Content from スプレッドシートを使用したデータ整理

Last updated on 2025-08-05 | Edit this page

Overview

Questions

  • 表形式のデータを整理するにはどうすればよいですか?

Objectives

  • スプレッドシートとその長所と短所について学びます。
  • データを効果的に使用するには、スプレッドシート内のデータをどのようにフォーマットすればよいでしょうか?
  • 一般的なスプレッドシートのエラーとその修正方法について説明します。
  • tidy data の原則に従ってデータを整理します。
  • カンマ区切り (CSV) 形式やタブ区切り (TSV) 形式などのテキストベースのスプレッドシート形式について説明します。

This episode is based on the Data Carpentries’s Data Analysis and Visualisation in R for Ecologists lesson.

表計算プログラム

質問

  • 優れたデータ統合用にスプレッドシートを使用するための基本的な原則は何でしょうか？

目的

  • コンピュータがデータセットを最大限に活用できるようにデータを整理するためのベストプラクティスについて説明してみましょう。

キーポイント

  • 適切なデータ構成は、あらゆる研究プロジェクトの基礎です。

適切なデータ整理は研究プロジェクトの基盤です。 多くの研究者は、スプレッドシートでデータを保管したり、データ入力を行ったりしています。 スプレッドシートプログラムは、データテーブルの設計や基本的なデータ品質管理機能の操作に非常に便利なグラフィカルインターフェースです。 @Broman:2018 も参照してください。

スプレッドシートの概要

スプレッドシートはデータ入力作業に非常に適しています。 そのため、多くのデータがスプレッドシート形式で管理されています。 研究者としての時間の多くは、この「データ整理」段階に費やされることになるでしょう。 最も楽しい作業とは言えないかもしれませんが、これは必要不可欠なプロセスです。 本コースでは、データの整理方法についての考え方や、より効率的なデータ処理のための実践的な手法を体系的に学んでいただきます。

このレッスンで教えられないこと

  • スプレッドシートでの統計処理の方法
  • スプレッドシートでのグラフ作成の方法
  • スプレッドシート用プログラムでのコード記述の方法

これらの作業を行いたい場合、 O’Reilly社発行の『Head First Excel』 が優れた参考書としておすすめです。

なぜスプレッドシートでのデータ分析を教えないのか

  • スプレッドシートを用いたデータ分析では、通常多大な手作業が必要です。パラメータを変更したり新しいデータセットで分析を実行する場合、通常は最初からすべて手作業でやり直す必要があります。（マクロを作成できることは承知していますが、次のポイントを参照してください）

  • スプレッドシートプログラムで行った統計分析やグラフ作成の過程を追跡・再現することも困難です。後で作業内容を確認したい場合や、他者から分析の詳細を求められた場合などに問題となります。

数多くのスプレッドシートプログラムが利用可能です。参加者の多くが主要なスプレッドシートツールとしてExcelを使用しているため、本レッスンでは主にExcelの事例を取り上げます。同様に使用できる無料のスプレッドシートプログラムとしてはLibreOfficeがあります。コマンドの表記方法はプログラムによって若干異なる場合がありますが、基本的な概念は共通しています。

スプレッドシートプログラムは、研究者として必要な多くの作業をカバーしています。具体的には以下の用途に活用できます：

  • データ入力
  • データの整理
  • データのサブセット作成と並べ替え
  • 統計分析
  • グラフ作成

スプレッドシートプログラムでは、データを表形式で表現・表示します。表形式でフォーマットされたデータはこの章の主要なテーマでもあり、効率的な下流工程の分析を可能にするため、データを標準化された方法で表形式に整理する方法について解説します。

Discussion

課題: 隣の人と次の点について話し合ってください。

  • 研究や授業、家庭などで表計算ソフトを使用したことはありますか？
  • 表計算ソフトではどのような操作を行いますか？
  • 表計算ソフトが特に適していると思う用途は何だと思いますか？
  • 表計算ソフトを使用している際に、誤って操作してしまい、イライラしたりがっかりした経験はありますか？

スプレッドシートの問題

スプレッドシートはデータ入力には適していますが、実際にはデータ入力以外の用途でも頻繁に使用されます。 出版物用のデータ表作成、要約統計量の生成、図表の作成など、さまざまな用途に活用されています。

スプレッドシートで出版用の表を作成するのは最適な方法とは言えません。 データ表を出版用にフォーマットする際、通常は主要な要約統計量をデータとして直接読むことを目的とした形式で表示することは少なく、多くの場合特別な書式設定（セルの結合、枠線の設定、見栄えの調整など）が必要となります。 このような作業は、文書編集ソフトウェア内で行うことをおすすめします。

統計値の生成と図表作成という後半の2つの用途については、注意が必要です。 スプレッドシートソフトのグラフィカルでドラッグ＆ドロップ操作が可能な性質のため、特に複雑な計算が必要な場合、自身の操作手順を再現すること（ましてや他者の手順を追跡すること）は非常に困難です。 さらに、スプレッドシートで計算を行う際には、隣接する複数のセルにわずかに異なる計算式を誤って適用してしまうリスクがあります。 RやSASのようなコマンドラインベースの統計処理プログラムを使用する場合、意図的に行わない限り、データセット内のある観測値にのみ計算を適用し、別の観測値には適用しないという操作はほぼ不可能です。

データ入力とクリーニングにおけるスプレッドシートの活用

本レッスンでは、主要なスプレッドシートアプリケーションとしてExcelを使用していることを前提とします。他にもgnumericやOpenOfficeのCalcなど類似の機能を持つソフトがありますが、生物学者や生物医学研究者の間ではExcelが最も広く利用されているようです。

本レッスンでは以下のトピックについて扱います：

  1. スプレッドシートにおけるデータ表の適切なフォーマット方法
  2. フォーマットに関するよくある問題点
  3. データのエクスポート方法

スプレッドシートにおけるデータ表のフォーマット

質問事項

  • 効果的なデータ活用のために、スプレッドシートでデータをどのようにフォーマットすべきか？

学習目標

  • スプレッドシートにおけるデータ入力とフォーマットに関するベストプラクティスを説明する

  • 変数と観測値をスプレッドシート上で適切に整理するためのベストプラクティスを適用する

重要ポイント

  • 生データは絶対に改変しないこと。変更を加える前に必ずコピーを作成すること

  • データクリーニングの全工程をプレーンテキストファイルに記録しておくこと

  • 「Tidy Data」の原則に従ってデータを整理すること

最もよくある誤りは、スプレッドシートを実験ノートのように扱ってしまうことです。つまり、文脈や余白の注釈、データやフィールドの空間配置に依存して情報を伝えようとすることです。人間であればこれらの要素を（通常は）解釈できますが、コンピュータは人間とは異なる方法で情報を処理します。すべての要素が何を意味するのかを明確に指示しない限り（これは非常に困難な場合もあります）、コンピュータはデータの関連性を正しく把握できません。

コンピュータの処理能力を活用することで、データ管理と分析をはるかに効果的かつ迅速に行うことが可能になります。ただし、この能力を活用するためには、コンピュータが理解できるようにデータを適切な形式で設定する必要があります（コンピュータは非常に文字通りの解釈をする性質があるため）。

このため、最初から適切にフォーマットされたテーブルを設定することが極めて重要です。最初の予備実験データを入力する前から、データの整理を始めるべきです。データの整理方法は研究プロジェクトの基盤となります。分析作業全体を通じてデータを扱う際の効率性を大きく左右するため、データ入力時や実験セットアップ時に十分に検討する価値があります。スプレッドシートでは様々な方法でデータを設定できますが、これらの選択によっては、他のプログラムでデータを操作する能力が制限されたり、6ヶ月後の自分や共同研究者がデータを扱う際に問題が生じる可能性があります。

注記： データ入力とデータ分析に最適なレイアウト/フォーマット（ならびにソフトウェアやインターフェース）は、場合によって異なる場合があります。この点を考慮に入れ、理想的にはある形式から別の形式への自動変換を設定しておくことが重要です。

分析結果の管理方法

スプレッドシートを扱う際、データのクリーニングや分析作業を行っていると、最初に作成した状態とは大きく異なるシートになってしまうことがよくあります。分析結果を再現したり、査読者や指導者から別の分析方法を求められた場合に備えて、以下の点に留意してください：

  • クリーニング済みまたは分析済みデータの新しいファイルを作成すること。元のデータセットは変更しないでください。そうしないと、作業の起点が分からなくなってしまいます！

  • データクリーニングや分析の各工程を記録すること。これらの手順は、実験の各ステップと同様に記録する必要があります。データファイルと同じフォルダに保存したプレーンテキストファイルで管理することをお勧めします。

以下に、スプレッドシートの設定例を示します：

スプレッドシートとREADME.txtファイルのスクリーンショット
スプレッドシート設定例

これらの原則を、今日の演習で実践してみてください。

本コースではバージョン管理については扱いませんが、データのバージョン管理方法については、「Carpentries」の「Git」レッスン Gitを参照してください。また、簡単なチュートリアルとしてこのブログ記事や、:2016も参考になるでしょう。

スプレッドシートにおけるデータの構造化

スプレッドシートプログラムをデータ処理に使用する際の基本原則：

  1. すべての変数を列に配置すること - 「体重」や「温度」など、測定対象の項目をここに記入します。
  2. 各観測データをそれぞれ別の行に配置すること。
  3. 一つのセルに複数の情報をまとめないこと。一見一つの項目のように見えても、将来的にそのデータをどのように使用・整理したいかを考えてください。
  4. 生データはそのままの状態で保持すること - 決して変更しないでください！
  5. クリーニング済みデータはCSV（カンマ区切り値）形式などのテキストベース形式でエクスポートすること。これにより、誰でもデータを利用できるようになり、ほとんどのデータリポジトリでこの形式が要求されています。

例えば、ベルギー・ブリュッセルの複数の病院で受診した患者データがあるとします。このデータには、受診日、病院名、患者の性別、体重、血液型が記録されています。

もしデータをこのように管理した場合：

一つの列にABO型とRh因子が混在して記録された表
単一列に複数の変数を混在させた例

問題は、ABO型とRh因子が同じ「Blood」タイプの列に混在していることです。例えば、Aグループの全症例を調べたい場合や、ABO型別の体重分布を分析したい場合、このデータ構成では作業が困難になります。代わりに、ABO型とRh因子を別々の列に配置すれば、はるかに簡単に作業できるようになります。

ABO型とRh因子がそれぞれ別の列に記録された表
各変数を別々の列に配置した例

データシートを設定する際の重要なルールは、列は変数に、行は観測データに使用するということです：

  • 列は変数を表す
  • 行は観測データを表す
  • セルは個々の値を表す
Discussion

課題：整理されていないデータセットを扱い、それをどのようにクリーニングするか説明してください。

  1. このリンクをクリックして、整理されていないデータセットをダウンロードしてください。

  2. スプレッドシートソフトウェアでデータを開いてください。

  3. データには2つのタブがあることがわかります。このデータセットには、2020年の第1波と第2波の期間中にブリュッセルの様々な病院で記録された多様な臨床変数が含まれています。ご覧の通り、データは2020年3月と11月の波で異なる形式で記録されています。あなたは現在このプロジェクトの責任者であり、データの分析を開始できるようにしたいと考えています。

  4. 隣にいる人と協力して、このスプレッドシートの問題点を特定してください。また、第1波と第2波のタブをクリーニングするために必要な手順、およびそれらを1つのスプレッドシートに統合する方法についても議論してください。

重要事項: 最初のアドバイスを必ず守ってください：クリーニング済みデータ用の新しいファイル（またはタブ）を作成する際には、元の生データを一切変更しないでください。

この演習を終えた後、グループでこのデータの問題点とそれを修正する方法について議論します。

Discussion

課題：データを整理した後、以下の質問に答えてください：

  • 研究に参加した男性と女性はそれぞれ何人ですか？
  • A型、AB型、B型の検体はそれぞれいくつ検査されましたか？
  • 上記と同様ですが、汚染された検体は除外した場合の数値は？
  • Rhesus陽性（+）と陰性（-）の検体はそれぞれいくつ検査されましたか？
  • ユニバーサルドナー（O型・マイナス）の検体はいくつ検査されましたか？
  • AB型男性の平均体重はいくらですか？
  • 異なる病院で検査された検体数はいくつですか？

Rスクリプトに関する優れた参考資料として、特にWickhamによる2014年の論文『Tidy Data』が挙げられます。

スプレッドシート使用時によくある誤り

質問

  • スプレッドシートでデータをフォーマットする際によくある問題点と、それらを回避する方法を教えてください。

目的

  • スプレッドシートのフォーマットに関する一般的な問題を認識し、適切に対処できるようになること。

重要ポイント

  • 1つのスプレッドシート内に複数のテーブルを混在させないこと。
  • データを複数のタブに分散させないこと。
  • 0値は0として正確に記録すること。
  • 欠損データは適切な欠損値マーカーで記録すること。
  • フォーマット機能を情報伝達や見た目の装飾目的で使用しないこと。
  • コメントは別の列に記入すること。
  • 列ヘッダーには単位を明記すること。
  • 1つのセルには1種類の情報のみを記録すること。
  • 列ヘッダーにはスペース、数字、特殊文字を使用しないこと。
  • データ内に特殊文字を使用しないこと。
  • メタデータは別ファイルのプレーンテキスト形式で記録すること。

データ解析においては、自身のデータだけでなく、共同研究者やインターネットから入手したデータにもいくつかの潜在的なエラーが存在する可能性があります。これらのエラーと、下流工程のデータ分析や結果解釈に及ぼす悪影響を認識していれば、自身やプロジェクトメンバーの意識を高め、これらのエラーを回避しようとする動機付けとなるでしょう。スプレッドシートにおけるデータの書式設定をわずかに変えるだけでも、データクリーニングや分析の効率性と信頼性に大きな影響を与えることができます。

複数のテーブルを使用する場合

よくある間違いとして、1つのスプレッドシート内に複数のデータテーブルを作成する方法があります。これはコンピュータにとって混乱を招くため、絶対に避けるべきです。1つのスプレッドシート内に複数のテーブルを作成すると、コンピュータに対して誤った関連性を示唆することになり、各行を個別の観測値として認識してしまいます。また、同じフィールド名を複数の場所で使用することで、データを実用的な形式に整理する際の手間が増える可能性があります。以下の例がこの問題を説明しています：

サブテーブルが多数存在するシートの例
サブテーブルが多数存在するシートの例

上記の例では、コンピュータは例えば4行目を見て、A列からAF列までがすべて同じサンプルを指していると解釈してしまいます。実際には、この行は4つの異なるサンプル（5月29日、6月12日、6月19日、6月26日の4つの異なる採取日におけるサンプル1）と、そのうち2つのサンプルについての計算された要約統計量（平均値(avr)と測定値の標準誤差(SEM)）を含んでいます。他の行も同様に問題を含んでいます。

複数のタブを使用する場合

では、ワークブックのタブはどうでしょう？データを整理する簡単な方法のように思えますが、実はそうでもありません。追加のタブを作成すると、データ内に存在する関連性をコンピュータが認識できなくなります（この関連性を確保するためには、スプレッドシートアプリケーション固有の関数やスクリプトを導入する必要があります）。例えば、測定を行う日ごとに別々のタブを作成する場合を考えてみましょう。

これは2つの理由で適切な方法とは言えません：

  1. 測定を行うたびに新しいタブにデータを記録し始めると、データに不整合が意図せず混入する可能性が高くなります

  2. たとえすべての不整合を防ぐことができたとしても、データを分析する前に追加の手順が必要になります。これらのデータを単一のデータテーブルに統合しなければならず、コンピュータに対してタブの結合方法を明示的に指示する必要があります。さらに、タブの書式が不統一な場合、手動での作業が必要になることもあります。

次にデータを入力する際に、新しいタブやテーブルを作成しようと考えた時、元のスプレッドシートに別の列を追加するだけでこのタブを追加せずに済む方法がないか考えてみてください。私たちは以前、整理されていないデータファイルの例として複数のタブを使用していましたが、今ではタブを統合してデータを整理する方法をご理解いただけたでしょう。

実験が進むにつれ、データシートは非常に長くなることがあります。これにより、スプレッドシートの上部にあるヘッダーが見えにくくなり、データ入力が困難になる場合があります。ただし、ヘッダー行を繰り返し入力することは避けてください。ヘッダー行はデータと混ざってしまい、後々問題を引き起こす可能性があります。代わりに、列ヘッダーを固定することで、多くの行があるスプレッドシートでも常に表示されるようにすることができます。

ゼロ値の入力を省略する場合

測定対象の数値が通常ゼロである場合――例えば調査でウサギの目撃回数を記録する場合など――その列にわざわざ「0」と入力する必要はあるでしょうか？

ただし、スプレッドシートにおけるゼロ値と空欄セルには重要な違いがあります。コンピュータにとってゼロは実際に測定・カウントされたデータ値です。一方、空欄セルは「未測定」であることを意味し、コンピュータはこれを「不明値」（null値または欠損値）として解釈します。

スプレッドシートや統計解析ソフトは、ゼロ値として意図した空欄セルを誤って解釈する可能性があります。観測値の値を入力しないことは、そのデータを「不明」または「欠損」（null）として扱うようコンピュータに指示することになります。これは後続の計算や分析に問題を引き起こす可能性があります。例えば、数値データセットに1つのnull値が含まれている場合、その平均値は常にnull値となります（コンピュータは欠損値の正確な値を推測できないため）。このため、ゼロ値は確実に「0」として記録し、真の欠損データのみをnull値として扱うことが極めて重要です。

問題のあるnull値の使用

具体例: -999などの数値やゼロ値を用いて欠損データを表現する場合。

解決策:

データセット内でnull値が異なった形で表現される背景には、いくつかの理由があります。測定機器から自動的に記録される際に混乱を招くnull値が生成される場合もあります。この場合、対処の余地はあまりありませんが、OpenRefineなどのデータクリーニングツールを使用して分析前に処理することが可能です。また、データが存在しない理由が異なることを示すために、異なるnull値が使用されることもあります。これは重要な情報ではありますが、実質的に1つの列で2種類の情報を表現していることになります。フォーマットによる情報伝達の場合と同様に、「data_missing」などの新しい列を作成し、この列を用いて異なる理由を記録するのが適切です。

いずれの場合も、不明値や欠損データが-999、999、あるいは0として記録されている場合は問題が生じます。

多くの統計解析ソフトは、これらの値が欠損値（null値）として意図されたものであることを認識できません。これらの値がどのように解釈されるかは、使用する分析ソフトウェアによって異なります。明確で一貫性のあるnull値の指標を使用することが不可欠です。

空白セル（ほとんどのアプリケーションで使用）やNA値（R言語の場合）は良い選択肢です。@White:2013の論文では、各種ソフトウェアアプリケーションにおけるnull値の適切な表示方法について詳しく解説しています：

論文から抜粋した、一般的に使用されているnull値を示す表
一般的に使用されているnull値の例

フォーマットによる情報伝達

具体例: 分析から除外すべきセル、行、または列を強調表示する場合や、データの区切りを示すために空白行を使用する場合。

サンプル汚染を示すために黄色で強調表示された複数のセルを示す表
情報符号化に使用される色の例

解決策: 除外すべきデータを符号化する新しいフィールドを作成する。

上記と同じ表に、汚染を示す新しい変数を追加したもの
サンプル汚染を符号化する新しい変数

データシートの見栄えを良くするためのフォーマット使用

具体例: セルの結合。

解決策: 注意しないと、ワークシートをより見栄え良くするためのフォーマット処理が、コンピュータがデータの関連性を認識する能力を損なう可能性があります。結合されたセルは統計解析ソフトウェアにとってデータが読み取り不能な状態になります。データを整理するためにセルを結合する必要がないようにデータ構造を再構成することを検討してください。

セルへのコメントや単位の記載

ほとんどの解析ソフトウェアはExcelやLibreOfficeのコメントを認識できず、データセル内に配置されたコメントに混乱する可能性があります。前述のフォーマットの場合と同様に、セルに注釈を追加する必要がある場合は別のフィールドを作成してください。同様に、単位をセル内に記載することも避けてください。理想的には、1つの列に配置するすべての測定値は同じ単位であるべきです。何らかの理由で単位が異なる場合は、別のフィールドを作成し、セルの単位を明確に指定してください。

