開始します
+
+
+# コメントを複数の行に分けたい場合は、
+# このように、コメント行を複数連続させるとできます
+
+
+# WindowsやMacでは、 COMMAND-ENTERで1行のコマンド実行ができます
+
+
+
+
+
+
+#############################################################################
+# プログラミングがわからなくとも使えるコマンド類
+#############################################################################
+
+
+# この節では、プログラミングがわからなくとも使える便利なRコマンドを紹介します
+# 全てを理解できなくとも、まずはやってみましょう!
+
+
+data() # 既にロードされているデータを閲覧します
+data(rivers) # "北米にある大きな川の長さ"データを取得します
+ls() # "rivers" がワークスペースに表示されました
+head(rivers) # データの先頭部分です
+# 735 320 325 392 524 450
+
+
+length(rivers) # 何本の川がデータにある?
+# 141
+summary(rivers) # 統計的に要約するとどうなる?
+# Min. 1st Qu. Median Mean 3rd Qu. Max.
+# 135.0 310.0 425.0 591.2 680.0 3710.0
+
+
+# 茎葉図(ヒストグラムに似た図)を描く
+stem(rivers)
+
+
+# The decimal point is 2 digit(s) to the right of the |
+#
+# 0 | 4
+# 2 | 011223334555566667778888899900001111223333344455555666688888999
+# 4 | 111222333445566779001233344567
+# 6 | 000112233578012234468
+# 8 | 045790018
+# 10 | 04507
+# 12 | 1471
+# 14 | 56
+# 16 | 7
+# 18 | 9
+# 20 |
+# 22 | 25
+# 24 | 3
+# 26 |
+# 28 |
+# 30 |
+# 32 |
+# 34 |
+# 36 | 1
+
+
+stem(log(rivers)) # このデータは、正規分布でも対数正規分布でもないので注意!
+# 特に正規分布原理主義のみなさん
+
+
+# The decimal point is 1 digit(s) to the left of the |
+#
+# 48 | 1
+# 50 |
+# 52 | 15578
+# 54 | 44571222466689
+# 56 | 023334677000124455789
+# 58 | 00122366666999933445777
+# 60 | 122445567800133459
+# 62 | 112666799035
+# 64 | 00011334581257889
+# 66 | 003683579
+# 68 | 0019156
+# 70 | 079357
+# 72 | 89
+# 74 | 84
+# 76 | 56
+# 78 | 4
+# 80 |
+# 82 | 2
+
+
+# ヒストグラム作成
+hist(rivers, col="#333333", border="white", breaks=25) # これらのパラメータをつかいます
+hist(log(rivers), col="#333333", border="white", breaks=25) # いろいろな使い方ができます
+
+
+# 別のロード済データでやってみましょう。Rには、いろいろなデータがロードされています。
+data(discoveries)
+plot(discoveries, col="#333333", lwd=3, xlab="Year",
+ main="Number of important discoveries per year")
+plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Year",
+ main="Number of important discoveries per year")
+
+
+# 年次のソートだけではなく、
+# 標準的な並べ替えもできます
+sort(discoveries)
+# [1] 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2
+# [26] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3
+# [51] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4
+# [76] 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 8 9 10 12
+
+
+stem(discoveries, scale=2)
+#
+# The decimal point is at the |
+#
+# 0 | 000000000
+# 1 | 000000000000
+# 2 | 00000000000000000000000000
+# 3 | 00000000000000000000
+# 4 | 000000000000
+# 5 | 0000000
+# 6 | 000000
+# 7 | 0000
+# 8 | 0
+# 9 | 0
+# 10 | 0
+# 11 |
+# 12 | 0
+
+
+max(discoveries)
+# 12
+summary(discoveries)
+# Min. 1st Qu. Median Mean 3rd Qu. Max.