セルに複数の情報を混在させる場合

具体例: ABO血液型とRh因子を一つのセルに記録する場合（例：A+、B+、A-など）

解決策: 一つのセルに複数の情報を混在させないようにしてください。これにより、データ分析の方法が制限されてしまいます。これらの測定値の両方が必要な場合は、これらの情報を記録するための専用のデータシートを設計してください。例えば、ABOグループ用とRh因子用の2つの列を設けるといった方法が考えられます。

問題のあるフィールド名の使用

説明的なフィールド名を使用することは重要ですが、スペース、数字、特殊文字を含めないように注意してください。スペースは区切り文字としてスペースを使用するパーサーによって誤解釈される可能性があり、一部のプログラムでは数字で始まるテキスト文字列のフィールド名を受け付けない場合があります。

アンダースコア（_）はスペースの代わりとして有効です。読みやすさを向上させるため、キャメルケース表記（例：ExampleFileName）を使用することも検討してください。ただし、現時点で意味が通じる略語も、6ヶ月後には理解しづらくなる可能性があることに留意してください。一方で、名前が過度に長くなりすぎないようにすることも大切です。フィールド名に単位を含めることで、混乱を防ぎ、他者がデータの意味を容易に理解できるようになります。

具体例

適切な名前 代替案 避けるべき例
Max_temp_C MaxTemp Maximum Temp (°C)
Precipitation_mm Precipitation precmm
Mean_year_growth MeanYearGrowth Mean growth/year
sex sex M/F
weight weight w.
cell_type CellType Cell Type
Observation_01 first_observation 1st Obs

データファイルにおける特殊文字の使用

具体例: スプレッドシートプログラムをワープロソフトのように扱う場合 例えば、Word文書などからデータを直接コピーしてメモを作成する際などに見られます。

解決策: これは一般的な手法です。例えば、セル内に長文を入力する場合、改行記号やエンダッシュなどの特殊文字を含めることがよくあります。また、Wordなどのアプリケーションからデータをコピーすると、書式設定や非標準の装飾文字（左右揃えの引用符など）も一緒にコピーされます。このようなデータをコーディング環境や統計処理システム、あるいはリレーショナルデータベースにエクスポートすると、行が途中で切断されたり、エンコーディングエラーが発生したりするなどの問題が生じる可能性があります。

一般的なベストプラクティスとして、改行記号、タブ、垂直タブなどの特殊文字を追加することは避けるべきです。言い換えれば、テキストセルはテキストとスペースのみを含むシンプルなWebフォームと同様に扱うべきです。

データテーブルへのメタデータの包含

具体例: データテーブルの上部または下部に、各列の意味や単位、例外事項などを説明した凡例を追加する場合

解決策: データに関するメタデータ（「メタデータ」）の記録は不可欠です。データ収集・分析作業中はデータセットと密接に関わっているため、その時点であれば「sglmemgp」という変数が「グループの単独メンバー」を意味することや、変数を変換したり派生変数を作成した際に使用した正確なアルゴリズムなどを覚えているかもしれません。しかし、数ヶ月後や数年後にこれらを正確に覚えている可能性は極めて低いでしょう。

さらに、他の人々があなたのデータを調査・利用したいと考える理由は多岐にわたります - あなたの研究成果を理解するため、あなたの発見を検証するため、提出した論文を見直すため、あなたの結果を再現するため、類似研究を設計するため、あるいは単に他者がアクセス・再利用できるようにデータをアーカイブするためです。デジタルデータは定義上機械可読ですが、データの意味を理解するのは人間の役割です。研究の収集・分析段階でデータを文書化することの重要性は、特にその研究が学術記録の一部となる場合にはいくら強調してもしすぎることはありません。

ただし、メタデータはデータファイル自体に含めるべきではありません。紙媒体の表や補足ファイルとは異なり、メタデータ（凡例の形式など）はデータファイル内に含めるべきではありません。なぜなら、この情報はデータそのものではなく、データファイルの解釈方法を乱す可能性があるからです。代わりに、メタデータはデータファイルと同じディレクトリに別ファイルとして保存し、できればプレーンテキスト形式で、データファイルと明確に関連付けられる名前を付けるべきです。メタデータファイルは自由テキスト形式であるため、データファイルのフォーマットを乱すことなく、コメントや単位、null値の符号化方法など、文書化が必要な重要な情報も記録できます。

さらに、ファイルレベルまたはデータベースレベルのメタデータは、データセットを構成するファイル間の関係性、それらのファイル形式、および以前のファイルに取って代わるものか補完するものかといった情報を示します。プロジェクト内のすべてのファイルとフォルダを記録する古典的な方法として、フォルダレベルのreadme.txtファイルが用いられます。

（メタデータに関する記述は、EDINAとエディンバラ大学データライブラリが提供するオンラインコース『Research Data』MANTRAの内容を改変したものです。MANTRAのライセンスはCreative Commons 表示 4.0 国際ライセンスに準拠しています。）

データのエクスポート方法

質問

  • スプレッドシートからエクスポートしたデータを、後続の分析アプリケーションで効果的に活用するにはどうすればよいでしょうか？

目的

  • スプレッドシートデータを汎用的なファイル形式で保存する
  • スプレッドシートからCSVファイルへデータをエクスポートする

重要なポイント

  • 一般的なスプレッドシート形式で保存されたデータは、データ分析ソフトウェアで正しく読み込まれないことが多く、データにエラーが生じる原因となります。

  • CSVやTSVといった形式にデータをエクスポートすれば、ほとんどのアプリケーションで一貫して利用できる形式になります。

分析に使用するデータをExcelの標準ファイル形式（*.xlsまたは*.xlsx - 使用するExcelのバージョンによって異なります）で保存するのは推奨されません。その理由は？

  • この形式は独自のファイル形式であり、将来的に技術が廃れたり、ファイルを開くことが不便、あるいは不可能になる可能性があるためです。

  • 他のスプレッドシートソフトウェアでは、Excel独自の形式で保存されたファイルを開けない場合があります。

  • Excelの異なるバージョン間でデータの扱い方が異なるため、不整合が生じる可能性があります。日付データの取り扱いは、データ保存における不整合の典型的な例としてよく知られています。

  • さらに、多くの学術誌や研究助成機関がデータリポジトリへのデータ登録を義務付けており、これらの機関のほとんどはExcel形式を受け付けていません。以下に挙げる別の形式を使用する必要があります。

  • 上記のポイントは、LibreOffice/OpenOfficeで使用されるオープンデータ形式などの他の形式にも当てはまります。これらの形式は静的なものではなく、異なるソフトウェアパッケージ間で同じように解析されるわけではありません。

汎用的でオープン、かつ静的な形式でデータを保存すれば、この問題を効果的に解決できます。タブ区切り形式（タブ区切り値またはTSV）またはカンマ区切り形式（カンマ区切り値またはCSV）の使用を検討してください。CSVファイルはテキストファイルの一種で、列がカンマで区切られているため「カンマ区切り値」と呼ばれます。Excel/SPSSなどのファイル形式に比べてCSVファイルの利点は、ほぼすべてのソフトウェア、例えばTextEditやNotePadといったテキストエディタでも開いて読み込める点です。CSVファイルのデータは、SQLiteやRなどの他の形式や環境にも簡単にインポートできます。CSVファイルを使用する場合、特定の高価なソフトウェアの特定バージョンに縛られることがないため、最大限の移植性と永続性が求められる場合に最適な形式と言えます。ほとんどのスプレッドシートソフトウェアでは、CSV形式などの区切りテキスト形式へのエクスポートが簡単に行えますが、ファイルエクスポート時には警告が表示される場合があります。

Excelで開いているファイルをCSV形式で保存するには：

  1. 上部メニューから「ファイル」→「名前を付けて保存」を選択します。
  2. 「ファイル形式」フィールドのリストから「カンマ区切り値」（*.csv）を選択します。
  3. ファイル名と保存先を再確認し、「保存」をクリックします。

後方互換性に関する重要な注意点：CSVファイルはExcelでも開くことができます！

MacOSでExcelデータをCSV形式でエクスポートするメニュー
ExcelファイルをCSV形式で保存する方法

Rとxlsファイルに関する補足：xlsファイル（およびGoogleスプレッドシート）を読み込めるRパッケージが存在します。xlsドキュメント内の異なるワークシートにアクセスすることも可能です。

ただし：

  • これらのパッケージの中にはWindows環境でしか動作しないものがあります。
  • これは、単純な手動エクスポート処理の代わりに、データ分析用Rコードに追加の複雑さと依存関係が生じることを意味します。
  • データフォーマットのベストプラクティスは依然として適用されます。
  • 本当にcsv形式（または類似の形式）が不適切だと言えるほどの正当な理由があるのでしょうか？

カンマ使用時の注意点

一部のデータセットでは、データ値自体にカンマ（,）が含まれている場合があります。この場合、Excelを含む多くのソフトウェアは、データを列形式で正しく表示できません。これは、データ値の一部として含まれるカンマが、実際には区切り文字として解釈されてしまうためです。

例えば以下のようなデータ形式を考えてみましょう：

species_id,genus,species,taxa
AB,Amphispiza,bilineata,Bird
AH,Ammospermophilus,harrisi,Rodent, not censused
AS,Ammodramus,savannarum,Bird
BA,Baiomys,taylori,Rodent

レコード AH,Ammospermophilus,harrisi,Rodent, not censused において、taxa の値にはカンマが含まれています（Rodent, not censused）。このようなデータをExcelなどの表計算ソフトで読み込もうとすると、以下のような表示結果になります：

セル内にカンマが含まれるために正しくインポートされなかったデータの例。該当セルは2つのセルに分割されている
カンマを含む区切りデータを読み込む際の問題点

taxa の値は1つの列（D列）に収まるべきところ、2つの列に分割されてしまいました。これによりさらなるエラーが発生する可能性があります。例えば、余分な列は欠損値が多い列（適切なヘッダー情報なし）として解釈されてしまいます。さらに、行3のレコード（taxa 値にカンマが含まれていた行）の列Dの値も不正確になってしまいます。

csv形式でデータを保存する場合で、データ値にカンマが含まれる可能性がある場合は、上記の問題を回避するために値をダブルクォート(““)で囲むことが有効です。このルールを適用すると、データは以下のようになります：

species_id,genus,species,taxa
"AB","Amphispiza","bilineata","Bird"
"AH","Ammospermophilus","harrisi","Rodent, not censused"
"AS","Ammodramus","savannarum","Bird"
"BA","Baiomys","taylori","Rodent"

この形式でExcelに読み込めば、ダブルクォートの外側にあるカンマのみが区切り文字として認識されるため、余分な列は生成されません。

あるいは、カンマを含むデータを扱う場合、表計算ソフトで作業する際には別の区切り文字を使用する必要があります1。この場合、タブ文字を区切り文字として設定し、TSVファイル形式で作業することを検討してください。TSVファイルはCSVファイルと同様に表計算ソフトからエクスポート可能です。

既に存在するデータセットで、データ値がダブルクォートで囲まれていないにもかかわらずカンマが区切り文字とデータ値の両方に使われている場合、データクリーニングにおいて重大な問題に直面する可能性があります。特に数百件から数千件のレコードを含むデータセットの場合、手動でカンマを削除したり値をダブルクォートで囲んだりする作業には膨大な時間がかかり、誤って多くのエラーを混入させてしまうリスクもあります。

データクリーニングは多くの科学分野における主要な課題の一つです。そのアプローチは通常、特定の状況に応じて異なります。ただし、スクリプトを記述して実行するなど、自動化された方法でデータをクリーニングすることは良い実践方法です。PythonやRの学習を通じて、関連するスクリプト開発スキルを身につける基礎が身につきます。

まとめ

データ変換・可視化・モデリングを繰り返すデータ分析のサイクル。tidyデータ分析の概念図
典型的なデータ分析ワークフロー

上記の図は、データを繰り返し変換・可視化・モデリングする典型的なデータ分析ワークフローを示しています。この反復プロセスは、データが十分に理解されるまで複数回繰り返されます。しかし実際のケースでは、データ分析そのものよりもデータのクリーニングと準備に多くの時間が費やされる場合がほとんどです。

変換/可視化/モデリングのサイクルを迅速に繰り返すアジャイルなデータ分析ワークフローを実現するには、データが予測可能な形式でフォーマットされており、データを実際に確認したり修正したりすることなくその内容を理解できることが重要です。

Key Points
  • 適切なデータ整理は、あらゆる研究プロジェクトの基盤です。

  1. これは特にヨーロッパ諸国で顕著な問題です。これらの地域ではカンマが小数点区切りとして使用されるため、csvファイルではデフォルトでセミコロン（;）が値の区切り文字として使われます。あるいは、値が自動的にダブルクォートで囲まれることになります。↩︎

Content from RとRStudio

Last updated on 2025-08-05 | Edit this page

Overview

Questions

  • RとRStudioとは何ですか？

Objectives

  • RStudioの「スクリプト」「コンソール」「環境」「プロット」各ペインの機能と目的について説明する。
  • Rプロジェクトとして一連の分析用ファイルとディレクトリを整理し、作業ディレクトリの役割を理解する。
  • RStudioに標準搭載されているヘルプ機能を活用し、R関数に関する詳細情報を検索する方法を習得する。
  • Rユーザーコミュニティに対して適切な情報を提供し、トラブルシューティングを効果的に行う方法を示す。

このエピソードは、Data Carpentriesの_Data Analysis and Visualisation in R for Ecologists_レッスンに基づいています。

Rとは何か？ RStudioとは何か？

Rという用語は、以下の3つの概念を指すものとして用いられます： プログラミング言語、統計計算のための環境、そしてこの言語で記述されたスクリプトを解釈するソフトウェアです。

RStudioは現在、Rスクリプトの作成だけでなく、Rソフトウェアとの対話的な操作を行うための非常に人気の高いツールとなっています1。RStudioを正しく機能させるには、R本体のインストールが必須であり、両者をコンピュータにインストールする必要があります。

RStudio IDEチートシートにはここで紹介する内容以上の詳細な情報が記載されていますが、キーボードショートカットの習得や新機能の発見に役立つ有用な資料です。

Rを学ぶ理由

Rはマウス操作に頼らない設計――これはむしろ良いことです

他のソフトウェアに比べて学習曲線が急かもしれませんが、Rでは分析結果が一連のマウス操作の記憶に依存するのではなく、記述されたコマンドの系列によって得られる点が優れています。これはまさに良いことです！ つまり、追加データを収集して分析をやり直す場合、どのボタンをどの順序でクリックしたかを覚える必要はなく、単にスクリプトを再実行すればよいのです。

スクリプトベースの作業は、分析プロセスの各ステップを明確に記録します。また、記述したコードは他者がレビュー可能であり、フィードバックを得たり誤りを発見したりするのに役立ちます。

スクリプトベースの作業は、自分が行っていることに対する深い理解を自然と促し、使用する手法の学習と理解を促進します。

Rコードは再現性に優れています

再現性とは、同じ分析コードを使用して同じデータセットを扱えば、他者（将来の自分自身を含む）が同じ結果を得られることを意味します。

Rは他のツールと連携することで、コードから論文やレポートを生成することが可能です。データをさらに収集した場合や、データセットに誤りを発見した場合でも、論文やレポート内の図表や統計テストは自動的に更新されます。

近年、多くの学術誌や資金提供機関が分析結果の再現性を求めています。Rを習得していれば、こうした要件に対応する上で有利になるでしょう。

Rは学際的で拡張性に優れています

CRAN（Comprehensive R Archive Network）で利用可能な1万以上のパッケージ2をインストールすることで、Rはその機能を拡張できるフレームワークを提供します。これにより、様々な科学分野の統計的アプローチを組み合わせ、データ解析に必要な分析フレームワークを最適に構築することが可能です。例えば、画像解析、GIS、時系列分析、集団遺伝学など、多岐にわたる分野に対応したパッケージが用意されています。

2000年から2018年までのCRANパッケージ数の指数関数的増加を示す2つのグラフ。右側のグラフはパッケージ数の対数に対する線形トレンドを示しています。
CRANで利用可能なパッケージ数の指数関数的増加。『R Journal』第10巻第2号（2018年12月）より。2000年から2018年までのCRANパッケージ数の指数関数的増加を示す2つのグラフ。右側のグラフはパッケージ数の対数に対する線形トレンドを示しています。

Rはあらゆる種類・規模のデータに対応します

Rで習得するスキルは、扱うデータセットの規模に容易に適応します。データセットの行数が数百行であろうと数百万行であろうと、作業効率にほとんど影響しません。

Rはデータ分析のために設計されています。欠損データの処理や統計的要因の考慮を容易にする特殊なデータ構造とデータ型を備えています。

Rはスプレッドシートやデータベース、その他の様々なデータ形式（コンピュータ上のものからウェブ上のものまで）に接続可能です。

Rは高品質なグラフィックスを生成します

Rのプロット機能は充実しており、グラフのあらゆる要素を調整することで、データから伝えたいメッセージを最も効果的に表現することができます。

Rには大規模で活発なコミュニティが存在する

何千人もの人々が日常的にRを利用しています。その中には、メーリングリストやStack Overflow、RStudioコミュニティなどのプラットフォームを通じて、積極的にサポートを提供してくれるユーザーが多数います。このような広範なユーザーコミュニティは、バイオインフォマティクスなどの専門分野にも及んでいます。Rコミュニティの代表的な専門組織の一つがBioconductorであり、「最新および新興の生物学的アッセイから得られるデータの解析と理解」を目的とした科学的プロジェクトです。このワークショップはBioconductorコミュニティのメンバーによって開発されました。Bioconductorに関する詳細情報は、関連ワークショップ『Bioconductorプロジェクト』をご覧ください。

Rは無料であるだけでなく、オープンソースでクロスプラットフォーム対応である

誰でもRのソースコードを閲覧し、その仕組みを理解することができます。この透明性により、エラーが発生する可能性が低減され、もし問題が見つかった場合（あなた自身や他のユーザーが発見した場合）でも、バグの報告と修正が可能です。

RStudioの操作に慣れる

まずはRStudioについて学びましょう。これはRプログラミングのための統合開発環境（IDE）です。

RStudioのオープンソース製品は、Affero General Public License（AGPL）v3の下で無償で提供されています。また、Posit, Inc.が提供する商用ライセンス版では、優先的なメールサポートも利用可能です。

本ワークショップでは、RStudio IDEを使用してコードの記述、コンピュータ上のファイル操作、作成予定の変数の確認、生成するプロットの可視化を行います。なお、RStudioはバージョン管理、パッケージ開発、Shinyアプリの作成など、本ワークショップでは取り上げない他の用途にも使用可能です。

典型的な4パネル構成のRStudioインターフェースを示すスクリーンショット
RStudioインターフェースのスクリーンショット。左上から時計回りに、ソース、環境/履歴、ファイル/プロット/パッケージ/ヘルプ/ビューア、コンソールの各パネルを表示。

RStudioのウィンドウは4つの「パネル」に分割されています：

  • ソースパネル：スクリプトやドキュメントの編集領域（デフォルトレイアウトでは左上）
  • 環境/履歴パネル（右上）
  • ファイル/プロット/パッケージ/ヘルプ/ビューアパネル（右下）
  • Rコンソールパネル（左下）

これらのパネルの配置や内容はカスタマイズ可能です（メニューの「ツール」→「グローバルオプション」→「パネルレイアウト」から設定できます）。

RStudioを使用する利点の一つは、コード記述に必要なすべての情報が単一のウィンドウで確認できる点です。さらに、豊富なショートカットキー、自動補完機能、R開発時に頻繁に使用する主要ファイルタイプに対するハイライト表示などにより、タイピング作業がより容易になり、入力ミスも減少します。

作業環境のセットアップ方法

関連するデータ、分析結果、およびテキストファイルを単一のフォルダにまとめ、作業ディレクトリとして管理することは良い習慣です。このフォルダ内のすべてのスクリプトは、相対パスを使用してファイルを指定できます。相対パスとは、プロジェクト内のファイルの位置を示す方法です（絶対パスとは異なり、特定のコンピュータ上のファイルの正確な場所を指定するものです）。この方法を採用することで、プロジェクトをコンピュータ間で移動させたり、他者と共有したりする際にも、基礎となるスクリプトが正しく動作するかどうかを心配する必要がなくなります。

RStudioでは、「プロジェクト」インターフェースを通じて、この作業を容易にする便利なツールセットを提供しています。この機能は作業ディレクトリを作成するだけでなく、その場所を記憶し（簡単にアクセスできるようにします）、オプションでカスタム設定や開かれているファイルを保存することで、作業再開時の利便性を向上させます。以下の手順に従って、このチュートリアル用の「Rプロジェクト」を作成してください。