+# 0.0 2.0 3.0 3.1 4.0 12.0
+
+
+# サイコロを振ります
+round(runif(7, min=.5, max=6.5))
+# 1 4 6 1 4 6 4
+# 私と同じrandom.seed(31337)を使わない限りは、別の値になります
+
+
+# ガウス分布を9回生成します
+rnorm(9)
+# [1] 0.07528471 1.03499859 1.34809556 -0.82356087 0.61638975 -1.88757271
+# [7] -0.59975593 0.57629164 1.08455362
+
+
+
+
+
+
+##################################################
+# データ型と基本計算
+##################################################
+
+
+# ここからは、プログラミングをつかうチュートリアルです
+# この節ではRで重要なデータ型の、整数型、数字型、文字型、論理型と因子型をつかいます
+# 他にもいろいろありますが、まずは最小限必要な、これらから始めましょう
+
+
+# 整数型
+# 整数型はLで指定します
+5L # 5
+class(5L) # "integer"
+# (?class を実行すると、class()関数について、さらなる情報が得られます)
+# Rでは、この5Lのような単一の値は、長さ1のベクトルとして扱われます
+length(5L) # 1
+# 整数型のベクトルはこのようにつくります
+c(4L, 5L, 8L, 3L) # 4 5 8 3
+length(c(4L, 5L, 8L, 3L)) # 4
+class(c(4L, 5L, 8L, 3L)) # "integer"
+
+
+# 数字型
+# 倍精度浮動小数点数です
+5 # 5
+class(5) # "numeric"
+# しつこいですが、すべてはベクトルです
+# 1つ以上の要素がある数字のベクトルも、作ることができます
+c(3,3,3,2,2,1) # 3 3 3 2 2 1
+# 指数表記もできます
+5e4 # 50000
+6.02e23 # アボガドロ数
+1.6e-35 # プランク長
+# 無限大、無限小もつかえます
+class(Inf) # "numeric"
+class(-Inf) # "numeric"
+# 例のように、"Inf"を使ってください。integrate( dnorm(x), 3, Inf);
+# Z-スコア表が必要なくなります
+
+
+# 基本的な計算
+# 数を計算できます
+# 整数と整数以外の数字を両方使った計算をすると、結果は整数以外の数字になります
+10L + 66L # 76 # 整数足す整数は整数
+53.2 - 4 # 49.2 # 整数引く数字は数字
+2.0 * 2L # 4 # 数字かける整数は数字
+3L / 4 # 0.75 # 整数割る数字は数字
+3 %% 2 # 1 # 二つの数字を割った余りは数字
+# 不正な計算は "not-a-number"になります
+0 / 0 # NaN
+class(NaN) # "numeric"
+# 長さが1より大きなベクター同士で計算ができます
+# どちらかが長い場合、短い方は何度も繰り返して使われます
+c(1,2,3) + c(1,2,3) # 2 4 6
+
+# 文字
+# Rでは、文字列と文字に区別がありません
+"Horatio" # "Horatio"
+class("Horatio") # "character"
+class('H') # "character"
+# 上記は両方とも、長さ1のベクターです
+# 以下は、より長い場合です
+c('alef', 'bet', 'gimmel', 'dalet', 'he')
+# =>
+# "alef" "bet" "gimmel" "dalet" "he"
+length(c("Call","me","Ishmael")) # 3
+# 正規表現処理を文字ベクターに適用できます
+substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis "
+gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis."
+# Rはいくつかの文字ベクターを組み込みで持っています
+letters
+# =>
+# [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
+# [20] "t" "u" "v" "w" "x" "y" "z"
+month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"
+
+
+# 論理
+# Rでは、Booleanは論理(logical)型です
+class(TRUE) # "logical"
+class(FALSE) # "logical"
+# 以下は比較演算子の例です
+TRUE == TRUE # TRUE
+TRUE == FALSE # FALSE
+FALSE != FALSE # FALSE
+FALSE != TRUE # TRUE
+# 無いデータ (NA) も論理型です
+class(NA) # "logical"
+# 以下のようにすると、複数の要素を持つ、論理型ベクターが返ります
+c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
+c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
+
+
+# ファクター
+# ファクタークラスは、カテゴリカルデータ用のクラスです
+# ファクターは、子供の学年のように順序がつけられるものか、性別のように順序がないものがあります
+factor(c("female", "female", "male", "NA", "female"))
+# female female male NA female
+# Levels: female male NA
+# "levels" は、カテゴリカルデータがとりうる値を返します
+levels(factor(c("male", "male", "female", "NA", "female"))) # "female" "male" "NA"
+# ファクターベクターの長さが1ならば、そのlevelも1です
+length(factor("male")) # 1
+length(levels(factor("male"))) # 1
+# ファクターは、この後で紹介するデータフレーム(というデータ型)内で、よくみられます
+data(infert) # "Infertility after Spontaneous and Induced Abortion"
+levels(infert$education) # "0-5yrs" "6-11yrs" "12+ yrs"
+
+
+# NULL
+# "NULL" は特殊な型なのですが、ベクターを空にするときに使います
+class(NULL) # NULL
+parakeet
+# =>
+# [1] "beak" "feathers" "wings" "eyes"
+parakeet <- NULL
+parakeet
+# =>
+# NULL
+
+
+# 型の強制
+# 型の強制とは、ある値を、強制的に別の型として利用する事です
+as.character(c(6, 8)) # "6" "8"
+as.logical(c(1,0,1,1)) # TRUE FALSE TRUE TRUE
+# さまざまな要素が入っているベクターに対して型の強制を行うと、おかしなことになります
+c(TRUE, 4) # 1 4
+c("dog", TRUE, 4) # "dog" "TRUE" "4"
+as.numeric("Bilbo")
+# =>
+# [1] NA
+# Warning message:
+# NAs introduced by coercion
+
+
+# 追記: ここで紹介したのは、基本的な型だけです
+# 実際には、日付(dates)や時系列(time series)など、いろいろな型があります
+
+
+
+
+
+
+##################################################
+# 変数、ループ、もし/ほかに(if/else)
+##################################################
+
+
+# 変数は、ある値を後で使うために入れておく、箱のようなものです
+# 箱に入れることを、変数に値を代入する、といいます
+# 変数を使うと、ループや関数、if/else 分岐を利用できます
+
+
+# 変数
+# 代入する方法はいろいろあります
+x = 5 # これはできます
+y <- "1" # これがおすすめです
+TRUE -> z # これも使えますが、ちょっとわかりにくいですね
+
+
+# ループ
+# forでループできます
+for (i in 1:4) {
+ print(i)
+}
+# whileでループできます
+a <- 10
+while (a > 4) {
+ cat(a, "...", sep = "")
+ a <- a - 1
+}
+# Rでは、forやwhileは遅いことを覚えておいてください
+# ベクターを丸ごと処理する(つまり、行全体や、列全体を指定して処理する)か、
+# 後述する、apply()系の関数を使うのが、速度的にはお勧めです
+
+
+# IF/ELSE
+# ごく普通のif文です
+if (4 > 3) {
+ print("4 is greater than 3")
+} else {
+ print("4 is not greater than 3")
+}
+# =>
+# [1] "4 is greater than 3"
+
+
+# 関数
+# 以下のように定義します
+jiggle <- function(x) {
+ x = x + rnorm(1, sd=.1) #すこしだけ(制御された)ノイズを入れます
+ return(x)
+}
+# 他の関数と同じように、呼びます
+jiggle(5) # 5±ε. set.seed(2716057)をすると、jiggle(5)==5.005043
+
+
+
+
+
+
+###########################################################################
+# データ構造: ベクター、行列、データフレーム、配列
+###########################################################################
+
+
+# 1次元
+
+
+# まずは基本からです。すでにご存じのベクターからです
+vec <- c(8, 9, 10, 11)