  1. RStudioを起動します。
  2. ファイルメニューから新規プロジェクトをクリックします。次に新規ディレクトリを選択し、続けて新規プロジェクトを選びます。
  3. この新しいフォルダに名前を付けます（「ディレクトリ」とも呼ばれます）。また、作業しやすい場所を選択します。このフォルダがこのセッション（あるいはコース全体）の作業ディレクトリとなります（例：bioc-intro）。
  4. プロジェクトを作成をクリックします。
  5. (オプション) RStudioの設定で「ワークスペースを保存しない」を選択します。

RStudioのデフォルト設定は一般的に問題なく機能しますが、特に大規模なデータセットを扱う場合、ワークスペースを.RDataファイルに保存するのは煩雑になることがあります。この機能を無効にするには、ツールメニューからグローバルオプションを選択し、終了時にワークスペースを.RDataに保存するオプションを「しない」に設定してください。

RStudioの一般オプションパネルのスクリーンショット
終了時にワークスペースを.RDataに保存する設定を「しない」に設定

Windowsと他のオペレーティングシステム間で発生する文字エンコーディングの問題を回避するため、デフォルトのテキストエンコーディングをUTF-8に設定します：

RStudioのコードオプションパネルのスクリーンショット
今後のトラブルを防ぐため、デフォルトのテキストエンコーディングをUTF-8に設定します。（上記リンクの図を参照）

作業ディレクトリの整理方法

プロジェクト間で一貫したフォルダ構造を採用することで、作業環境を整理できるだけでなく、将来的にファイルを簡単に検索・管理できるようになります。特に複数のプロジェクトを扱う場合に有効です。一般的には、スクリプト用、データ用、ドキュメント用のディレクトリを作成するとよいでしょう。

  • data/ このフォルダには、生データや特定の分析に必要な中間データセットを保存します。透明性とプロバンスを確保するため、常に生データのコピーをアクセス可能な状態で保持し、可能な限りデータのクリーニングや前処理はプログラム的に行う（手動ではなくスクリプトを使用する）ようにしてください。生データと処理済みデータを分離することも良い習慣です。例えば、data/raw/tree_survey.plot1.txtや...plot2.txtといったファイルは、scripts/01.preprocess.tree_survey.Rスクリプトによって生成されたdata/processed/tree.survey.csvファイルとは別に管理します。
  • documents/ ここにはアウトライン、ドラフト、その他のテキストファイルを保存します。
  • scripts/（またはsrc） このフォルダには、各種分析やプロット作成用のRスクリプトを保存します。また、関数用の専用フォルダを設けることもできます（詳細は後述します）。

プロジェクトの要件に応じて追加のディレクトリやサブディレクトリが必要になる場合もありますが、これらが作業ディレクトリの基本構造となります。

典型的なRStudioプロジェクトにおける作業ディレクトリと各種ディレクトリの構造を示すフロー図
作業ディレクトリの構造例

本コースでは、生データを保存するためのdata/フォルダが必要です。また、CSVファイルとしてデータをエクスポートする方法を学ぶ際にはdata_output/フォルダを使用し、作成した図を保存するためのfig_output/フォルダも用意します。

Discussion

課題: プロジェクト用ディレクトリ構造を作成する

画面右側の「ファイル」タブで、まず「新規フォルダ」をクリックし、 新たに作成した作業ディレクトリ内に「data」という名前のフォルダを作成します （例：~/bioc-intro/data）。（別の方法として、Rコンソールでdir.create("data")と入力しても構いません）。 同様の操作を繰り返して、「data_output/」フォルダと「fig_output」フォルダを作成してください。

作業ディレクトリのルートディレクトリにスクリプトを保存することにします。 使用するファイルは1つだけであり、この方法を採用することで作業が より効率的になるからです。

作業ディレクトリの状態は以下のようになります：

RStudioのファイルパネルのスクリーンショット
本レッスン開始時の理想的な作業ディレクトリの状態

プロジェクト管理はバイオインフォマティクスプロジェクトにも 当然適用されます3。William Noble氏（@Noble:2009）は 以下のようなディレクトリ構造を提案しています：

ディレクトリ名は大文字で、ファイル名は小文字で表記しています。ここでは 一部のファイルのみを表示しています。日付は<年>-<月>-<日>形式で 記載されており、時系列で並べ替えが可能です。ソースコードsrc/ms-analysis.c はコンパイルされてbin/ms-analysisとして実行可能になり、doc/ms-analysis.html でドキュメント化されています。データディレクトリ内のREADMEファイルには、 各データファイルが何月何日にどのURLからダウンロードされたかが記載されています。 ドライバスクリプトresults/2009-01-15/runallは自動的に3つのサブディレクトリ split1、split2、split3を生成します。これらは3つの交差検証分割に対応しています。 bin/parse-sqt.pyスクリプトは、両方のrunallドライバスクリプトから呼び出されます。

Noble et al. (2009)による複雑なバイオインフォマティクスプロジェクト構造を示す図
サンプルバイオインフォマティクスプロジェクトのディレクトリ構造

適切に定義され、十分に文書化されたプロジェクトディレクトリの最も重要な利点は、 プロジェクトに詳しくない人4が

  1. プロジェクトの内容、利用可能なデータ、実施された分析、得られた結果を 理解できること、そして最も重要なのは

  2. 新しいデータを使用したり分析パラメータを変更したりして、 同じ分析を再現できることです。

作業ディレクトリ

作業ディレクトリは理解しておくべき重要な概念です。これはRがファイルの 検索と保存を行う基準となる場所です。プロジェクト用のコードを書く際には、 作業ディレクトリのルートを基準としてファイルを参照し、この構造内の ファイルのみを使用するようにしてください。

RStudioプロジェクトを使用すればこの作業が容易になり、作業ディレクトリが 適切に設定されることが保証されます。確認が必要な場合はgetwd()関数を使用できます。 何らかの理由で作業ディレクトリが想定通りでない場合は、RStudioのファイルブラウザで 作業ディレクトリが設定されるべき場所に移動し、青い歯車アイコンMoreを選択して Set As Working Directoryを選択してください。別の方法として、setwd("/path/to/working/directory") を使用して作業ディレクトリをリセットすることも可能です。ただし、この行をスクリプトに 含めると、他のコンピュータで実行した際にエラーが発生するため注意が必要です。

具体例

以下の図は、dataサブディレクトリとfig_outputサブディレクトリ、および 後者に2つのファイルを持つ作業ディレクトリbioc-introの構造を示しています：

bioc-intro/data/
          /fig_output/fig1.pdf
          /fig_output/fig2.png

作業ディレクトリ内にいれば、fig1.pdfファイルには相対パスbioc-intro/fig_output/fig1.pdf または絶対パス/home/user/bioc-intro/fig_output/fig1.pdfでアクセスできます。

dataディレクトリ内にいれば、相対パス../fig_output/fig1.pdfまたは同じ絶対パス /home/user/bioc-intro/fig_output/fig1.pdfを使用してアクセスします。

Rとの対話操作

プログラミングの基本は、コンピュータが実行すべき指示を記述し、それを実際に実行させることにあります。私たちはR言語で指示を記述しますが、これはコンピュータと人間が共に理解できる共通言語だからです。これらの指示を「コマンド」と呼び、コンピュータに実行させるには「実行」（または「実行」とも呼ばれる）コマンドを発行します。

Rとの主な対話方法は2つあります：コンソールを使用する方法と、スクリプト（コードを記述したテキストファイル）を使用する方法です。RStudioでは、画面左下のコンソールパネルがR言語で記述したコマンドを入力し、即座にコンピュータに実行させることができる場所です。また、実行したコマンドの結果もこのコンソールに表示されます。コンソールに直接コマンドを入力してEnterキーを押せばコマンドを実行できますが、セッションを閉じると入力した内容は失われます。

コードと作業手順を再現可能にするため、コマンドはスクリプトエディタに入力して保存するのが理想的です。こうすることで、行った作業の完全な記録が残り、自分自身を含む誰もが簡単に同じ結果を再現できるようになります。ただし、スクリプトにコマンドを入力しただけでは自動的に実行されるわけではありません。コマンドはコンソールに送信して初めて実行される点に注意が必要です。

RStudioでは、Ctrl + Enterキーのショートカット（MacではCmd + Return）を使って、スクリプトエディタから直接コマンドを実行できます。スクリプトの現在行（カーソルで示される位置）のコマンド、または現在選択されているテキスト内のすべてのコマンドが、Ctrl + Enterを押すことでコンソールに送信され実行されます。その他のキーボードショートカットについては、RStudio IDEに関するこのチートシートを参照してください。

分析作業中に、スクリプトに記録を残す必要はなくても、変数の内容を調べたりオブジェクトの構造を確認したい場合があります。このような場合はコンソールに直接コマンドを入力して実行できます。RStudioでは、Ctrl + 1とCtrl + 2のショートカットで、スクリプトとコンソールパネルを切り替えることができます。

Rがコマンドの入力を受け付けられる状態にある場合、コンソールには>プロンプトが表示されます。コマンドが入力されると（キーボード入力、コピー＆ペースト、またはスクリプトエディタからCtrl + Enterで送信した場合）、Rはそのコマンドを実行しようとします。準備が整うと結果が表示され、新しい>プロンプトに戻って次のコマンドを待ちます。

Rがまだ完全なコマンドの入力を待っている場合、コンソールには+プロンプトが表示されます。これは、括弧や引用符が正しく閉じられていないことを意味します。つまり、開き括弧と閉じ括弧の数が一致していない、または開き引用符と閉じ引用符の数が一致していない状態です。この状態になった場合、コマンドの入力が完了したと思ったら、コンソールウィンドウ内でクリックしてEscキーを押してください。これにより不完全なコマンドがキャンセルされ、>プロンプトに戻ります。

コース中およびコース終了後の学習方法

本コースで扱う内容は、Rを使って自身の研究データを分析する方法の基本的な理解を得るのに役立ちます。しかし、データのクリーニング、統計手法の適用、美しいグラフの作成といった高度な操作を行うには、さらに学ぶ必要があります。Rを他のツールと同様に熟練して効率的に使いこなす最善の方法は、実際の研究課題に適用することです。初心者にとって、一からスクリプトを書くのは気が遠くなる作業に思えるかもしれませんが、多くの人がオンラインでコードを公開しているため、既存のコードを自分の目的に合わせて修正する方が、学習の第一歩として取り組みやすいでしょう。

子猫の写真を使用した架空の書籍カバー。「Changing Stuff and Seeing What Happens.」のタイトル付き

ヘルプの活用方法

RStudio内蔵のヘルプインターフェースを使って、R関数に関する詳細情報を検索する

RStudioヘルプパネルのスクリーンショット
RStudioヘルプインターフェース

最も迅速なヘルプ取得方法の一つは、RStudioのヘルプインターフェースを使用することです。このパネルはデフォルトでRStudioの右下パネルに表示されます。スクリーンショットで示されているように、「Mean」（平均）という単語を入力すると、RStudioは関連する可能性のある複数の提案を表示します。その後、説明が表示ウィンドウに表示されます。

使用したい関数の名前は分かっているが、その使い方が分からない場合

特定の関数（例えば barplot()）の使用方法について知りたい場合は、以下のように入力してください：

R 

?barplot

引数の名前だけを確認したい場合は、以下のコマンドが便利です：

R 

args(lm)

Xのような処理を行う関数を使いたいが、該当する関数がどれか分からない場合

特定のタスクを実行するための関数を探している場合、help.search()関数を使用できます。これはダブル疑問符 ?? で呼び出すことができます。ただし、この機能はインストール済みパッケージ内のヘルプページのみを検索し、検索キーワードに一致するものを探します

R 

??kruskal

探している情報が見つからない場合は、rdocumentation.org というウェブサイトが便利です。このサイトでは利用可能なすべてのパッケージのヘルプファイルを検索できます。

最終的には、一般的なGoogle検索やインターネットで「R <タスク名>」と検索すると、適切なパッケージのドキュメントや、既に誰かが同じ質問をしている有益なフォーラムにたどり着けることが多いです。

行き詰まっている…理解できないエラーメッセージが表示される場合

まずはエラーメッセージをそのままGoogleで検索してみましょう。ただし、この方法が常に効果的とは限りません。多くの場合、パッケージ開発者はRのエラー処理機能に依存しているため、「subscript out of bounds」のような一般的なエラーメッセージが表示され、問題の診断に役立たないことがあります。エラーメッセージが非常に一般的な場合は、使用している関数やパッケージ名も検索クエリに含めると良いでしょう。

ただし、Stack Overflowも必ず確認してください。[r]タグで検索すれば、ほとんどの質問にはすでに回答が付いています。重要なのは、適切なキーワードを使って検索し、答えを見つけることです：

https://stackoverflow.com/questions/tagged/r

R入門 はプログラミング経験が少ない方にはやや難解かもしれませんが、R言語の基礎を理解するには良い資料です。

R FAQ は技術的で密度の高い内容ですが、非常に有用な情報が満載です。

助けを求める際のポイント

誰かに助けを求める際の鍵は、問題を迅速に理解してもらうことです。問題の原因を特定しやすいように、できるだけ分かりやすく説明しましょう。

問題を説明する際には、正しい用語を使うことが重要です。例えば、「パッケージ」と「ライブラリ」は同じものではありません。ほとんどの人は意図を理解してくれるでしょうが、この2つの違いに強いこだわりを持つ人もいます。重要なのは、助けようとする人を混乱させないことです。問題を説明する際は、可能な限り具体的に記述しましょう。

可能であれば、動作しない部分をシンプルな「再現可能な例」に簡略化してください。50,000行10,000列のデータフレームではなく、ごく小規模なデータフレームで問題を再現できる場合は、問題の説明と一緒にその小規模なデータフレームを提供しましょう。適切な場合は、自分の専門分野以外の人でも理解できるように、できるだけ一般的な表現を使うようにしてください。例えば、実際のデータセットの一部を使う代わりに、3列5行程度の汎用的なデータセットを作成するなどです。再現可能な例の書き方については、Hadley Wickham氏のこちらの記事 が参考になります。

他の人とオブジェクトを共有する場合、オブジェクトが比較的小さい場合は、dput()関数を使用できます。これはメモリ上のオブジェクトと完全に同じオブジェクトを再作成できるRコードを出力します：

R 

## irisはRに付属するサンプルデータフレームで、head()はデータフレームの先頭部分を返す関数です
dput(head(iris))

OUTPUT 

structure(list(Sepal.Length = c(5.1, 4.9, 4.7, 4.6, 5, 5.4),
    Sepal.Width = c(3.5, 3, 3.2, 3.1, 3.6, 3.9), Petal.Length = c(1.4,
    1.4, 1.3, 1.5, 1.4, 1.7), Petal.Width = c(0.2, 0.2, 0.2,
    0.2, 0.2, 0.4), Species = structure(c(1L, 1L, 1L, 1L, 1L,
    1L), levels = c("setosa", "versicolor", "virginica"), class = "factor")), row.names = c(NA,
6L), class = "data.frame")

オブジェクトが大きい場合は、生のファイル（つまりCSVファイル）と、エラーが発生する直前までのスクリプト全体（問題に関係のない部分は削除したもの）を提供するか、特にデータフレーム以外の質問の場合は、Rオブジェクトをファイルに保存することができます[^export]：

R 

saveRDS(iris, file="/tmp/iris.rds")

ただし、このファイルの内容は人間が直接読める形式ではなく、Stack Overflowに直接投稿することはできません。代わりに、メールなどで他の人に送信し、readRDS()コマンドで読み込ませることができます（ここではダウンロードしたファイルがユーザーのホームディレクトリのDownloadsフォルダにあることを前提としています）：

R 

some_data <- readRDS(file="~/Downloads/iris.rds")

最後に、必ずsessionInfo()の出力結果を含めてください。これは使用しているプラットフォーム、Rのバージョン、使用しているパッケージなど、問題を理解する上で非常に有用な情報を含んでいます。

R 

sessionInfo()

OUTPUT 

R version 4.5.1 (2025-06-13)
Platform: x86_64-pc-linux-gnu
Running under: Ubuntu 22.04.5 LTS

Matrix products: default
BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.10.0
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.10.0  LAPACK version 3.10.0

locale:
 [1] LC_CTYPE=C.UTF-8       LC_NUMERIC=C           LC_TIME=C.UTF-8
 [4] LC_COLLATE=C.UTF-8     LC_MONETARY=C.UTF-8    LC_MESSAGES=C.UTF-8
 [7] LC_PAPER=C.UTF-8       LC_NAME=C              LC_ADDRESS=C
[10] LC_TELEPHONE=C         LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C

time zone: UTC
tzcode source: system (glibc)

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base

loaded via a namespace (and not attached):
 [1] assertthat_0.2.1       R6_2.6.1               xfun_0.52
 [4] magrittr_2.0.3         glue_1.8.0             knitr_1.50
 [7] sandpaper_0.16.13.9000 lifecycle_1.0.4        xml2_1.3.8
[10] ps_1.9.1               cli_3.6.5              processx_3.8.6
[13] callr_3.7.6            vctrs_0.6.5            renv_1.1.5
[16] withr_3.0.2            compiler_4.5.1         purrr_1.1.0
[19] tools_4.5.1            tinkr_0.3.0            evaluate_1.0.3
[22] yaml_2.3.10            BiocManager_1.30.25    pegboard_0.7.9
[25] rlang_1.1.6

サポートを受けるには？

  • コース中に隣に座っている人：ワークショップ中は遠慮なく隣の人と話し、解答を比較したり、質問したりしてください。
  • 経験豊富な同僚：もしあなたよりも経験豊かな人がいれば、その人が喜んで助けてくれるかもしれません。
  • Stack Overflow：もしあなたの質問がまだ回答されておらず、よく練られたものであれば、5分以内に回答が得られる可能性が高いです。適切な質問の仕方のガイドラインに従うことを忘れないでください。
  • R-helpメーリングリスト：このリストは多くのユーザー（Rコアチームの主要メンバーを含む）に読まれており、多くの投稿がありますが、やや事務的なトーンで、新規ユーザーに対して必ずしも親しみやすいとは限りません。質問が妥当なものであれば、迅速に回答が得られる可能性が高いですが、絵文字付きの回答は期待しないでください。また、他のどの場所よりも正確に専門用語を使用することが重要です（そうしないと、質問そのものではなく言葉の使い方についての回答が返ってくる可能性があります）。特定のパッケージに関する質問よりも、基本機能に関する質問の方がより適切な回答が得られる傾向があります。
  • 特定のパッケージに関する質問の場合は、そのパッケージ用のメーリングリストがあるかどうかを確認してください。通常、パッケージのDESCRIPTIONファイルに記載されており、packageDescription("パッケージ名")コマンドでアクセスできます。また、パッケージの著者に直接メールを送ったり、コードリポジトリ（例：GitHub）で問題をオープンにしたりすることも有効です。
  • GISや系統発生学など特定のトピックに特化したメーリングリストもあります（完全なリストはRプロジェクトのメーリングリストページで確認できます）。

その他のリソース

Rパッケージ

パッケージの読み込み

前述の通り、RパッケージはRにおいて非常に重要な役割を果たします。インストール済みのパッケージの機能を利用するには、まずそのパッケージを読み込む必要があります。これはlibrary()関数を使用して行います。以下ではggplot2パッケージを読み込んでいます。

R 

library("ggplot2")

パッケージのインストール

デフォルトのパッケージリポジトリはComprehensive R Archive Network（CRAN）であり、CRANで利用可能なパッケージはすべてinstall.packages()関数でインストールできます。例えば以下では、後で学習するdplyrパッケージをインストールしています。

R 

install.packages("dplyr")

このコマンドはdplyrパッケージ自体だけでなく、その動作に必要なすべての依存パッケージもインストールします。

もう一つの主要なRパッケージリポジトリはBioconductorが管理しています。Bioconductorパッケージは、専用パッケージであるBiocManagerを使用して管理およびインストールできます。これはCRANから以下のようにインストールできます：

R 

install.packages("BiocManager")

その後、SummarizedExperiment（後で使用します）、DESeq2（RNA-Seq解析用）など、BioconductorまたはCRANの個別パッケージはBiocManager::installでインストール可能です。

R 

BiocManager::install("SummarizedExperiment")
BiocManager::install("DESeq2")

デフォルトでは、BiocManager::install()はインストール済みパッケージをすべてチェックし、新しいバージョンが利用可能かどうかを確認します。新しいバージョンがあれば、それらを表示して「すべて/一部/すべて更新しますか？ [a/s/n]:」と尋ね、回答を待ちます。可能な限り最新のパッケージバージョンを使用することが望ましいですが、実際にはRセッションを新しく開始し、他のパッケージを読み込む前にパッケージを更新することを推奨します。

Key Points
  • RとRStudioを使い始める

  1. コマンドラインのコンソールから直接Rを使用する場合とは異なります。Rと連携・統合する他のソフトウェアも存在しますが、RStudioは特に初心者に適しており、同時に非常に高度な機能を多数備えている点が特徴です。↩︎

  2. つまり、バイオインフォマティクスデータ解析など、Rに新たな機能を追加する追加モジュールのことです。↩︎

  3. 本コースでは、バイオインフォマティクスを 生物学的または生物医学データに適用されるデータサイエンスと定義します。↩︎

  4. この「詳しくない人」とは、分析実施から数ヶ月あるいは数年後の あなた自身である可能性が非常に高いことを意味します。↩︎

Content from R の紹介

Last updated on 2025-07-01 | Edit this page

Overview

Questions

  • R の最初のコマンド

Objectives

  • R に関連する次の用語を定義します: オブジェクト、代入、呼び出し、関数、引数、オプション。
  • R のオブジェクトに値を割り当てます。
  • オブジェクトに _名前を付ける_方法を学ぶ
  • コメントを使用してスクリプトに情報を与えます。
  • R で単純な算術演算を解きます。
  • 関数を呼び出し、引数を使用してデフォルトのオプションを変更します。
  • ベクトルの内容を検査し、その内容を操作します。
  • ベクトルから値をサブセット化して抽出します。
  • データが欠落しているベクトルを解析します。

This episode is based on the Data Carpentries’s Data Analysis and Visualisation in R for Ecologists lesson.

R でオブジェクトを作成する

コンソールに math と入力するだけで、R から出力を取得できます。

R 

3 + 5

OUTPUT 

[1] 8

R 

12 / 7

OUTPUT 

[1] 1.714286

ただし、便利で興味深いことを行うには、_値_を オブジェクト に割り当てる必要があります。 オブジェクトを作成するには、オブジェクトに名前を付け、その後に 代入演算子 <- と、それに付けたい値を付ける必要があります。

R 

weight_kg <- 55

<- は代入演算子です。 右側の値を左側の 個のオブジェクトに割り当てます。 したがって、「x <- 3」を実行すると、「x」の値は 3 になります。 矢印は 3 が x に入る と読むことができます。 歴史的 理由により、代入に = を使用することもできますが、 のコンテキストで使用できるわけではありません。 構文に わずかな違い](https://blog.revolutionanalytics.com/2008/12/use-equals-or-arrow-for-assignment.html) があるため、常に < を使用することをお勧めします。 - 割り当て用。

RStudio では、 オプション を入力しながら、 Alt + - を入力すると ( - キーと同時に Alt を押すと)、PC で 1 回のキーストロークで <- が書き込まれます。 + - ( オプション - キーと同時に押す) は、Mac でも と同じことを行います。

変数に名前を付ける

オブジェクトには、「x」、「current_temperature」、または「subject_id」などの任意 名前を付けることができます。 オブジェクト名は明示的で、長 ないようにしたいと考えています。 数字で始めることはできません (「2x」は無効ですが、「x2」 は有効です)。 R では大文字と小文字が区別されます (たとえば、weight_kg は の Weight_kg とは異なります)。 R の基本的な関数の名前であるため、使用でき 名前が かあります (例: if、else、 for。2 こちらを参照)完全なリストについては、/R-manual/R-devel/library/base/html/Reserved.html) )。 一般に、たとえ許可されていても、他の関数名 (例: c、T、mean、data、df、 weights) は使用しないことが です。 疑問がある場合は、ヘルプを参照して、その名前がすでに で使用されているかどうかを確認してください。 また my.dataset のように、オブジェクト名内にドット (.) を使用しないことも最善です。 R には歴史的な理由から名前にドットが含まれる関数が多数あります が、R (メソッド) や他のプログラミング言語ではドットが特別な意味を持っているため、ドットは避けるのが最善です 。 オブジェクト名には名詞を使用し、関数名には動詞 を使用することもお勧めします。 のスタイル (スペースを入れる場所、オブジェクトの名前など) に一貫性を持たせることが重要です。 コーディング スタイルを使用すると、 の自分や共同作業者にとって、コードがより明確に読みやすくなります。 R では、人気のあるスタイル ガイド には、Google の、 tidyverse の スタイル、およびBioconductor スタイル ガイド。 Tidyverse は非常に包括的であり、最初は では圧倒されるように思えるかもしれません。 lintr パッケージを にインストールすると、コードのスタイルの問題が自動的にチェックされます。

オブジェクトと変数: 「R」で「オブジェクト」として知られているものは、他の多くのプログラミング言語では「変数」として知られて ます。 に応じて、「オブジェクト」と「変数」は に異なる意味を持つ可能性があります。 ただし、このレッスンでは、2 つの単語は 的に使用されます。 詳細については、 ここを参照してください。

オブジェクトに値を割り当てるとき、R は何も出力しません。 かっこを使用するか 名を入力することで、 に値を強制的に出力させることができます。

R 

weight_kg <- 55    # 何も出力しません
(weight_kg <- 55)  #  しかし、呼び出しを括弧で囲むと `weight_kg` の値が出力され、

OUTPUT 

[1] 55

R 

weight_kg          # オブジェクトの名前を入力しても同様に出力されます

OUTPUT 

[1] 55

R のメモリに「weight_kg」があるので、それを使って算術演算を行うことができます。 、この重量をポンドに変換したい場合があります (ポンドでの重量は kg での重量の 2.2 倍です)。

R 

2.2 * weight_kg

OUTPUT 

[1] 121

オブジェクトに新しい値を割り当てることで、オブジェクトの値を変更することもできます。

R 

weight_kg <- 57.5
2.2 * weight_kg

OUTPUT 

[1] 126.5

これは、 つのオブジェクトに値を割り当てても、他のオブジェクトの値は変更されないことを意味します。たとえば、動物の体重をポンド単位で新しい オブジェクト weight_lb に保存してみましょう。

R 

weight_lb <- 2.2 * weight_kg

次に「weight_kg」を 100 に変更します。

R 

weight_kg <- 100
Discussion

チャレンジ：

オブジェクト「weight_lb」の現在の内容は何だと思いますか? 126.5 それとも 220?

コメント

のコメント文字は # です。0 スクリプトの # の右側にあるものはすべて R によって無視されます。スクリプトにメモ 説明を残すと便利です。

RStudio では、段落のコメントまたはコメント解除が簡単に行えます。 コメントしたい行を選択した後、 キーボード Ctrl + Shift + Cを同時に押します。 の場合、1 行だけをコメントアウトしたい場合は、その行の任意 位置にカーソルを置きます (つまり、行全体を選択する必要はありません)。その後 Ctrl + Shift + C押します。

Discussion

チャレンジ

次の各ステートメントの後の値は何ですか?

R 

mass <- 47.5            # 質量?
age  <- 122             # 年齢?
mass <- mass * 2.0      # 質量?
age  <- age - 20        # 年齢?
mass_index <- mass/age  # 質量指数?

関数とその引数

関数は、操作の割り当て を含む、より複雑なコマンド セットを自動化する「定型スクリプト」です。 多くの関数は事前定義されているか、R パッケージ をインポートすることで 可能になります (詳細は後ほど)。 関数 は通常、arguments と呼ばれる 1 つ以上の入力を取得します。 関数は多くの場合 (常に ではありませんが) 値 を返します。 典型的な例は関数 sqrt() です。 入力 (引数) は数値でなければならず、戻り値 (実際には 出力) はその数値の平方根です。 関数の実行 (「実行中」) は関数の 呼び出し と呼ばれます。 関数呼び出しの例は次のとおりです。

R 

b <- sqrt(a)

ここでは、a の値が sqrt() 関数に与えられ、sqrt() 関数は 平方根を計算し、その値をオブジェクト ` に代入して返します。 この関数は引数を 1 つだけ取るため、非常に単純です。

関数の戻り値「値」は数値 (sqrt() のような) である必要はなく、 である必要もありません。また、単一の項目である必要もありません。一連のものや 、さらにはデータセットでも構いません。 データ ファイルを R に読み込むと、それがわかります。

引数には、数値やファイル名だけでなく、他の も含めることができます。 各引数の正確な意味は関数ごとに異なるため、ドキュメントで調べて にする必要があります (下記を参照)。 一部の関数は引数を取ります はユーザーによって指定されるか、指定されなかった場合は デフォルト 値を取ります: これらは オプション と呼ばれます。 オプションは通常、「不正な値」を無視するかどうか、プロットでどのような記号を使用 かなど、 関数の動作方法を変更するために使用されます。 ただし、特定の値が必要な場合は、デフォルトの代わりに使用される値 を選択して指定できます。

複数の引数を取ることができる関数 round() を試してみましょう。

R 

round(3.14159)

OUTPUT 

[1] 3

ここでは、1 つの引数 3.14159 を指定して round() を呼び出しましたが、 が値 3 を返しました。 これは、デフォルトでは最も近い 整数に丸められるためです。 さらに多くの桁が必要な場合は、「round」関数に関する 情報を取得することでその方法がわかります。 args(round) を使用するか、?round を使用して 関数のヘルプを参照することができます。

R 

args(round)

OUTPUT 

function (x, digits = 0, ...)
NULL

R 

?round

別の桁数が必要な場合は、digits=2 または必要な桁数を入力 ことがわかります。

R 

round(3.14159, digits = 2)

OUTPUT 

[1] 3.14

定義されているのとまったく同じ順序で引数を指定する場合は に名前を付ける必要はありません。

R 

round(3.14159, 2)

OUTPUT 

[1] 3.14

引数に名前を付けた場合は、その順序を入れ替えることができます。

R 

round(digits = 2, x = 3.14159)

OUTPUT 

[1] 3.14

関数呼び出しの最初にオプションではない引数 ( 四捨五入する数値など) を置き、すべてのオプションの 引数の名前を指定することをお勧めします。 そうしないと、コードを読む人が、 をしているのかを理解するために、なじみのない引数を持つ関数の定義を調べなければなら 可能性があります。 引数の名前を指定することで、関数インターフェースの将来の変更 (既存の引数の間に 引数が追加される可能性) から することもできます。

ベクトルとデータ型

ベクトルは R で最も一般的かつ基本的なデータ型であり、ほぼ R の主力である です。ベクトルは、 数字や文字などの一連の値で構成されます。 の c() 関数を使用して、一連の値をベクトルに割り当てることができます。 たとえば、動物の体重のベクトルを作成し、それを新しいオブジェクト weight_g に に割り当てることができます。

R 

weight_g <- c(50, 60, 65, 82)
weight_g

OUTPUT 

[1] 50 60 65 82

ベクトルには文字も含めることができます。

R 

molecules <- c("dna", "rna", "protein")
molecules

OUTPUT 

[1] "dna"     "rna"     "protein"

ここでは「dna」や「rna」などの引用符が重要です。 引用符 がないと、R は dna、rna、および protein と呼ばれるオブジェクトがあると想定します。 これらのオブジェクトは R のメモリに存在しないため、エラー メッセージが されます。

ベクトルの内容を検査できる関数が多数あります。 length() は、特定のベクトルに含まれる要素の数を示します。

R 

length(weight_g)

OUTPUT 

[1] 4

R 

length(molecules)

OUTPUT 

[1] 3

ベクトルの重要な特徴は、すべての要素が タイプのデータであることです。 関数 class() は、オブジェクトのクラス ( 型の要素) を示します。

R 

class(weight_g)

OUTPUT 

[1] "numeric"

R 

class(molecules)

OUTPUT 

[1] "character"

関数 str() は、 オブジェクトとその要素の構造の概要を提供します。 これは、 て複雑なオブジェクトを扱う場合に便利な関数です。

R 

str(weight_g)

OUTPUT 

 num [1:4] 50 60 65 82

R 

str(molecules)

OUTPUT 

 chr [1:3] "dna" "rna" "protein"

c() 関数を使用して、ベクトルに他の要素を追加できます。

R 

weight_g <- c(weight_g, 90) # ベクトルの最後に追加
weight_g <- c(30, weight_g) # ベクトルの先頭に追加
weight_g

OUTPUT 

[1] 30 50 60 65 82 90

最初の行では、元のベクトル weight_g を取得し、その末尾に 値 90 を追加し、結果を weight_g に保存します。 次に、値 30 を先頭に追加し、結果を再び として weight_g に保存します。

これを何度も繰り返してベクトルを成長させたり、 データセットを組み立てたりすることができます。 これは、プログラムするときに、 または計算している結果を追加するのに役立つ場合があります。

アトミック ベクトルは最も単純な R データ型であり、単一型の線形 ベクトルです。 上では、R が使用する 6 つの主な アトミック ベクトル タイプのうち 2 つ、つまり "character" と "numeric" (または "double") を見てきました。 これらは、すべての R オブジェクト が構築される基本的な構成要素です。 他の 4 つの 原子ベクトル タイプは次のとおりです。

  • TRUE および FALSE の場合は "logical" (ブール データ型)
  • 整数の場合は "integer" (たとえば、2L、L は R にそれが整数であることを示します)
  • "complex" は、実数と虚数の 部分を持つ複素数を表します (例: 1 + 4i)。これについて説明するのはこれですべてです。
  • ビットストリームの「raw」` (これ以上は説明しません)

typeof() 関数 を使用し、ベクトルを引数として入力することで、ベクトルの型をチェックできます。

ベクトルは、R が使用する多くの データ構造 の 1 つです。 その他 重要なものは、リスト (list)、行列 (matrix)、データ フレーム (data.frame)、因子 (factor)、および配列 (array) です。

Challenge

チャレンジ：

アトミック ベクトルの型は、文字、数値 (または double)、整数、および論理型であることがわかりました。 しかし、これらのタイプを つのベクトルに混在させようとするとどうなるでしょうか?

R はそれらをすべて同じ型に暗黙的に変換します。

Challenge

チャレンジ：

これらのそれぞれの例では何が起こるでしょうか? (ヒント: class() を使用してオブジェクトのデータ型を確認 、名前を入力して何が起こるかを確認します):

R 

num_char <- c(1, 2, 3, "a")
num_logical <- c(1, 2, 3, TRUE, FALSE)
char_logical <- c("a", "b", "c", TRUE)
tricky <- c(1, 2, 3, "4")

R 

class(num_char)

OUTPUT 

[1] "character"

R 

num_char

OUTPUT 

[1] "1" "2" "3" "a"

R 

class(num_logical)

OUTPUT 

[1] "numeric"

R 

num_logical

OUTPUT 

[1] 1 2 3 1 0

R 

class(char_logical)

OUTPUT 

[1] "character"

R 

char_logical

OUTPUT 

[1] "a"    "b"    "c"    "TRUE"

R 

class(tricky)

OUTPUT 

[1] "character"

R 

tricky

OUTPUT 

[1] "1" "2" "3" "4"
Challenge

チャレンジ：

なぜそれが起こると思いますか?

ベクトルのデータ型は 1 つだけです。 R は、 が情報を失わないという 共通分母 を見つけるために、このベクトルの内容を に変換 (強制) しようとします。

Challenge

チャレンジ：

次の例では、combined_logical 内の "TRUE" (文字として) となる値はいくつありますか。

R 

num_logical <- c(1, 2, 3, TRUE)
char_logical <- c("a", "b", "c", TRUE)
combined_logical <- c(num_logical, char_logical)

唯一。 過去のデータ型の記憶はなく、ベクトルが初めて評価されるときに強制 が発生します。 したがって、「num_logical」の「TRUE」 「combined_logical」で 「1」に変換される前に、「1」に変換されます。

R 

combined_logical

OUTPUT 

[1] "1"    "2"    "3"    "1"    "a"    "b"    "c"    "TRUE"
Challenge

チャレンジ：

R では、オブジェクトをあるクラスから別のクラスに変換することを 強制* と呼びます。 これらの変換は階層 に従って行われ、一部の型が優先的に他の型に強制されます。 これらのデータ がどのように強制されるかの階層を表す図を描いてもらえます ?

論理 → 数値 → 文字 ← 論理

ベクトルのサブセット化

ベクトルから 1 つまたは複数の値を抽出したい場合は、角括弧内に 1 つまたは複数のインデックスを指定する必要が ます。 例えば：

R 

molecules <- c("dna", "rna", "peptide", "protein")
molecules[2]

OUTPUT 

[1] "rna"

R 

molecules[c(3, 2)]

OUTPUT 

[1] "peptide" "rna"

インデックスを繰り返して、元のオブジェクトよりも要素 が多いオブジェクトを作成することもできます。

R 

more_molecules <- molecules[c(1, 2, 3, 2, 1, 4)]
more_molecules

OUTPUT 

[1] "dna"     "rna"     "peptide" "rna"     "dna"     "protein"

R インデックスは 1 から始まります。 Fortran、MATLAB、 Julia、R などのプログラミング言語は から数え始めます。これは人間が通常行うことだからです。 C ファミリの言語 (C++、Java、Perl、 、Python を含む) は 0 からカウントします。これは、コンピュータにとってその方が簡単なためです。

最後に、負のインデックスを使用して、指定された一部の要素を除くベクトル のすべての要素を取得することもできます。

R 

molecules ## all molecules

OUTPUT 

[1] "dna"     "rna"     "peptide" "protein"

R 

molecules[-1] ## all but the first one

OUTPUT 

[1] "rna"     "peptide" "protein"

R 

molecules[-c(1, 3)] ## all but 1st/3rd ones

OUTPUT 

[1] "rna"     "protein"

R 

molecules[c(-1, -3)] ## all but 1st/3rd ones

OUTPUT 

[1] "rna"     "protein"

条件付きサブセット化

サブセット化のもう 1 つの一般的な方法は、論理ベクトルを使用することです。 TRUE は同じインデックスを持つ要素を選択し が、FALSE は選択しません。

R 

weight_g <- c(21, 34, 39, 54, 55)
weight_g[c(TRUE, FALSE, TRUE, TRUE, FALSE)]

OUTPUT 

[1] 21 39 54

通常、これらの論理ベクトルは手動で入力されるのではなく、他の関数または論理テストの 出力です。 たとえば、50 を超える値のみを選択したい場合は、 のようにします。

R 

## will return logicals with TRUE for the indices that meet
## the condition
weight_g > 50

OUTPUT 

[1] FALSE FALSE FALSE  TRUE  TRUE

R 

## so we can use this to select only the values above 50
weight_g[weight_g > 50]

OUTPUT 

[1] 54 55

& (両方の条件が true、 AND) または | (少なくとも 1 つの条件が true、OR) を使用して複数のテストを結合できます。

R 

weight_g[weight_g < 30 | weight_g > 50]

OUTPUT 

[1] 21 54 55

R 

weight_g[weight_g >= 30 & weight_g == 21]

OUTPUT 

numeric(0)

ここで、「<」は「より小さい」、「>」は「より大きい」、「>=」は 「以上」、「==」は「等しい」を表します。 2 つの等号 記号「==」は、左側と の数値が等しいかどうかをテストするものであり、(「<-」と同様に) 変数の代入を する単一の = 記号と混同しないでください。 。

一般的なタスクは、ベクトル内の特定の文字列を検索することです。
「or」演算子 | を使用して複数の値が等しいかどうかをテストすることもできますが、 これはすぐに面倒になります。 関数 %in% を使用すると、検索ベクトルの要素が見つかったかどうかを できます。

R 

molecules <- c("dna", "rna", "protein", "peptide")
molecules[molecules == "rna" | molecules == "dna"] # returns both rna and dna

OUTPUT 

[1] "dna" "rna"

R 

molecules %in% c("rna", "dna", "metabolite", "peptide", "glycerol")

OUTPUT 

[1]  TRUE  TRUE FALSE  TRUE

R 

molecules[molecules %in% c("rna", "dna", "metabolite", "peptide", "glycerol")]

OUTPUT 

[1] "dna"     "rna"     "peptide"
Challenge

チャレンジ：

なぜ "four" > "five" が TRUE を返すのか理解できますか?