+vec # 8 9 10 11
+# 特定の要素を、[角括弧]による指定で取り出せます
+# (Rでは、最初の要素は1番目と数えます)
+vec[1] # 8
+letters[18] # "r"
+LETTERS[13] # "M"
+month.name[9] # "September"
+c(6, 8, 7, 5, 3, 0, 9)[3] # 7
+# 特定のルールに当てはまる要素を見つけることもできます
+which(vec %% 2 == 0) # 1 3
+# 最初か最後の数個を取り出すこともできます
+head(vec, 1) # 8
+tail(vec, 2) # 10 11
+# ある値がベクターにあるかどうかをみることができます
+any(vec == 10) # TRUE
+# ベクターの数より大きなインデックスを指定すると、NAが返ります
+vec[6] # NA
+# ベクターの長さは、length()で取得できます
+length(vec) # 4
+# ベクター全体、または一部に対して、操作ができます
+vec * 4 # 16 20 24 28
+vec[2:3] * 5 # 25 30
+any(vec[2:3] == 8) # FALSE
+# R には、ベクターにある値を要約するための様々な関数があります
+mean(vec) # 9.5
+var(vec) # 1.666667
+sd(vec) # 1.290994
+max(vec) # 11
+min(vec) # 8
+sum(vec) # 38
+# 他にも、ベクター関連ではいろいろな関数があります
+5:15 # 5 6 7 8 9 10 11 12 13 14 15
+seq(from=0, to=31337, by=1337)
+# =>
+# [1] 0 1337 2674 4011 5348 6685 8022 9359 10696 12033 13370 14707
+# [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751
+
+
+# 2次元配列 (すべての値が同じ型の場合)
+
+
+# 同じ型の値が含まれる配列は、このように作れます
+mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
+mat
+# =>
+# [,1] [,2]
+# [1,] 1 4
+# [2,] 2 5
+# [3,] 3 6
+# ベクターとは違い、配列のクラス名は"matrix"です。
+class(mat) # => "matrix"
+# 最初の行
+mat[1,] # 1 4
+# 最初の列に対する操作
+3 * mat[,1] # 3 6 9
+# 特定のセルを取り出し
+mat[3,2] # 6
+
+
+# 配列全体を転置します
+t(mat)
+# =>
+# [,1] [,2] [,3]
+# [1,] 1 2 3
+# [2,] 4 5 6
+
+
+# 配列の積
+mat %*% t(mat)
+# =>
+# [,1] [,2] [,3]
+# [1,] 17 22 27
+# [2,] 22 29 36
+# [3,] 27 36 45
+
+
+# cbind() は、複数のベクターを、別々の列に並べて配列を作ります
+mat2 <- cbind(1:4, c("dog", "cat", "bird", "dog"))
+mat2
+# =>
+# [,1] [,2]
+# [1,] "1" "dog"
+# [2,] "2" "cat"
+# [3,] "3" "bird"
+# [4,] "4" "dog"
+class(mat2) # matrix
+# ここでいま一度、型について注意してください!
+# 配列にある値は、すべて同じ型にする必要があります。そのため、すべて文字型に変換されています
+c(class(mat2[,1]), class(mat2[,2]))
+
+
+# rbind() は、複数のベクターを、別々の行に並べて配列を作ります
+mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
+mat3
+# =>
+# [,1] [,2] [,3] [,4]
+# [1,] 1 2 4 5
+# [2,] 6 7 0 4
+# 全ての値は同じ型になります。この例の場合は、強制変換がされないのでよかったです
+
+
+# 2次元配列 (いろいろな型を含む場合)
+
+
+# 異なる型の値を含む配列をつくりたい場合、データフレームを使ってください
+# データフレームは、統計処理を行うプログラムをする際にとても便利です
+# Pythonでも、 "pandas"というパッケージにて、似たものが利用可能です
+
+
+students <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"),
+ c(3,2,2,1,0,-1),
+ c("H", "G", "G", "R", "S", "G"))
+names(students) <- c("name", "year", "house") #カラム名
+class(students) # "data.frame"
+students
+# =>
+# name year house
+# 1 Cedric 3 H
+# 2 Fred 2 G
+# 3 George 2 G
+# 4 Cho 1 R
+# 5 Draco 0 S
+# 6 Ginny -1 G
+class(students$year) # "numeric"
+class(students[,3]) # "factor"
+# 次元の数をみます
+nrow(students) # 6
+ncol(students) # 3
+dim(students) # 6 3
+# このdata.frame() 関数は、デフォルトでは文字列ベクターをファクターのベクターに変換します
+# stringsAsFactors = FALSE に設定してからデータフレームを作成すると、変換されません
+?data.frame
+
+
+# データフレームの一部を取り出すには、いろいろな(変な)、似たような方法があります
+students$year # 3 2 2 1 0 -1
+students[,2] # 3 2 2 1 0 -1
+students[,"year"] # 3 2 2 1 0 -1
+
+
+# データフレームの拡張版が、データテーブルです。
+# 大きなデータやパネルデータ、データセットの結合が必要な場合には、データテーブルを使うべきです。
+# 以下に駆け足で説明します