R 

"four" > "five"

OUTPUT 

[1] TRUE

文字列で > または < を使用すると、R はそれらのアルファベット順を比較します。 ここで、"four" は "five" の後に来るので、それは * より大きい* です。

名前

ベクトルの各要素に名前を付けることができます。 より下のコード チャンクは、名前のない初期ベクトル、名前の設定方法、および 取得される様子を示しています。

R 

x <- c(1, 5, 3, 5, 10)
names(x) ## no names

OUTPUT 

NULL

R 

names(x) <- c("A", "B", "C", "D", "E")
names(x) ## now we have names

OUTPUT 

[1] "A" "B" "C" "D" "E"

ベクトルに名前がある場合、 に加えて名前によって要素にアクセスすることができます。

R 

x[c(1, 3)]

OUTPUT 

A C
1 3

R 

x[c("A", "C")]

OUTPUT 

A C
1 3

データが欠落しています

R はデータセットを分析するように設計されているため、欠損データが であるという概念が含まれています (これは のプログラミング言語では一般的ではありません)。 欠損データはベクトルで「NA」として表されます。

数値の演算を行う場合、扱っているデータに欠損値が含まれている場合 ほとんどの関数は「NA」を返します。 この機能により、 データを処理し いるケースを見逃しにくくなります。 引数 na.rm = TRUE を追加すると、欠損値を無視して結果を として計算できます。

R 

heights <- c(2, 4, 4, NA, 6)
mean(heights)

OUTPUT 

[1] NA

R 

max(heights)

OUTPUT 

[1] NA

R 

mean(heights, na.rm = TRUE)

OUTPUT 

[1] 4

R 

max(heights, na.rm = TRUE)

OUTPUT 

[1] 6

データに欠損値が含まれている場合は、関数 is.na()、na.omit()、および complete.cases() に ておくとよいでしょう。 例については、以下の を参照してください。

R 

## Extract those elements which are not missing values.
heights[!is.na(heights)]

OUTPUT 

[1] 2 4 4 6

R 

## Returns the object with incomplete cases removed.
## The returned object is an atomic vector of type `"numeric"`
## (or `"double"`).
na.omit(heights)

OUTPUT 

[1] 2 4 4 6
attr(,"na.action")
[1] 4
attr(,"class")
[1] "omit"

R 

## Extract those elements which are complete cases.
## The returned object is an atomic vector of type `"numeric"`
## (or `"double"`).
heights[complete.cases(heights)]

OUTPUT 

[1] 2 4 4 6
Challenge

チャレンジ：

  1. このインチ単位の高さのベクトルを使用して、NA を削除した新しいベクトルを作成します。

R 

heights <- c(63, 69, 60, 65, NA, 68, 61, 70, 61, 59, 64, 69, 63, 63, NA, 72, 65, 64, 70, 63, 65)
  1. 関数 median() を使用して、heights ベクトルの中央値を計算します。
  2. R を使用して、セット内の身長が 67 インチを超える人が何人いるかを計算します。

R 

heights_no_na <- heights[!is.na(heights)]
## または
heights_no_na <- na.omit(heights)

R 

median(heights, na.rm = TRUE)

OUTPUT 

[1] 64

R 

heights_above_67 <- heights_no_na[heights_no_na > 67]
length(heights_above_67)

OUTPUT 

[1] 6

ベクトル {#sec:genvec}の生成

コンストラクター

異なるタイプのベクトルを生成する関数がいくつか存在します。 数値のベクトルを生成 には、numeric() コンストラクターを使用し、出力ベクトルの長さを パラメーターとして指定します。 値は 0 で初期化されます。

R 

numeric(3)

OUTPUT 

[1] 0 0 0

R 

numeric(10)

OUTPUT 

 [1] 0 0 0 0 0 0 0 0 0 0

長さ 0 の数値ベクトルを要求すると、次のように が得られることに注意してください。

R 

numeric(0)

OUTPUT 

numeric(0)

文字と論理に対しても同様のコンストラクターがあり、 character() と logical() という名前が付けられます。

Challenge

チャレンジ：

文字ベクトルと論理ベクトルのデフォルトは何ですか?

R 

character(2) ## the empty character

OUTPUT 

[1] "" ""

R 

logical(2)   ## FALSE

OUTPUT 

[1] FALSE FALSE

要素を複製する

rep 関数を使用すると、値を特定の回数 ( 回) 繰り返すことができます。 たとえば、長さ 5 の数値ベクトルを から値 -1 で開始したい場合は、次のようにすることができます。

R 

rep(-1, 5)

OUTPUT 

[1] -1 -1 -1 -1 -1

同様に、収集されるデータ に仮定を設定せずに、欠損値が入力されたベクトルを生成するには (多くの場合、 から始めるのが良い方法です):

R 

rep(NA, 5)

OUTPUT 

[1] NA NA NA NA NA

rep は、入力として任意の長さのベクトル (上記では長さ 1 のベクトル を使用しました) および任意のタイプを受け取ることができます。 たとえば、 値 1、2、3 を 5 回繰り返す場合は、次のようにします。

R 

rep(c(1, 2, 3), 5)

OUTPUT 

 [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
Challenge

チャレンジ：

値 1、2、3 を 5 回繰り返したいのに、 1 を 5 つ、2 を 5 つ、3 を 5 つこの順序で取得した場合はどうなるでしょうか。 可能性は 2 つあります。ヘルプについては ?rep または ?sort を参照してください。

R 

rep(c(1, 2, 3), each = 5)

OUTPUT 

 [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3

R 

sort(rep(c(1, 2, 3), 5))

OUTPUT 

 [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3

シーケンスの生成

もう 1 つの非常に便利な関数は、 の数値シーケンスを生成する seq です。 たとえば、1 から 20 までの整数のシーケンスを 2 ずつ生成するには、次のコマンドを使用します。

R 

seq(from = 1, to = 20, by = 2)

OUTPUT 

 [1]  1  3  5  7  9 11 13 15 17 19

by のデフォルト値は 1 で、1 のステップで 1 つの値から別の値への シーケンスの生成が頻繁に使用されることを考えると、 というショートカットがあります。

R 

seq(1, 5, 1)

OUTPUT 

[1] 1 2 3 4 5

R 

seq(1, 5) ## default by

OUTPUT 

[1] 1 2 3 4 5

R 

1:5

OUTPUT 

[1] 1 2 3 4 5

最終長さが の 1 から 20 までの一連の数値を生成するには、次のコマンドを使用します。

R 

seq(from = 1, to = 20, length.out = 3)

OUTPUT 

[1]  1.0 10.5 20.0

ランダムなサンプルと順列

有用な関数の最後のグループは、ランダムな データを生成する関数です。 最初の sample は、 のベクトルのランダムな置換を生成します。 たとえば、口頭試験を行わない 人の生徒にランダムな順序を付けるには まず各生徒に 1 から 10 までの番号を割り当てます (たとえば、名前のアルファベット順に基づきます)。次に次のようにします。

R 

sample(1:10)

OUTPUT 

 [1]  9  4  7  1  2  5  3 10  6  8

さらなる引数がなければ、sample はベクトルのすべての 要素の順列を返します。 特定のサイズのランダムなサンプルが必要な場合、I はこの値を 2 番目の引数として設定します。 以下では、事前定義された letters ベクトルに含まれるアルファベットから 5 つのランダムな 文字をサンプリングします。

R 

sample(letters, 5)

OUTPUT 

[1] "s" "a" "u" "x" "j"

入力ベクトルよりも大きな出力が必要な場合、または一部の要素を複数回 できるようにしたい場合は、引数 replace を TRUE に設定する必要があります。

R 

sample(1:5, 10, replace = TRUE)

OUTPUT 

 [1] 2 1 5 5 1 1 5 5 2 2
Challenge

チャレンジ：

上記の関数を試してみると、 サンプルは実際にランダムであり、同じ 順列が 2 回発生することはないことがわかるでしょう。 これらのランダムな描画を再現できるようにするには、ランダム サンプルを描画する前に set.seed() を使用 て乱数生成シードを手動で設定します。

近所の人と一緒にこの機能をテストしてください。 まず、「1:10」のランダムな 順列を 2 つ個別に描画し、 の異なる結果が得られることを観察します。

次に、たとえば set.seed(123) でシードを設定し、 ランダムな描画を繰り返します。 同じランダムな抽選が行われることに注目してください。

別のシードを設定して繰り返します。

さまざまな順列

R 

sample(1:10)

OUTPUT 

 [1]  9  1  4  3  6  2  5  8 10  7

R 

sample(1:10)

OUTPUT 

 [1]  4  9  7  6  1 10  8  3  2  5

シード 123 と同じ順列

R 

set.seed(123)
sample(1:10)

OUTPUT 

 [1]  3 10  2  8  6  9  1  7  5  4

R 

set.seed(123)
sample(1:10)

OUTPUT 

 [1]  3 10  2  8  6  9  1  7  5  4

違う種

R 

set.seed(1)
sample(1:10)

OUTPUT 

 [1]  9  4  7  1  2  5  3 10  6  8

R 

set.seed(1)
sample(1:10)

OUTPUT 

 [1]  9  4  7  1  2  5  3 10  6  8

正規分布からサンプルを抽出する

最後に説明する関数は rnorm で、正規分布からランダムな サンプルを抽出します。 平均 および 100、標準偏差 1 および 5 の 2 つの正規分布 (N(0, 1) および N(100, 5) と表記) を以下に示します。

Two normal distributions: *N(0, 1)* on the left and *N(100, 5)* on the right.
Two normal distributions: N(0, 1) on the left and N(100, 5) on the right.

3 つの引数「n」、「mean」、「sd」は、サンプル のサイズと、正規分布のパラメーター、つまり平均 とその標準偏差を定義します。 後者のデフォルトは 0 と 1 です。

R 

rnorm(5)

OUTPUT 

[1]  0.69641761  0.05351568 -1.31028350 -2.12306606 -0.20807859

R 

rnorm(5, 2, 2)

OUTPUT 

[1]  1.3744268 -0.1164714  2.8344472  1.3690969  3.6510983

R 

rnorm(5, 100, 5)

OUTPUT 

[1] 106.45636  96.87448  95.62427 100.71678 107.12595

スクリプトの書き方と のデータ構造の基本を学習したので、より大きなデータの操作を開始する準備が整い、データ フレームについて します。

Key Points
  • Rと対話する方法

Content from データから始める

Last updated on 2025-08-05 | Edit this page

Overview

Questions

  • Rによる最初のデータ分析

Objectives

  • data.frame の概念について説明してください。
  • .csv ファイルから外部データを読み込み、データフレームに格納する方法を示してください。
  • データフレームの内容を要約する方法を説明してください。
  • 因子（factor）の概念について説明してください。
  • 文字列と因子間の変換方法を示してください。
  • 因子の順序変更と名前変更の方法を説明してください。
  • 日付のフォーマット方法を示してください。
  • データのエクスポートと保存方法について説明してください。

このエピソードは、Data Carpentriesの_Data Analysis and Visualisation in R for Ecologists_レッスンに基づいています。

遺伝子発現データの説明

本研究では、Blackmoreら（2017）が公表したデータの一部を使用します。論文タイトルは『上気道感染症が中枢神経系のトランスクリプトーム変化に及ぼす影響』です。この研究の目的は、上気道感染症が感染後の小脳および脊髄におけるRNA転写変化に及ぼす影響を明らかにすることでした。性別を一致させた8週齢のC57BL/6マウスを用い、生理食塩水またはインフルエンザA型ウイルスを経鼻投与し、感染0日目、4日目、および8日目における小脳および脊髄組織のトランスクリプトーム変化をRNA-seq法で評価しました。

データセットはカンマ区切り値（CSV）ファイルとして保存されています。各行は単一のRNA発現測定値に関する情報を保持しており、最初の11列は以下の項目を表します：

列名 説明
gene 測定対象とした遺伝子名
sample 遺伝子発現測定を実施したサンプル名
expression 遺伝子発現値
organism 生物種/分類群 - 本データはすべてマウス由来です
age マウスの年齢（すべてのマウスは8週齢）
sex マウスの性別
infection マウスの感染状態 - インフルエンザA型に感染しているか否か
strain インフルエンザA型の株
time 感染期間（日数）
tissue 遺伝子発現実験に使用した組織 - 小脳または脊髄
mouse マウスの一意識別子

遺伝子発現データを含むCSVファイルのダウンロードにはR関数download.file()を使用し、取得したCSVファイルの内容をread.csv()でメモリ上にdata.frameクラスのオブジェクトとして読み込みます。download.file()コマンドの第1引数にはソースURLを指定する文字列を指定します。このURLはGitHubリポジトリからCSVファイルをダウンロードします。カンマの後に続くテキスト（"data/rnaseq.csv"）が、ローカルマシン上のファイル保存先パスとなります。事前に"data"という名前のフォルダを作成しておく必要があります。このコマンドはリモートファイルをダウンロードし、"rnaseq.csv"という名前を付けて既存の"data"フォルダに追加します。

R 

download.file(url = "https://github.com/carpentries-incubator/bioc-intro/raw/main/episodes/data/rnaseq.csv",
              destfile = "data/rnaseq.csv")

これでデータの読み込み準備が整いました。以下のようにデータを読み込めます：

R 

rna <- read.csv("data/rnaseq.csv")

このコマンドは出力を表示しません。これは割り当て操作自体が出力を生成しないためです。データが正しく読み込まれたことを確認するには、データフレームの名前を直接入力してその内容を確認できます：

R 

rna

うわっ…かなりの量の出力ですね。少なくともデータが正常に読み込まれたことを示しています。head()関数を使用してこのデータフレームの先頭6行を確認してみましょう：

R 

head(rna)

OUTPUT 

     gene     sample expression     organism age    sex  infection  strain time
1     Asl GSM2545336       1170 Mus musculus   8 Female InfluenzaA C57BL/6    8
2    Apod GSM2545336      36194 Mus musculus   8 Female InfluenzaA C57BL/6    8
3 Cyp2d22 GSM2545336       4060 Mus musculus   8 Female InfluenzaA C57BL/6    8
4    Klk6 GSM2545336        287 Mus musculus   8 Female InfluenzaA C57BL/6    8
5   Fcrls GSM2545336         85 Mus musculus   8 Female InfluenzaA C57BL/6    8
6  Slc2a4 GSM2545336        782 Mus musculus   8 Female InfluenzaA C57BL/6    8
      tissue mouse ENTREZID
1 Cerebellum    14   109900
2 Cerebellum    14    11815
3 Cerebellum    14    56448
4 Cerebellum    14    19144
5 Cerebellum    14    80891
6 Cerebellum    14    20528
                                                                       product
1                               argininosuccinate lyase, transcript variant X1
2                                       apolipoprotein D, transcript variant 3
3 cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2
4                         kallikrein related-peptidase 6, transcript variant 2
5                Fc receptor-like S, scavenger receptor, transcript variant X1
6          solute carrier family 2 (facilitated glucose transporter), member 4
     ensembl_gene_id external_synonym chromosome_name   gene_biotype
1 ENSMUSG00000025533    2510006M18Rik               5 protein_coding
2 ENSMUSG00000022548             <NA>              16 protein_coding
3 ENSMUSG00000061740             2D22              15 protein_coding
4 ENSMUSG00000050063             Bssp               7 protein_coding
5 ENSMUSG00000015852    2810439C17Rik               3 protein_coding
6 ENSMUSG00000018566           Glut-4              11 protein_coding
                            phenotype_description
1           abnormal circulating amino acid level
2                      abnormal lipid homeostasis
3                        abnormal skin morphology
4                         abnormal cytokine level
5 decreased CD8-positive alpha-beta T cell number
6              abnormal circulating glucose level
  hsapiens_homolog_associated_gene_name
1                                   ASL
2                                  APOD
3                                CYP2D6
4                                  KLK6
5                                 FCRL2
6                                SLC2A4

R 

## 以下の方法もお試しください
## View(rna)

注意

read.csv()関数はデフォルトでカンマをフィールド区切り文字として認識しますが、一部の国ではカンマが小数点区切りとして使用され、セミコロン（;）がフィールド区切り文字として用いられています。このような形式のファイルをRで読み込む場合は、read.csv2()関数を使用できます。この関数はread.csv()と完全に同様の動作をしますが、小数点区切り文字とフィールド区切り文字のパラメータが異なります。別の形式のファイルを扱う場合、これらの区切り文字はユーザーが指定可能です。詳細な情報については、?read.csvと入力してヘルプを参照してください。タブ区切りデータファイルを読み込む場合はread.delim()関数も利用可能です。これらの関数はすべて、異なる引数を持つ主要なread.table()関数のラッパー関数であることに注意が必要です。したがって、前述のデータはread.table()関数を使用し、区切り文字として,を指定することでも読み込むことができます。以下がそのコード例です：

R 

rna <- read.table(file = "data/rnaseq.csv",
                  sep = ",",
                  header = TRUE)

header引数はデフォルトでread.table()がFALSEに設定されているため、ヘッダーを正しく読み込むためにはTRUEに設定する必要があります。

データフレームとは？

データフレームは、ほとんどの表形式データにおいて事実上の標準データ構造であり、統計処理やグラフ作成の際に用いられる基本的なデータ形式です。

データフレームは手動で作成することも可能ですが、実際にはread.csv()やread.table()といった関数を用いて作成されることが一般的です。つまり、ハードディスクやウェブ上のスプレッドシートデータをインポートする際に生成される形式です。

データフレームとは、列がすべて同じ長さのベクトルで構成される表形式のデータ表現です。列がベクトルであるため、各列には単一のデータ型（例：文字列、整数、因子など）のみが含まれます。例えば、以下の図は数値型、文字列型、論理型のベクトルで構成されるデータフレームの概念図です。

異なる色で表現された列と変数タイプを示す表形式構造の模式図
データフレームの概念的表現

データフレームの構造をstr()関数で確認すると、この概念が明確に理解できます：

R 

str(rna)

OUTPUT 

'data.frame':	32428 obs. of  19 variables:
 $ gene                                 : chr  "Asl" "Apod" "Cyp2d22" "Klk6" ...
 $ sample                               : chr  "GSM2545336" "GSM2545336" "GSM2545336" "GSM2545336" ...
 $ expression                           : int  1170 36194 4060 287 85 782 1619 288 43217 1071 ...
 $ organism                             : chr  "Mus musculus" "Mus musculus" "Mus musculus" "Mus musculus" ...
 $ age                                  : int  8 8 8 8 8 8 8 8 8 8 ...
 $ sex                                  : chr  "Female" "Female" "Female" "Female" ...
 $ infection                            : chr  "InfluenzaA" "InfluenzaA" "InfluenzaA" "InfluenzaA" ...
 $ strain                               : chr  "C57BL/6" "C57BL/6" "C57BL/6" "C57BL/6" ...
 $ time                                 : int  8 8 8 8 8 8 8 8 8 8 ...
 $ tissue                               : chr  "Cerebellum" "Cerebellum" "Cerebellum" "Cerebellum" ...
 $ mouse                                : int  14 14 14 14 14 14 14 14 14 14 ...
 $ ENTREZID                             : int  109900 11815 56448 19144 80891 20528 97827 118454 18823 14696 ...
 $ product                              : chr  "argininosuccinate lyase, transcript variant X1" "apolipoprotein D, transcript variant 3" "cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2" "kallikrein related-peptidase 6, transcript variant 2" ...
 $ ensembl_gene_id                      : chr  "ENSMUSG00000025533" "ENSMUSG00000022548" "ENSMUSG00000061740" "ENSMUSG00000050063" ...
 $ external_synonym                     : chr  "2510006M18Rik" NA "2D22" "Bssp" ...
 $ chromosome_name                      : chr  "5" "16" "15" "7" ...
 $ gene_biotype                         : chr  "protein_coding" "protein_coding" "protein_coding" "protein_coding" ...
 $ phenotype_description                : chr  "abnormal circulating amino acid level" "abnormal lipid homeostasis" "abnormal skin morphology" "abnormal cytokine level" ...
 $ hsapiens_homolog_associated_gene_name: chr  "ASL" "APOD" "CYP2D6" "KLK6" ...

データフレームオブジェクトの検査

すでにhead()関数とstr()関数がデータフレームの内容と構造を確認するのに有用であることを説明しました。以下に、データの内容/構造を把握するための代表的な関数を非網羅的に紹介します。実際に試してみましょう！

サイズ情報:

  • dim(rna) - 行数を第1要素、列数を第2要素とするベクトルを返します（オブジェクトの次元情報）。
  • nrow(rna) - 行数を返します。
  • ncol(rna) - 列数を返します。

内容情報:

  • head(rna) - 最初の6行を表示します。
  • tail(rna) - 最後の6行を表示します。

名前情報:

  • names(rna) - 列名を返します（data.frameオブジェクトの場合、colnames()関数と同じ機能です）。
  • rownames(rna) - 行名を返します。

要約情報:

  • str(rna) - オブジェクトの構造と、各列のクラス、長さ、内容に関する情報を提供します。
  • summary(rna) - 各列に対する要約統計量を表示します。

注記: これらの関数の多くは「汎用関数」であり、data.frame以外の他のデータ型に対しても使用できます。

Challenge

課題：

str(rna) の出力結果に基づいて、以下の質問に答えてください：

  • オブジェクト rna のクラスは何ですか？
  • このオブジェクトには行がいくつ、列がいくつありますか？
  • class: データフレーム
  • 行数: 32428、列数: 19

データフレームの索引付けと部分抽出

rna データフレームは行と列を持つ2次元構造です。特定のデータを抽出する場合、取得したい「座標」を明示的に指定する必要があります。まず行番号を指定し、その後に列番号を指定します。ただし、これらの座標を指定する方法によって結果のクラスが異なる点に注意してください。

R 

# データフレームの最初の行・最初の列の要素（ベクトルとして）
rna[1, 1]
# データフレームの6番目の列の最初の要素（ベクトルとして）
rna[1, 6]
# データフレームの最初の列全体（ベクトルとして）
rna[, 1]
# データフレームの最初の列全体（データフレームとして）
rna[1]
# データフレームの7番目の列の最初の3要素（ベクトルとして）
rna[1:3, 7]
# データフレームの3行目全体（データフレームとして）
rna[3, ]
# head_rna <- head(rna) と同等
head_rna <- rna[1:6, ]
head_rna

: は特殊な関数で、整数の数値ベクトルを昇順または降順で生成します。例えば 1:10 や 10:1 のように使用します。(sec:genvec)を参照してください。

また、“-” 記号を使用してデータフレームの特定のインデックスを除外することも可能です：

R 

rna[, -1]          ## 最初の列を除いたデータフレーム全体
rna[-c(7:66465), ] ## head(rna) と同等

データフレームの部分抽出は、前述のようにインデックスを指定する方法のほか、列名を直接指定する方法でも行えます：

R 

rna["gene"]       # 結果はデータフレーム
rna[, "gene"]     # 結果はベクトル
rna[["gene"]]     # 結果はベクトル
rna$gene          # 結果はベクトル

RStudioでは、自動補完機能を利用することで、列の完全かつ正確な名前を簡単に取得できます。

Challenge

課題

  1. rna データセットの200行目のみを含む data.frame オブジェクト rna_200 を作成してください。

  2. nrow() 関数が data.frame の行数を返す仕組みに注目してください。

  • この行数を利用して、初期の rna データフレームから最後の行だけを抽出してください。

  • tail() 関数で表示される最後の行と比較し、期待通りの結果が得られていることを確認してください。

  • 行番号ではなく、nrow() 関数を使って最後の行を抽出してください。

  • この最後の行から新しいデータフレーム rna_last を作成してください。

  1. nrow() 関数を使用して、rna データフレームの中央に位置する行を抽出してください。この行の内容を rna_middle という名前のオブジェクトに格納してください。

  2. nrow() 関数と前述の - 表記を組み合わせて、head(rna) 関数と同様の動作を実現し、rna データセットの最初の6行のみを保持してください。

R 

## 1.
rna_200 <- rna[200, ]
## 2.
## 可読性向上と重複削減のため `n_rows` を保存
n_rows <- nrow(rna)
rna_last <- rna[n_rows, ]
## 3.
rna_middle <- rna[n_rows / 2, ]
## 4.
rna_head <- rna[-(7:n_rows), ]

Factors

因子はカテゴリカルデータを表します。これらはラベルと関連付けられた整数として格納され、順序付きまたは順序なしのいずれかとして扱うことができます。 因子は見た目（そして多くの場合動作も）文字ベクトルのように見えますが、Rでは実際には整数ベクトルとして扱われます。したがって、文字列として扱う際には細心の注意が必要です。

一度作成された因子は、事前に定義された値のセット（レベルと呼ばれる）のみを含むことができます。デフォルトでは、Rは常にレベルをアルファベット順に並べ替えます。例えば、2つのレベルを持つ因子がある場合：

R 

sex <- factor(c("male", "female", "female", "male", "female"))

Rはレベル "female" に 1 を、レベル "male" に 2 を割り当てます（このベクトルの最初の要素が "male" であっても、f は m よりもアルファベット順で先に来るため）。levels() 関数を使用するとこの割り当てを確認でき、nlevels() でレベルの総数を取得できます：

R 

levels(sex)

OUTPUT 

[1] "female" "male"

R 

nlevels(sex)

OUTPUT 

[1] 2

因子の順序が重要でない場合もありますが、意味的な意味を持つ場合（例：「低」「中」「高」）、可視化が向上する場合、あるいは特定の分析手法で必要とされる場合には、順序を指定したいことがあります。ここでは、sex ベクトルのレベル順序を並べ替える方法の一例を示します：

R 

sex ## 現在の順序

OUTPUT 

[1] male   female female male   female
Levels: female male

R 

sex <- factor(sex, levels = c("male", "female"))
sex ## 順序変更後

OUTPUT 

[1] male   female female male   female
Levels: male female

Rのメモリ内では、これらの因子は整数（1, 2, 3）として表現されますが、因子は自己記述的であるため整数よりも情報量が豊富です："female" や "male" というラベルは、1 や 2 という数値よりもはるかに説明的です。どちらが「男性」を表すのか、整数値だけでは判断できません。一方、因子にはこの情報が組み込まれています。特にレベル数が多い場合（例：本例の遺伝子バイオタイプ）にこの機能は非常に有用です。

データが因子として格納されている場合、plot() 関数を使用することで、各因子レベルが表す観測値の数を素早く把握できます。ここでは、データ内の男性と女性の数を確認してみましょう。

R 

plot(sex)
「男性」と「女性」の出現回数を示す棒グラフ
女性と男性の数を示す棒グラフ

因子を文字ベクトルに変換する場合

因子を文字ベクトルに変換する必要がある場合は、as.character()関数を使用します。

R 

as.character(sex)

OUTPUT 

[1] "male"   "female" "female" "male"   "female"

因子名の変更

これらの因子名を変更する場合、必要なのは因子の 水準を変更することだけです：

R 

levels(sex)

OUTPUT 

[1] "male"   "female"

R 

levels(sex) <- c("M", "F")
sex

OUTPUT 

[1] M F F M F
Levels: M F

R 

plot(sex)
「M」と「F」の出現回数を示す棒グラフ
Challenge

課題:

  • 変数「F」と「M」をそれぞれ「Female」（女性）と「Male」（男性）に名称変更してください。

R 

levels(sex)

OUTPUT 

[1] "M" "F"

R 

levels(sex) <- c("Male", "Female")
Challenge

課題：

read.csv() 関数を使用した場合のデータフレームの作成方法は理解できたと思いますが、 data.frame() 関数を使えば手動でデータフレームを作成することも可能です。 以下の手動で作成された data.frame にはいくつかの誤りが含まれています。これらの誤りを見つけて修正できますか？ 遠慮せずに試行錯誤してみてください！

R 

animal_data <- data.frame(
       animal = c(dog, cat, sea cucumber, sea urchin),
       feel = c("furry", "squishy", "spiny"),
       weight = c(45, 8 1.1, 0.8))
  • 動物の名称の前後に引用符が欠落している箇所がある
  • 「感触」欄の1つのエントリーが欠落している（おそらく毛皮を持つ動物の1つに関するもの）
  • 重量欄のカンマが1つ欠落している箇所がある
Challenge

課題：

以下の例において、各列のデータ型を予測できますか？

str(country_climate) コマンドを使用して予測結果を確認してください。

  • 予測結果は予想通りでしたか？その理由は？予想と違った場合、その理由は？

  • データフレーム作成時に最後の変数の後に stringsAsFactors = TRUE を追加してみてください。現在どのような現象が起こっていますか？stringsAsFactors は、read.csv() 関数を使用してテキストベースのスプレッドシートをRに読み込む際にも設定可能です。

R 

country_climate <- data.frame(
       country = c("カナダ", "パナマ", "南アフリカ", "オーストラリア"),
       climate = c("寒冷", "温暖", "温帯", "温暖/温帯"),
       temperature = c(10, 30, 18, "15"),
       northern_hemisphere = c(TRUE, TRUE, FALSE, "FALSE"),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
       )

R 

country_climate <- data.frame(
       country = c("カナダ", "パナマ", "南アフリカ", "オーストラリア"),
       climate = c("寒冷", "温暖", "温帯", "温暖/温帯"),
       temperature = c(10, 30, 18, "15"),
       northern_hemisphere = c(TRUE, TRUE, FALSE, "FALSE"),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
       )
str(country_climate)

OUTPUT 

'data.frame':	4 obs. of  5 variables:
 $ country            : chr  "カナダ" "パナマ" "南アフリカ" "オーストラリア"
 $ climate            : chr  "寒冷" "温暖" "温帯" "温暖/温帯"
 $ temperature        : chr  "10" "30" "18" "15"
 $ northern_hemisphere: chr  "TRUE" "TRUE" "FALSE" "FALSE"
 $ has_kangaroo       : num  0 0 0 1

データ型の自動変換は、時には便利な機能ですが、時には厄介な問題を引き起こすこともあります。この機能が存在することを認識し、その規則を理解し、Rにインポートするデータがデータフレーム内で正しい型であることを必ず確認してください。もしそうでない場合は、データ入力時に生じた可能性のある誤り（例えば数値のみが含まれるべき列に文字データが含まれている場合など）を検出するためにこの機能を活用しましょう。

詳細については、RStudioのチュートリアルをご覧ください。

行列

データフレームについて学んだところで、次はパッケージのインストール方法を復習し、新しいデータ型である「行列」について学びましょう。行列はデータフレームと同様に2次元構造を持ち、行と列で構成されます。しかし決定的な違いは、行列のすべてのセルは同じ型でなければならないという点です：数値型、文字型、論理型など。この点において、行列はデータフレームよりもベクトルに近い性質を持っています。

行列のデフォルトコンストラクタは「matrix」関数です。この関数は、行列を埋めるための値のベクトルと、行数および/または列数1を引数として取ります。値は以下のように列方向に並べられます。

R 

m <- matrix(1:9, ncol = 3, nrow = 3)
m

OUTPUT 

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9
Challenge

課題:

installed.packages() 関数を使用して、現在コンピュータにインストールされているすべてのパッケージに関する情報を含む character 型の行列を作成してください。作成した行列を調査・分析してください。

R 

## 行列の作成
ip <- installed.packages()
head(ip)
## View(ip) での表示もお試しください
## インストール済みパッケージの総数
nrow(ip)
## すべてのインストール済みパッケージ名
rownames(ip)
## 各パッケージについて取得可能な情報の種類
colnames(ip)

テストデータとして、大規模なランダムデータ行列を作成することは有用であることが多い。以下の演習では、平均 0、標準偏差 1 の正規分布からランダムに生成されたデータを含むこのような行列を作成することが求められる。これは rnorm() 関数を使用して実行可能である。

Challenge

課題：

平均0、標準偏差1の正規分布に従うデータからなる、1000行3列の行列を作成してください

R 

set.seed(123)
m <- matrix(rnorm(3000), ncol = 3)
dim(m)

OUTPUT 

[1] 1000    3

R 

head(m)

OUTPUT 

            [,1]        [,2]       [,3]
[1,] -0.56047565 -0.99579872 -0.5116037
[2,] -0.23017749 -1.03995504  0.2369379
[3,]  1.55870831 -0.01798024 -0.5415892
[4,]  0.07050839 -0.13217513  1.2192276
[5,]  0.12928774 -2.54934277  0.1741359
[6,]  1.71506499  1.04057346 -0.6152683

日付のフォーマット処理

Rを使い始めたばかりのユーザー（そして経験豊富なユーザーも！）が直面する最も一般的な問題の一つが、日付と時刻情報を分析に適した変数形式に変換する作業です。

表計算ソフトにおける日付の取り扱いについて

表計算ソフトでは通常、日付情報は単一の列に格納されます。一見するとこれが自然な方法のように思えますが、実は最適な方法とは言えません。表計算ソフトは人間の目には正しく表示されたように見えますが、実際に日付をどのように処理・保存しているかについては問題が生じる可能性があります。日付を分析する際には、年・月・日を別々の列に格納するか、年と年の何日目かを別々の列に分ける方法の方がはるかに安全です。

LibreOffice、Microsoft Excel、OpenOffice、Gnumericなどの表計算ソフトでは、日付のエンコード方法が異なり（同じソフトでもバージョンやOSによって互換性がない場合もあります）、特にExcelでは日付でないデータを日付として処理してしまう問題が報告されています（@Zeeberg:2004）。例えば、MAR1、DEC1、OCT4といった名前や識別子も日付として扱われる可能性があります。そのため、日付形式そのものを避けることで、こうした問題を未然に防ぐことができます。

Data Carpentryの「日付データの扱い」セクションでは、表計算ソフトにおける日付処理の注意点について詳しく解説しています。

本解説では、tidyverseパッケージ群の一部であるlubridateパッケージのymd()関数を使用します（tidyverseの詳細については公式ウェブサイトをご覧ください）。lubridateはtidyverseのインストール時に自動的にインストールされます。tidyverseを読み込むと（library(tidyverse)）、ほとんどのデータ分析で使用されるコアパッケージが自動的にロードされますが、lubridateはコアパッケージではないため、library(lubridate)で明示的に読み込む必要があります。

まず必要なパッケージを読み込みましょう：

R 

library("lubridate")

ymd()関数は年・月・日を表すベクトルを受け取り、Date型のベクトルに変換します。DateはRが日付データとして認識するデータクラスで、これを適切に操作できます。関数の引数は柔軟な仕様となっていますが、ベストプラクティスとして「YYYY-MM-DD」形式の文字列ベクトルを使用することが推奨されます。

日付オブジェクトを作成し、構造を確認してみましょう：

R 

my_date <- ymd("2015-01-01")
str(my_date)

OUTPUT 

 Date[1:1], format: "2015-01-01"

次に、年・月・日を個別に結合してみます。同じ結果が得られることが確認できます：

R 

# sepは各要素を区切る文字を指定します
my_date <- ymd(paste("2015", "1", "1", sep = "-"))
str(my_date)

OUTPUT 

 Date[1:1], format: "2015-01-01"

ここでは一般的な日付操作の手順について説明します。以下のサンプルデータでは、日付が「year」「month」「day」の各列に別々に格納されています。

R 

x <- data.frame(year = c(1996, 1992, 1987, 1986, 2000, 1990, 2002, 1994, 1997, 1985),
                month = c(2,  3,  3, 10,  1,  8,  3,  4,  5,  5),
                day = c(24,  8,  1,  5,  8, 17, 13, 10, 11, 24),
                value = c(4,  5,  1,  9,  3,  8, 10,  2,  6,  7))
x

OUTPUT 

   year month day value
1  1996     2  24     4
2  1992     3   8     5
3  1987     3   1     1
4  1986    10   5     9
5  2000     1   8     3
6  1990     8  17     8
7  2002     3  13    10
8  1994     4  10     2
9  1997     5  11     6
10 1985     5  24     7

この関数をxデータセットに適用します。まずpaste()関数を使ってxの「year」「month」「day」列から文字列ベクトルを作成します：

R 

paste(x$year, x$month, x$day, sep = "-")

OUTPUT 

 [1] "1996-2-24" "1992-3-8"  "1987-3-1"  "1986-10-5" "2000-1-8"  "1990-8-17"
 [7] "2002-3-13" "1994-4-10" "1997-5-11" "1985-5-24"

この文字列ベクトルをymd()関数の引数として使用できます：

R 

ymd(paste(x$year, x$month, x$day, sep = "-"))

OUTPUT 

 [1] "1996-02-24" "1992-03-08" "1987-03-01" "1986-10-05" "2000-01-08"
 [6] "1990-08-17" "2002-03-13" "1994-04-10" "1997-05-11" "1985-05-24"

処理結果のDate型ベクトルは、xデータセットに新しい列「date」として追加できます：

R 

x$date <- ymd(paste(x$year, x$month, x$day, sep = "-"))
str(x) # 新たに追加された列と、クラスが「date」となっていることを確認してください

OUTPUT 

'data.frame':	10 obs. of  5 variables:
 $ year : num  1996 1992 1987 1986 2000 ...
 $ month: num  2 3 3 10 1 8 3 4 5 5
 $ day  : num  24 8 1 5 8 17 13 10 11 24
 $ value: num  4 5 1 9 3 8 10 2 6 7
 $ date : Date, format: "1996-02-24" "1992-03-08" ...

正しく処理されているか確認しましょう。新しい列を確認する方法の一つとしてsummary()関数を使用する方法があります：

R 

summary(x$date)

OUTPUT 

        Min.      1st Qu.       Median         Mean      3rd Qu.         Max.
"1985-05-24" "1988-01-11" "1993-03-24" "1993-03-18" "1997-01-20" "2002-03-13"

ymd()関数は年・月・日の順序で入力されることを前提としています。例えば日・月・年の順でデータがある場合にはdmy()関数を使用する必要があります。

R 

dmy(paste(x$day, x$month, x$year, sep = "-"))

OUTPUT 

 [1] "1996-02-24" "1992-03-08" "1987-03-01" "1986-10-05" "2000-01-08"
 [6] "1990-08-17" "2002-03-13" "1994-04-10" "1997-05-11" "1985-05-24"

lubridateパッケージには、あらゆる種類の日付バリエーションに対応するための豊富な関数が用意されています。

Rオブジェクトの概要

これまでに、次元数や単一データ型・複数データ型の格納可否が異なる様々な種類のRオブジェクトを見てきました。主なものは以下の通りです：

  • ベクトル：1次元構造（長さを持つ）、単一データ型
  • 行列：2次元構造、単一データ型
  • データフレーム：2次元構造、列ごとに異なるデータ型

リスト

これまで取り上げてこなかったものの、理解しておくと有用なデータ型として「リスト」があります。これは先ほどの概要から自然に導かれる概念です：

  • リスト：1次元構造で、各要素は異なるデータ型を取り得る

以下に、数値ベクトル、文字ベクトル、行列、データフレーム、および別のリストを含むリストを作成してみましょう：

R 

l <- list(1:10, ## 数値データ
          letters, ## 文字データ
          installed.packages(), ## 行列データ
          cars, ## データフレーム
          list(1, 2, 3)) ## リスト
length(l)

OUTPUT 

[1] 5

R 

str(l)

OUTPUT 

List of 5
 $ : int [1:10] 1 2 3 4 5 6 7 8 9 10
 $ : chr [1:26] "a" "b" "c" "d" ...
 $ : chr [1:161, 1:16] "abind" "askpass" "backports" "base64enc" ...
  ..- attr(*, "dimnames")=List of 2
  .. ..$ : chr [1:161] "abind" "askpass" "backports" "base64enc" ...
  .. ..$ : chr [1:16] "Package" "LibPath" "Version" "Priority" ...
 $ :'data.frame':	50 obs. of  2 variables:
  ..$ speed: num [1:50] 4 4 7 7 8 9 10 10 10 11 ...
  ..$ dist : num [1:50] 2 10 4 22 16 10 18 26 34 17 ...
 $ :List of 3
  ..$ : num 1
  ..$ : num 2
  ..$ : num 3

リストの部分抽出には [] を使用して新しいサブリストを抽出するか、[[]] を使用してリスト内の単一要素を抽出します（インデックス指定または名前指定が可能で、リストに名前が付けられている場合）。

R 

l[[1]] ## 最初の要素を抽出

OUTPUT 

 [1]  1  2  3  4  5  6  7  8  9 10

R 

l[1:2] ## 長さ2のリストを抽出

OUTPUT 

[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

[[2]]
 [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"

R 

l[1]   ## 長さ1のリストを抽出

OUTPUT 

[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

表形式データのエクスポートと保存

テキストベースのスプレッドシートをRに読み込む方法として、read.tableファミリーの関数を使用する方法を説明しました。data.frameをテキストベースのスプレッドシートとしてエクスポートする場合は、write.table関数群（write.csv、write.delimなど）を使用します。これらの関数はいずれも、エクスポート対象の変数と出力先ファイルを引数として受け取ります。例えば、rnaデータフレームをdata_outputディレクトリ内のmy_rna.csvファイルにエクスポートするには、以下のように実行します：