+install.packages("data.table") # CRANからパッケージをダウンロードします
+require(data.table) # ロードします
+students <- as.data.table(students)
+students # 若干異なる出力がされることに注意
+# =>
+# name year house
+# 1: Cedric 3 H
+# 2: Fred 2 G
+# 3: George 2 G
+# 4: Cho 1 R
+# 5: Draco 0 S
+# 6: Ginny -1 G
+students[name=="Ginny"] # name == "Ginny"の行を取り出します
+# =>
+# name year house
+# 1: Ginny -1 G
+students[year==2] # year == 2の行を取り出します
+# =>
+# name year house
+# 1: Fred 2 G
+# 2: George 2 G
+# データテーブルは、二つのデータセットを結合するのにも便利です
+# 結合用に、生徒データが入った別のデータテーブルをつくります
+founders <- data.table(house=c("G","H","R","S"),
+ founder=c("Godric","Helga","Rowena","Salazar"))
+founders
+# =>
+# house founder
+# 1: G Godric
+# 2: H Helga
+# 3: R Rowena
+# 4: S Salazar
+setkey(students, house)
+setkey(founders, house)
+students <- founders[students] # 二つのデータテーブルを、"house"をキーとして結合します
+setnames(students, c("house","houseFounderName","studentName","year"))
+students[,order(c("name","year","house","houseFounderName")), with=F]
+# =>
+# studentName year house houseFounderName
+# 1: Fred 2 G Godric
+# 2: George 2 G Godric
+# 3: Ginny -1 G Godric
+# 4: Cedric 3 H Helga
+# 5: Cho 1 R Rowena
+# 6: Draco 0 S Salazar
+
+
+# データテーブルは、要約を作るのも簡単です
+students[,sum(year),by=house]
+# =>
+# house V1
+# 1: G 3
+# 2: H 3
+# 3: R 1
+# 4: S 0
+
+
+# データフレームやデータテーブルから列を消したい場合は、NULL値を代入します
+students$houseFounderName <- NULL
+students
+# =>
+# studentName year house
+# 1: Fred 2 G
+# 2: George 2 G
+# 3: Ginny -1 G
+# 4: Cedric 3 H
+# 5: Cho 1 R
+# 6: Draco 0 S
+
+
+# 行を消す場合は、データテーブルから、一部を除くことによってできます
+students[studentName != "Draco"]
+# =>
+# house studentName year
+# 1: G Fred 2
+# 2: G George 2
+# 3: G Ginny -1
+# 4: H Cedric 3
+# 5: R Cho 1
+# データフレームの場合も同様
+students <- as.data.frame(students)
+students[students$house != "G",]
+# =>
+# house houseFounderName studentName year
+# 4 H Helga Cedric 3
+# 5 R Rowena Cho 1
+# 6 S Salazar Draco 0
+
+
+# 多次元 (すべての値が同じ型の場合)
+
+
+# 配列でN次元の表を作ります
+# すべての値は同じ型にする必要があります
+# この方法で、配列のような2次元表も作成可能です
+array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
+# =>
+# [,1] [,2] [,3] [,4]
+# [1,] 1 4 8 3
+# [2,] 2 5 9 6
+# 配列から3次元行列を作ることもできます
+array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
+# =>
+# , , 1
+#
+# [,1] [,2]
+# [1,] 2 8
+# [2,] 300 9
+# [3,] 4 0
+#
+# , , 2
+#
+# [,1] [,2]
+# [1,] 5 66
+# [2,] 60 7
+# [3,] 0 847
+
+
+# リスト(多次元、不完全なのか複数の型が使われているもの)
+
+
+# ついにRのリストです
+list1 <- list(time = 1:40)
+list1$price = c(rnorm(40,.5*list1$time,4)) # random
+list1
+# リストの要素は以下のようにして取得できます
+list1$time # ある方法
+list1[["time"]] # 別の方法
+list1[[1]] # また別の方法
+# =>
+# [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
+# [34] 34 35 36 37 38 39 40
+# 他のベクターと同じく、一部を取り出すことができます
+list1$price[4]
+
+
+# リストは、Rで一番効率的なデータ型ではありません
+# なにか特別な理由がない限りは、データフレームを使い続けるべきです
+# リストは、線形回帰関数の返値として、しばしば使われます
+
+
+##################################################
+# apply() 系の関数
+##################################################
+
+
+# matは覚えていますよね?