R 

write.csv(rna, file = "data_output/my_rna.csv")

このようにして作成した新しいCSVファイルは、Rに詳しくない他の共同作業者と共有することが可能です。なお、data.frameの一部のフィールドにカンマが含まれている場合（例えば「product」列など）でも、Rはデフォルトで各フィールドを引用符で囲みます。そのため、列区切り文字としてもカンマを使用している場合でも、正しくRに再読み込みすることができます。

Key Points
  • Rでの表形式データ

  1. 行数か列数のいずれか一方を指定すれば十分で、もう一方は値の長さから自動的に計算されます。値の数と行数/列数が一致しない場合に何が起こるか、実際に試してみてください。↩︎

Content from dplyrによるデータの操作と分析

Last updated on 2025-08-05 | Edit this page

Overview

Questions

  • tidyverseメタパッケージを使用したRによるデータ分析

Objectives

  • dplyr パッケージと tidyr パッケージの目的について説明してください。
  • データを操作する際に特に有用な主要な関数をいくつか挙げてください。
  • ワイド形式とロング形式のテーブル概念について説明し、データフレームを一方の形式から他方の形式に変換する方法を示してください。
  • テーブルの結合方法を具体的にデモンストレーションしてください。

本エピソードは、Data Carpentriesの「生態学者向けRによるデータ分析と可視化」講座を基にしています。

dplyrとtidyrを用いたデータ操作

ブラケットサブセットは便利ですが、複雑な操作を行う場合、煩雑で可読性が低下することがあります。

データ操作を行う際、特定のパッケージを活用することで作業を大幅に効率化できます。Rにおけるパッケージとは、基本的に追加機能を提供する関数群であり、これまで使用してきたstr()やdata.frame()などの関数はRに標準で組み込まれています。一方、パッケージを導入することで、さらに専門的な機能を利用できるようになります。初めてパッケージを使用する前には必ずインストールが必要で、その後は必要に応じて各Rセッションでインポートする必要があります。

  • dplyrパッケージは強力なデータ操作ツールを提供します。データフレームを直接操作するために設計されており、多くの操作が最適化されています。

  • 後述するように、特定の分析や可視化を行うためにデータフレームの形状を変更したい場合があります。tidyrパッケージはこの一般的な問題に対処するためのツールを提供し、データをきれいに整理した状態で操作できるようにします。

ワークショップ終了後、dplyrとtidyrについてさらに詳しく学びたい場合は、以下の資料が参考になります： - dplyrを使ったデータ変換の便利なチートシート - tidyrに関するチートシート

  • tidyverseパッケージは「包括的パッケージ」であり、tidyr、dplyr、ggplot2、tibbleなど、データ分析において相互に連携して動作する複数の有用なパッケージをまとめてインストールできます。これらのパッケージはデータの操作や分析を容易にし、サブセット処理、データ変換、可視化など、さまざまな操作を可能にします。

セットアップを完了していれば、すでにtidyverseパッケージがインストールされているはずです。以下のコマンドでライブラリから読み込んで確認できます：

R 

## tidyverseパッケージ（dplyrを含む）を読み込む
library("tidyverse")

もしthere is no package called ‘tidyverse’というエラーメッセージが表示された場合、このRバージョンに対してまだパッケージがインストールされていません。tidyverseパッケージをインストールするには、以下のコマンドを実行してください：

R 

BiocManager::install("tidyverse")

tidyverseパッケージをインストールした場合は、このRセッションでlibrary()コマンドを使用して必ず読み込んでください！

tidyverseを使ったデータ読み込み

read.csv()の代わりに、tidyverseパッケージreadrに含まれるread_csv()関数（.ではなく_を使用している点に注意）を使ってデータを読み込みます。

R 

rna <- read_csv("data/rnaseq.csv")

## データの内容を確認
rna

OUTPUT 

# A tibble: 32,428 × 19
   gene    sample  expression organism   age sex   infection strain  time tissue
   <chr>   <chr>        <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 Asl     GSM254…       1170 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 2 Apod    GSM254…      36194 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 3 Cyp2d22 GSM254…       4060 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 4 Klk6    GSM254…        287 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 5 Fcrls   GSM254…         85 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 6 Slc2a4  GSM254…        782 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 7 Exd2    GSM254…       1619 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 8 Gjc2    GSM254…        288 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 9 Plp1    GSM254…      43217 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
10 Gnb4    GSM254…       1071 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
# ℹ 32,418 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

データのクラスが”tibble”として表示されていることにご注意ください。

tibbleは、以前紹介したデータフレームオブジェクトの動作を一部調整したものです。データ構造はデータフレームと非常に似ていますが、主な違いは以下の通りです：

  1. 各列のデータ型が列名の下に表示されます。 注：<dbl>は小数点を含む数値値を保持するように定義されたデータ型です。

  2. データの最初の数行のみが表示され、1画面に収まる列数のみが出力されます。

ここからは、dplyrでよく使われる代表的な関数をいくつか紹介します：

  • select()：列のサブセットを選択
  • filter()：条件に基づいて行をサブセット
  • mutate()：他の列の情報を使って新しい列を作成
  • group_by()とsummarise()：グループ化されたデータの要約統計量を作成
  • arrange()：結果を並べ替え
  • count()：離散値の出現回数をカウント

列の選択と行のフィルタリング

データフレームから特定の列を選択するには select() 関数を使用します。この関数の第1引数には対象のデータフレーム（ここでは rna）を指定し、続く引数には保持したい列名を指定します。

R 

select(rna, gene, sample, tissue, expression)

OUTPUT 

# A tibble: 32,428 × 4
   gene    sample     tissue     expression
   <chr>   <chr>      <chr>           <dbl>
 1 Asl     GSM2545336 Cerebellum       1170
 2 Apod    GSM2545336 Cerebellum      36194
 3 Cyp2d22 GSM2545336 Cerebellum       4060
 4 Klk6    GSM2545336 Cerebellum        287
 5 Fcrls   GSM2545336 Cerebellum         85
 6 Slc2a4  GSM2545336 Cerebellum        782
 7 Exd2    GSM2545336 Cerebellum       1619
 8 Gjc2    GSM2545336 Cerebellum        288
 9 Plp1    GSM2545336 Cerebellum      43217
10 Gnb4    GSM2545336 Cerebellum       1071
# ℹ 32,418 more rows

特定の列を除いたすべての列を選択する場合は、除外したい列名の前に「-」を付けます。

R 

select(rna, -tissue, -organism)

OUTPUT 

# A tibble: 32,428 × 17
   gene    sample   expression   age sex   infection strain  time mouse ENTREZID
   <chr>   <chr>         <dbl> <dbl> <chr> <chr>     <chr>  <dbl> <dbl>    <dbl>
 1 Asl     GSM2545…       1170     8 Fema… Influenz… C57BL…     8    14   109900
 2 Apod    GSM2545…      36194     8 Fema… Influenz… C57BL…     8    14    11815
 3 Cyp2d22 GSM2545…       4060     8 Fema… Influenz… C57BL…     8    14    56448
 4 Klk6    GSM2545…        287     8 Fema… Influenz… C57BL…     8    14    19144
 5 Fcrls   GSM2545…         85     8 Fema… Influenz… C57BL…     8    14    80891
 6 Slc2a4  GSM2545…        782     8 Fema… Influenz… C57BL…     8    14    20528
 7 Exd2    GSM2545…       1619     8 Fema… Influenz… C57BL…     8    14    97827
 8 Gjc2    GSM2545…        288     8 Fema… Influenz… C57BL…     8    14   118454
 9 Plp1    GSM2545…      43217     8 Fema… Influenz… C57BL…     8    14    18823
10 Gnb4    GSM2545…       1071     8 Fema… Influenz… C57BL…     8    14    14696
# ℹ 32,418 more rows
# ℹ 7 more variables: product <chr>, ensembl_gene_id <chr>,
#   external_synonym <chr>, chromosome_name <chr>, gene_biotype <chr>,
#   phenotype_description <chr>, hsapiens_homolog_associated_gene_name <chr>

これにより、rna データフレームから tissue 列と organism 列を除いたすべての変数が選択されます。

特定の条件に基づいて行を選択する場合は filter() 関数を使用します：

R 

filter(rna, sex == "Male")

OUTPUT 

# A tibble: 14,740 × 19
   gene    sample  expression organism   age sex   infection strain  time tissue
   <chr>   <chr>        <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 Asl     GSM254…        626 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 2 Apod    GSM254…      13021 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 3 Cyp2d22 GSM254…       2171 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 4 Klk6    GSM254…        448 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 5 Fcrls   GSM254…        180 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 6 Slc2a4  GSM254…        313 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 7 Exd2    GSM254…       2366 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 8 Gjc2    GSM254…        310 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 9 Plp1    GSM254…      53126 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
10 Gnb4    GSM254…       1355 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
# ℹ 14,730 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

R 

filter(rna, sex == "Male" & infection == "NonInfected")

OUTPUT 

# A tibble: 4,422 × 19
   gene    sample  expression organism   age sex   infection strain  time tissue
   <chr>   <chr>        <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 Asl     GSM254…        535 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 2 Apod    GSM254…      13668 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 3 Cyp2d22 GSM254…       2008 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 4 Klk6    GSM254…       1101 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 5 Fcrls   GSM254…        375 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 6 Slc2a4  GSM254…        249 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 7 Exd2    GSM254…       3126 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 8 Gjc2    GSM254…        791 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 9 Plp1    GSM254…      98658 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
10 Gnb4    GSM254…       2437 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
# ℹ 4,412 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

次に、このデータセットで解析されたマウス遺伝子のヒト相同遺伝子について調べたいとします。この情報は rna データフレームの最後の列 hsapiens_homolog_associated_gene_name に格納されています。この情報を視覚化しやすくするため、gene 列と hsapiens_homolog_associated_gene_name 列のみを含む新しいテーブルを作成します。

R 

genes <- select(rna, gene, hsapiens_homolog_associated_gene_name)
genes

OUTPUT 

# A tibble: 32,428 × 2
   gene    hsapiens_homolog_associated_gene_name
   <chr>   <chr>
 1 Asl     ASL
 2 Apod    APOD
 3 Cyp2d22 CYP2D6
 4 Klk6    KLK6
 5 Fcrls   FCRL2
 6 Slc2a4  SLC2A4
 7 Exd2    EXD2
 8 Gjc2    GJC2
 9 Plp1    PLP1
10 Gnb4    GNB4
# ℹ 32,418 more rows

マウス遺伝子の中にはヒト相同遺伝子が存在しないものもあります。これらの遺伝子は filter() 関数と is.na() 関数を使用して取得できます。is.na() 関数は値が NA かどうかを判定します。

R 

filter(genes, is.na(hsapiens_homolog_associated_gene_name))

OUTPUT 

# A tibble: 4,290 × 2
   gene     hsapiens_homolog_associated_gene_name
   <chr>    <chr>
 1 Prodh    <NA>
 2 Tssk5    <NA>
 3 Vmn2r1   <NA>
 4 Gm10654  <NA>
 5 Hexa     <NA>
 6 Sult1a1  <NA>
 7 Gm6277   <NA>
 8 Tmem198b <NA>
 9 Adam1a   <NA>
10 Ebp      <NA>
# ℹ 4,280 more rows

ヒト相同遺伝子が存在するマウス遺伝子のみを保持したい場合は、結果を否定する ! 記号を使用します。これにより、hsapiens_homolog_associated_gene_name が NA でないすべての行を選択できます。

R 

filter(genes, !is.na(hsapiens_homolog_associated_gene_name))

OUTPUT 

# A tibble: 28,138 × 2
   gene    hsapiens_homolog_associated_gene_name
   <chr>   <chr>
 1 Asl     ASL
 2 Apod    APOD
 3 Cyp2d22 CYP2D6
 4 Klk6    KLK6
 5 Fcrls   FCRL2
 6 Slc2a4  SLC2A4
 7 Exd2    EXD2
 8 Gjc2    GJC2
 9 Plp1    PLP1
10 Gnb4    GNB4
# ℹ 28,128 more rows

パイプ演算子

列選択とフィルタリングを同時に行いたい場合、以下の3つの方法があります：中間ステップを使用する方法、関数をネストする方法、またはパイプ演算子を使用する方法です。

中間ステップを使用する場合、一時的なデータフレームを作成してそれを次の関数の入力として渡します。例えば：

R 

rna2 <- filter(rna, sex == "Male")
rna3 <- select(rna2, gene, sample, tissue, expression)
rna3

OUTPUT 

# A tibble: 14,740 × 4
   gene    sample     tissue     expression
   <chr>   <chr>      <chr>           <dbl>
 1 Asl     GSM2545340 Cerebellum        626
 2 Apod    GSM2545340 Cerebellum      13021
 3 Cyp2d22 GSM2545340 Cerebellum       2171
 4 Klk6    GSM2545340 Cerebellum        448
 5 Fcrls   GSM2545340 Cerebellum        180
 6 Slc2a4  GSM2545340 Cerebellum        313
 7 Exd2    GSM2545340 Cerebellum       2366
 8 Gjc2    GSM2545340 Cerebellum        310
 9 Plp1    GSM2545340 Cerebellum      53126
10 Gnb4    GSM2545340 Cerebellum       1355
# ℹ 14,730 more rows

この方法は可読性は高いですが、中間オブジェクトが多数生成されるため、ワークスペースが乱雑になりがちです。特に複数のステップがある場合、管理が難しくなることがあります。

関数をネストする方法もあります：

R 

rna3 <- select(filter(rna, sex == "Male"), gene, sample, tissue, expression)
rna3

OUTPUT 

# A tibble: 14,740 × 4
   gene    sample     tissue     expression
   <chr>   <chr>      <chr>           <dbl>
 1 Asl     GSM2545340 Cerebellum        626
 2 Apod    GSM2545340 Cerebellum      13021
 3 Cyp2d22 GSM2545340 Cerebellum       2171
 4 Klk6    GSM2545340 Cerebellum        448
 5 Fcrls   GSM2545340 Cerebellum        180
 6 Slc2a4  GSM2545340 Cerebellum        313
 7 Exd2    GSM2545340 Cerebellum       2366
 8 Gjc2    GSM2545340 Cerebellum        310
 9 Plp1    GSM2545340 Cerebellum      53126
10 Gnb4    GSM2545340 Cerebellum       1355
# ℹ 14,730 more rows

この方法は便利ですが、関数がネストしすぎると読みにくくなる可能性があります。Rは式を内側から評価するため（この場合、まずフィルタリングを行い、その後選択を行います）、複雑な処理になると理解が難しくなる場合があります。

最後の選択肢である「パイプ演算子」はRに最近追加された機能です。パイプ演算子を使用すると、ある関数の出力を直接次の関数の入力として渡すことができ、同じデータセットに対して複数の処理を行う場合に特に便利です。

Rでパイプ演算子を使用するには %>% 記号を使用します（magrittr パッケージで利用可能）。また |> 記号も使用できます（基本Rで利用可能）。RStudioを使用している場合、PCではCtrl + Shift + M、MacではCmd + Shift + M でパイプ演算子を入力できます。

上記のコードでは、パイプ演算子を使用して rna データセットを最初に filter() 関数で sex が “Male” の行のみを保持するようにフィルタリングし、次に select() 関数で gene, sample, tissue, expression 列のみを保持するように選択しています。

|> パイプ演算子は左側のオブジェクトを右側の関数の第1引数として直接渡すため、filter() や select() 関数にデータフレームを明示的に引数として指定する必要がなくなります。

R 

rna |>
  filter(sex == "Male") |>
  select(gene, sample, tissue, expression)

OUTPUT 

# A tibble: 14,740 × 4
   gene    sample     tissue     expression
   <chr>   <chr>      <chr>           <dbl>
 1 Asl     GSM2545340 Cerebellum        626
 2 Apod    GSM2545340 Cerebellum      13021
 3 Cyp2d22 GSM2545340 Cerebellum       2171
 4 Klk6    GSM2545340 Cerebellum        448
 5 Fcrls   GSM2545340 Cerebellum        180
 6 Slc2a4  GSM2545340 Cerebellum        313
 7 Exd2    GSM2545340 Cerebellum       2366
 8 Gjc2    GSM2545340 Cerebellum        310
 9 Plp1    GSM2545340 Cerebellum      53126
10 Gnb4    GSM2545340 Cerebellum       1355
# ℹ 14,730 more rows

パイプ演算子を「その後」という意味で読むと理解しやすいかもしれません。例えば上記の例では、rna データフレームを最初に取得し、その後 sex == "Male" の行をフィルタリングし、その後 gene, sample, tissue, expression 列を選択しています。

dplyr 関数自体はシンプルな機能ですが、パイプ演算子を使ってこれらの関数を線形的なワークフローに組み合わせることで、より複雑なデータフレーム操作が可能になります。

この小さなサイズのデータセットから新しいオブジェクトを作成したい場合は、以下のように新しい名前を割り当てられます：

R 

rna3 <- rna |>
  filter(sex == "Male") |>
  select(gene, sample, tissue, expression)

rna3

OUTPUT 

# A tibble: 14,740 × 4
   gene    sample     tissue     expression
   <chr>   <chr>      <chr>           <dbl>
 1 Asl     GSM2545340 Cerebellum        626
 2 Apod    GSM2545340 Cerebellum      13021
 3 Cyp2d22 GSM2545340 Cerebellum       2171
 4 Klk6    GSM2545340 Cerebellum        448
 5 Fcrls   GSM2545340 Cerebellum        180
 6 Slc2a4  GSM2545340 Cerebellum        313
 7 Exd2    GSM2545340 Cerebellum       2366
 8 Gjc2    GSM2545340 Cerebellum        310
 9 Plp1    GSM2545340 Cerebellum      53126
10 Gnb4    GSM2545340 Cerebellum       1355
# ℹ 14,730 more rows
Discussion

課題:

パイプ演算子を使用して、rnaデータセットをサブセットし、時間0時点で雌マウスの観測値のみを保持してください。 この際、遺伝子の発現量が50,000を超えているものに限定し、列はgene、sample、time、expression、ageの5列のみを抽出してください。

解答

R 

rna |>
  filter(expression > 50000,
         sex == "Female",
         time == 0 ) |>
  select(gene, sample, time, expression, age)

OUTPUT 

# A tibble: 9 × 5
  gene   sample      time expression   age
  <chr>  <chr>      <dbl>      <dbl> <dbl>
1 Plp1   GSM2545337     0     101241     8
2 Atp1b1 GSM2545337     0      53260     8
3 Plp1   GSM2545338     0      96534     8
4 Atp1b1 GSM2545338     0      50614     8
5 Plp1   GSM2545348     0     102790     8
6 Atp1b1 GSM2545348     0      59544     8
7 Plp1   GSM2545353     0      71237     8
8 Glul   GSM2545353     0      52451     8
9 Atp1b1 GSM2545353     0      61451     8

mutate関数の使用

既存の列の値に基づいて新しい列を作成したい場面は頻繁に発生します。例えば、単位変換を行ったり、2つの列間の値の比率を計算したりする場合などです。このような場合には、mutate()関数を使用します。

時間の値を時間単位の新しい列として作成する例を示します：

R 

rna |>
  mutate(time_hours = time * 24) |>
  select(time, time_hours)

OUTPUT 

# A tibble: 32,428 × 2
    time time_hours
   <dbl>      <dbl>
 1     8        192
 2     8        192
 3     8        192
 4     8        192
 5     8        192
 6     8        192
 7     8        192
 8     8        192
 9     8        192
10     8        192
# ℹ 32,418 more rows

また、mutate()関数の同じ呼び出し内で、先に作成した新しい列を基にさらに別の新しい列を作成することも可能です：

R 

rna |>
  mutate(time_hours = time * 24,
         time_mn = time_hours * 60) |>
  select(time, time_hours, time_mn)

OUTPUT 

# A tibble: 32,428 × 3
    time time_hours time_mn
   <dbl>      <dbl>   <dbl>
 1     8        192   11520
 2     8        192   11520
 3     8        192   11520
 4     8        192   11520
 5     8        192   11520
 6     8        192   11520
 7     8        192   11520
 8     8        192   11520
 9     8        192   11520
10     8        192   11520
# ℹ 32,418 more rows
Challenge

課題

rna データセットから、以下の条件を満たす新しいデータフレームを作成してください： gene、chromosome_name、phenotype_description、sample、および expression の各列のみを含むこと。発現値については対数変換を施すこと。このデータフレームには、性染色体上に位置し、特定の表現型_descriptionに関連付けられ、かつ対数変換後の発現値が5を超える遺伝子のみを含める必要があります。

ヒント：このデータフレームを生成するために、コマンドをどのように順序付ければよいか考えてみてください！

R 

rna |>
  mutate(expression = log(expression)) |>
  select(gene, chromosome_name, phenotype_description, sample, expression) |>
  filter(chromosome_name == "X" | chromosome_name == "Y") |>
  filter(!is.na(phenotype_description)) |>
  filter(expression > 5)

OUTPUT 

# A tibble: 649 × 5
   gene   chromosome_name phenotype_description                sample expression
   <chr>  <chr>           <chr>                                <chr>       <dbl>
 1 Plp1   X               abnormal CNS glial cell morphology   GSM25…      10.7
 2 Slc7a3 X               decreased body length                GSM25…       5.46
 3 Plxnb3 X               abnormal coat appearance             GSM25…       6.58
 4 Rbm3   X               abnormal liver morphology            GSM25…       9.32
 5 Cfp    X               abnormal cardiovascular system phys… GSM25…       6.18
 6 Ebp    X               abnormal embryonic erythrocyte morp… GSM25…       6.68
 7 Cd99l2 X               abnormal cellular extravasation      GSM25…       8.04
 8 Piga   X               abnormal brain development           GSM25…       6.06
 9 Pim2   X               decreased T cell proliferation       GSM25…       7.11
10 Itm2a  X               no abnormal phenotype detected       GSM25…       7.48
# ℹ 639 more rows

Split-apply-combine data analysis

Many data analysis tasks can be approached using the split-apply-combine paradigm: split the data into groups, apply some analysis to each group, and then combine the results. dplyr makes this very easy through the use of the group_by() function.