+mat
+# =>
+# [,1] [,2]
+# [1,] 1 4
+# [2,] 2 5
+# [3,] 3 6
+# apply(X, MARGIN, FUN) は、行列Xの行(MARGIN=1)または列(MARGIN=2)に対して、関数FUNを実行します
+# RでこのようにXの全行か全列に関数を実行すると、forやwhileループを使うより、遥かに速くできます
+apply(mat, MAR = 2, jiggle)
+# =>
+# [,1] [,2]
+# [1,] 3 15
+# [2,] 7 19
+# [3,] 11 23
+# 他にも関数があります。?lapply, ?sapply で確認してみてください
+
+
+# このやり方がちょっとややこしいという事は、みんな同意です。なので、あまり怖がりすぎないでください
+
+
+# plyr パッケージは、*apply() 系の関数を置き換えて(さらに改善して)いこうとしています
+install.packages("plyr")
+require(plyr)
+?plyr
+
+
+
+
+
+
+#########################
+# データロード
+#########################
+
+
+# "pets.csv"は、インターネット上に置いてあるファイルです
+# (しかし、自分のPCにあるのと同じぐらい簡単に扱う事ができます)
+pets <- read.csv("http://learnxinyminutes.com/docs/pets.csv")
+pets
+head(pets, 2) # 最初の2行
+tail(pets, 1) # 最後の行
+
+
+# データフレームか行列をcsvファイルとして保存します
+write.csv(pets, "pets2.csv") # 新しくcsvファイルを作ります
+# ワーキングディレクトリを、setwd()で設定します。 ワーキングディレクトリは getwd()で確認可能です
+
+
+# ?read.csv や ?write.csv を入力すると、よりたくさんの情報を確認できます
+
+
+
+
+
+
+#########################
+# プロット
+#########################
+
+
+# 組み込みのプロット関数です
+# 散布図です!
+plot(list1$time, list1$price, main = "fake data")
+# 回帰図です!
+linearModel <- lm(price ~ time, data = list1)
+linearModel # outputs result of regression
+# 回帰直線を既存の図上に引きます
+abline(linearModel, col = "red")
+# いろいろな診断方法を見ましょう
+plot(linearModel)
+# ヒストグラムです!
+hist(rpois(n = 10000, lambda = 5), col = "thistle")
+# 棒グラフです!
+barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
+
+
+# GGPLOT2
+# 上記よりも、もっときれいな図を描くこともできます
+# より多くよい図を描くために、ggplot2 パッケージを使ってみましょう
+install.packages("ggplot2")
+require(ggplot2)
+?ggplot2
+pp <- ggplot(students, aes(x=house))
+pp + geom_histogram()
+ll <- as.data.table(list1)
+pp <- ggplot(ll, aes(x=time,price))
+pp + geom_point()
+# ggplot2 には、素晴らしい関連ドキュメントがそろっています (http://docs.ggplot2.org/current/)
+
+
+
+
+
+
+```
+
+
+## Rの入手方法
+
+
+* RとR GUIはこちら [http://www.r-project.org/](http://www.r-project.org/)
+* [RStudio](http://www.rstudio.com/ide/) はまた別のGUIです \ No newline at end of file