R 

rna |>
  group_by(gene)

OUTPUT 

# A tibble: 32,428 × 19
# Groups:   gene [1,474]
   gene    sample  expression organism   age sex   infection strain  time tissue
   <chr>   <chr>        <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 Asl     GSM254…       1170 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 2 Apod    GSM254…      36194 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 3 Cyp2d22 GSM254…       4060 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 4 Klk6    GSM254…        287 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 5 Fcrls   GSM254…         85 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 6 Slc2a4  GSM254…        782 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 7 Exd2    GSM254…       1619 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 8 Gjc2    GSM254…        288 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 9 Plp1    GSM254…      43217 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
10 Gnb4    GSM254…       1071 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
# ℹ 32,418 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

The group_by() function doesn’t perform any data processing, it groups the data into subsets: in the example above, our initial tibble of 32428 observations is split into 1474 groups based on the gene variable.

We could similarly decide to group the tibble by the samples:

R 

rna |>
  group_by(sample)

OUTPUT 

# A tibble: 32,428 × 19
# Groups:   sample [22]
   gene    sample  expression organism   age sex   infection strain  time tissue
   <chr>   <chr>        <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 Asl     GSM254…       1170 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 2 Apod    GSM254…      36194 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 3 Cyp2d22 GSM254…       4060 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 4 Klk6    GSM254…        287 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 5 Fcrls   GSM254…         85 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 6 Slc2a4  GSM254…        782 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 7 Exd2    GSM254…       1619 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 8 Gjc2    GSM254…        288 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 9 Plp1    GSM254…      43217 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
10 Gnb4    GSM254…       1071 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
# ℹ 32,418 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

Here our initial tibble of 32428 observations is split into 22 groups based on the sample variable.

Once the data has been grouped, subsequent operations will be applied on each group independently.

The summarise() function

group_by() is often used together with summarise(), which collapses each group into a single-row summary of that group.

group_by() takes as arguments the column names that contain the categorical variables for which you want to calculate the summary statistics. So to compute the mean expression by gene:

R 

rna |>
  group_by(gene) |>
  summarise(mean_expression = mean(expression))

OUTPUT 

# A tibble: 1,474 × 2
   gene     mean_expression
   <chr>              <dbl>
 1 AI504432         1053.
 2 AW046200          131.
 3 AW551984          295.
 4 Aamp             4751.
 5 Abca12              4.55
 6 Abcc8            2498.
 7 Abhd14a           525.
 8 Abi2             4909.
 9 Abi3bp           1002.
10 Abl2             2124.
# ℹ 1,464 more rows

We could also want to calculate the mean expression levels of all genes in each sample:

R 

rna |>
  group_by(sample) |>
  summarise(mean_expression = mean(expression))

OUTPUT 

# A tibble: 22 × 2
   sample     mean_expression
   <chr>                <dbl>
 1 GSM2545336           2062.
 2 GSM2545337           1766.
 3 GSM2545338           1668.
 4 GSM2545339           1696.
 5 GSM2545340           1682.
 6 GSM2545341           1638.
 7 GSM2545342           1594.
 8 GSM2545343           2107.
 9 GSM2545344           1712.
10 GSM2545345           1700.
# ℹ 12 more rows

But we can can also group by multiple columns:

R 

rna |>
  group_by(gene, infection, time) |>
  summarise(mean_expression = mean(expression))

OUTPUT 

`summarise()` has grouped output by 'gene', 'infection'. You can override using
the `.groups` argument.

OUTPUT 

# A tibble: 4,422 × 4
# Groups:   gene, infection [2,948]
   gene     infection    time mean_expression
   <chr>    <chr>       <dbl>           <dbl>
 1 AI504432 InfluenzaA      4           1104.
 2 AI504432 InfluenzaA      8           1014
 3 AI504432 NonInfected     0           1034.
 4 AW046200 InfluenzaA      4            152.
 5 AW046200 InfluenzaA      8             81
 6 AW046200 NonInfected     0            155.
 7 AW551984 InfluenzaA      4            302.
 8 AW551984 InfluenzaA      8            342.
 9 AW551984 NonInfected     0            238
10 Aamp     InfluenzaA      4           4870
# ℹ 4,412 more rows

Once the data is grouped, you can also summarise multiple variables at the same time (and not necessarily on the same variable). For instance, we could add a column indicating the median expression by gene and by condition:

R 

rna |>
  group_by(gene, infection, time) |>
  summarise(mean_expression = mean(expression),
            median_expression = median(expression))

OUTPUT 

`summarise()` has grouped output by 'gene', 'infection'. You can override using
the `.groups` argument.

OUTPUT 

# A tibble: 4,422 × 5
# Groups:   gene, infection [2,948]
   gene     infection    time mean_expression median_expression
   <chr>    <chr>       <dbl>           <dbl>             <dbl>
 1 AI504432 InfluenzaA      4           1104.             1094.
 2 AI504432 InfluenzaA      8           1014               985
 3 AI504432 NonInfected     0           1034.             1016
 4 AW046200 InfluenzaA      4            152.              144.
 5 AW046200 InfluenzaA      8             81                82
 6 AW046200 NonInfected     0            155.              163
 7 AW551984 InfluenzaA      4            302.              245
 8 AW551984 InfluenzaA      8            342.              287
 9 AW551984 NonInfected     0            238               265
10 Aamp     InfluenzaA      4           4870              4708
# ℹ 4,412 more rows
Challenge

チャレンジ

時間ポイントごとに遺伝子「Dok3」の平均発現レベルを計算します。

R 

rna |>
  filter(gene == "Dok3") |>
  group_by(time) |>
  summarise(mean = mean(expression))

OUTPUT 

# A tibble: 3 × 2
   time  mean
  <dbl> <dbl>
1     0  169
2     4  156.
3     8   61

カウント処理

データを扱う際、各因子または因子の組み合わせごとに観測値の数を知りたい場面がよくあります。この目的のために、dplyr パッケージでは count() 関数が用意されています。例えば、感染サンプルと非感染サンプルそれぞれについてデータ行数をカウントしたい場合、以下のように記述します：

R 

rna |>
    count(infection)

OUTPUT 

# A tibble: 2 × 2
  infection       n
  <chr>       <int>
1 InfluenzaA  22110
2 NonInfected 10318

count() 関数は、既に学んだ「変数でデータをグループ化し、そのグループ内の観測値数を集計する」という処理の短縮形です。言い換えれば、rna |> count(infection) は以下のように等価です：

R 

rna |>
    group_by(infection) |>
    summarise(n = n())

OUTPUT 

# A tibble: 2 × 2
  infection       n
  <chr>       <int>
1 InfluenzaA  22110
2 NonInfected 10318

上記の例では、count() 関数を使って単一の因子（ここでは infection）の行数をカウントしています。 もし infection と time といった複数の因子の組み合わせについてカウントを行いたい場合は、count() 関数の引数として最初の因子と2番目の因子を指定します：

R 

rna |>
    count(infection, time)

OUTPUT 

# A tibble: 3 × 3
  infection    time     n
  <chr>       <dbl> <int>
1 InfluenzaA      4 11792
2 InfluenzaA      8 10318
3 NonInfected     0 10318

これは以下のコードと等価です：

R 

rna |>
  group_by(infection, time) |>
  summarise(n = n())

OUTPUT 

`summarise()` has grouped output by 'infection'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 3 × 3
# Groups:   infection [2]
  infection    time     n
  <chr>       <dbl> <int>
1 InfluenzaA      4 11792
2 InfluenzaA      8 10318
3 NonInfected     0 10318

結果を並べ替えて比較を容易にすることが役立つ場合があります。 arrange() 関数を使えばテーブルを並べ替えることが可能です。 例えば、先ほどのテーブルを time で昇順に並べ替えたい場合は以下のようにします：

R 

rna |>
  count(infection, time) |>
  arrange(time)

OUTPUT 

# A tibble: 3 × 3
  infection    time     n
  <chr>       <dbl> <int>
1 NonInfected     0 10318
2 InfluenzaA      4 11792
3 InfluenzaA      8 10318

あるいは、カウント値で並べ替える場合は：

R 

rna |>
  count(infection, time) |>
  arrange(n)

OUTPUT 

# A tibble: 3 × 3
  infection    time     n
  <chr>       <dbl> <int>
1 InfluenzaA      8 10318
2 NonInfected     0 10318
3 InfluenzaA      4 11792

降順で並べ替える場合は、desc() 関数を追加する必要があります：

R 

rna |>
  count(infection, time) |>
  arrange(desc(n))

OUTPUT 

# A tibble: 3 × 3
  infection    time     n
  <chr>       <dbl> <int>
1 InfluenzaA      4 11792
2 InfluenzaA      8 10318
3 NonInfected     0 10318
Challenge

チャレンジ

  1. 各サンプルにおいて解析された遺伝子数はいくつですか？
  2. group_by() と summarise() 関数を使用して、各サンプルにおけるシーケンシング深度（すべてのカウントの合計）を評価してください。最もシーケンシング深度が高いサンプルはどれですか？
  3. 任意の1つのサンプルを選択し、遺伝子をバイオタイプ別に分類して数を評価してください。
  4. 「異常なDNAメチル化」という表現型記述に関連する遺伝子を特定し、時間0、時間4、および時間8におけるそれらの平均発現量（対数値）を算出してください。

R 

## 1.
rna |>
  count(sample)

OUTPUT 

# A tibble: 22 × 2
   sample         n
   <chr>      <int>
 1 GSM2545336  1474
 2 GSM2545337  1474
 3 GSM2545338  1474
 4 GSM2545339  1474
 5 GSM2545340  1474
 6 GSM2545341  1474
 7 GSM2545342  1474
 8 GSM2545343  1474
 9 GSM2545344  1474
10 GSM2545345  1474
# ℹ 12 more rows

R 

## 2.
rna |>
  group_by(sample) |>
  summarise(seq_depth = sum(expression)) |>
  arrange(desc(seq_depth))

OUTPUT 

# A tibble: 22 × 2
   sample     seq_depth
   <chr>          <dbl>
 1 GSM2545350   3255566
 2 GSM2545352   3216163
 3 GSM2545343   3105652
 4 GSM2545336   3039671
 5 GSM2545380   3036098
 6 GSM2545353   2953249
 7 GSM2545348   2913678
 8 GSM2545362   2913517
 9 GSM2545351   2782464
10 GSM2545349   2758006
# ℹ 12 more rows

R 

## 3.
rna |>
  filter(sample == "GSM2545336") |>
  count(gene_biotype) |>
  arrange(desc(n))

OUTPUT 

# A tibble: 13 × 2
   gene_biotype                           n
   <chr>                              <int>
 1 protein_coding                      1321
 2 lncRNA                                69
 3 processed_pseudogene                  59
 4 miRNA                                  7
 5 snoRNA                                 5
 6 TEC                                    4
 7 polymorphic_pseudogene                 2
 8 unprocessed_pseudogene                 2
 9 IG_C_gene                              1
10 scaRNA                                 1
11 transcribed_processed_pseudogene       1
12 transcribed_unitary_pseudogene         1
13 transcribed_unprocessed_pseudogene     1

R 

## 4.
rna |>
  filter(phenotype_description == "abnormal DNA methylation") |>
  group_by(gene, time) |>
  summarise(mean_expression = mean(log(expression))) |>
  arrange()

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 6 × 3
# Groups:   gene [2]
  gene   time mean_expression
  <chr> <dbl>           <dbl>
1 Xist      0            6.95
2 Xist      4            6.34
3 Xist      8            7.13
4 Zdbf2     0            6.27
5 Zdbf2     4            6.27
6 Zdbf2     8            6.19

データの再整形

rna データフレームにおいて、行には発現値（単位）が格納されており、これらは gene と sample という2つの他の変数の組み合わせに関連付けられています。

その他のすべての列は、サンプルに関する変数（生物種、年齢、性別など）または遺伝子に関する変数 （gene_biotype、ENTREZ_ID、産物情報など）を記述しています。 遺伝子やサンプルによって変化しない変数は、すべての行で同じ値を保持します。

R 

rna |>
  arrange(gene)

OUTPUT 

# A tibble: 32,428 × 19
   gene     sample expression organism   age sex   infection strain  time tissue
   <chr>    <chr>       <dbl> <chr>    <dbl> <chr> <chr>     <chr>  <dbl> <chr>
 1 AI504432 GSM25…       1230 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 2 AI504432 GSM25…       1085 Mus mus…     8 Fema… NonInfec… C57BL…     0 Cereb…
 3 AI504432 GSM25…        969 Mus mus…     8 Fema… NonInfec… C57BL…     0 Cereb…
 4 AI504432 GSM25…       1284 Mus mus…     8 Fema… Influenz… C57BL…     4 Cereb…
 5 AI504432 GSM25…        966 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
 6 AI504432 GSM25…        918 Mus mus…     8 Male  Influenz… C57BL…     8 Cereb…
 7 AI504432 GSM25…        985 Mus mus…     8 Fema… Influenz… C57BL…     8 Cereb…
 8 AI504432 GSM25…        972 Mus mus…     8 Male  NonInfec… C57BL…     0 Cereb…
 9 AI504432 GSM25…       1000 Mus mus…     8 Fema… Influenz… C57BL…     4 Cereb…
10 AI504432 GSM25…        816 Mus mus…     8 Male  Influenz… C57BL…     4 Cereb…
# ℹ 32,418 more rows
# ℹ 9 more variables: mouse <dbl>, ENTREZID <dbl>, product <chr>,
#   ensembl_gene_id <chr>, external_synonym <chr>, chromosome_name <chr>,
#   gene_biotype <chr>, phenotype_description <chr>,
#   hsapiens_homolog_associated_gene_name <chr>

この構造は「長形式」と呼ばれ、1つの列にすべての値が含まれ、他の列がその値の文脈情報を列挙する形式です。 特定のケースでは、この「長形式」は「人間にとって読みやすい」形式とは言えず、よりコンパクトなデータ表現方法である 「幅形式」が好まれる場合があります。これは特に、科学者が行列形式で見ることに慣れている遺伝子発現値の場合に当てはまります。 この形式では、行が遺伝子を、列がサンプルを表すため、遺伝子発現レベルのサンプル内およびサンプル間の関係性を 容易に探索できるようになります。

OUTPUT 

# A tibble: 1,474 × 23
   gene    GSM2545336 GSM2545337 GSM2545338 GSM2545339 GSM2545340 GSM2545341
   <chr>        <dbl>      <dbl>      <dbl>      <dbl>      <dbl>      <dbl>
 1 Asl           1170        361        400        586        626        988
 2 Apod         36194      10347       9173      10620      13021      29594
 3 Cyp2d22       4060       1616       1603       1901       2171       3349
 4 Klk6           287        629        641        578        448        195
 5 Fcrls           85        233        244        237        180         38
 6 Slc2a4         782        231        248        265        313        786
 7 Exd2          1619       2288       2235       2513       2366       1359
 8 Gjc2           288        595        568        551        310        146
 9 Plp1         43217     101241      96534      58354      53126      27173
10 Gnb4          1071       1791       1867       1430       1355        798
# ℹ 1,464 more rows
# ℹ 16 more variables: GSM2545342 <dbl>, GSM2545343 <dbl>, GSM2545344 <dbl>,
#   GSM2545345 <dbl>, GSM2545346 <dbl>, GSM2545347 <dbl>, GSM2545348 <dbl>,
#   GSM2545349 <dbl>, GSM2545350 <dbl>, GSM2545351 <dbl>, GSM2545352 <dbl>,
#   GSM2545353 <dbl>, GSM2545354 <dbl>, GSM2545362 <dbl>, GSM2545363 <dbl>,
#   GSM2545380 <dbl>

rna データの遺伝子発現値を幅形式に変換するには、sample 列の値を 新しいテーブルの列名として使用する新しいテーブルを作成する必要があります。

ここで重要なのは、依然として「tidyデータ構造」の原則に従っているものの、 データの再整形を行っているという点です。つまり、遺伝子ごと・サンプルごとに発現値を記録するのではなく、 遺伝子ごとの発現レベルに焦点を当ててデータを再構成しているのです。

逆の変換としては、列名を新しい変数の値に変換する操作が考えられます。 これら2種類の変換は、tidyr パッケージの pivot_longer() と pivot_wider() 関数を使用して実行できます （詳細な説明については、tidyr ウェブサイトのピボット操作に関する 記事を参照してください）。

データをワイド形式に変換する

rnaデータの最初の3列を選択し、pivot_wider()関数を使用してデータをワイド形式に変換します。

R 

rna_exp <- rna |>
  select(gene, sample, expression)
rna_exp

OUTPUT 

# A tibble: 32,428 × 3
   gene    sample     expression
   <chr>   <chr>           <dbl>
 1 Asl     GSM2545336       1170
 2 Apod    GSM2545336      36194
 3 Cyp2d22 GSM2545336       4060
 4 Klk6    GSM2545336        287
 5 Fcrls   GSM2545336         85
 6 Slc2a4  GSM2545336        782
 7 Exd2    GSM2545336       1619
 8 Gjc2    GSM2545336        288
 9 Plp1    GSM2545336      43217
10 Gnb4    GSM2545336       1071
# ℹ 32,418 more rows

pivot_wider関数には主に3つの引数があります：

  1. 変換対象のデータ
  2. names_from：新しい列名となる値を含む列
  3. values_from：新しい列に値を割り当てる元となる列
図は左側がロング形式、右側がワイド形式のテーブルを示しており、左側の'sample'列の値が右側の列名に、左側の'expression'列の値が右側の列値に変換される過程を矢印で示しています。以下は'pivot_wider()'関数の呼び出し例で、'sample'と'expression'引数に対応する注釈を付けています
rnaデータのワイド形式への変換例

R 

rna_wide <- rna_exp |>
  pivot_wider(names_from = sample,
              values_from = expression)
rna_wide

OUTPUT 

# A tibble: 1,474 × 23
   gene    GSM2545336 GSM2545337 GSM2545338 GSM2545339 GSM2545340 GSM2545341
   <chr>        <dbl>      <dbl>      <dbl>      <dbl>      <dbl>      <dbl>
 1 Asl           1170        361        400        586        626        988
 2 Apod         36194      10347       9173      10620      13021      29594
 3 Cyp2d22       4060       1616       1603       1901       2171       3349
 4 Klk6           287        629        641        578        448        195
 5 Fcrls           85        233        244        237        180         38
 6 Slc2a4         782        231        248        265        313        786
 7 Exd2          1619       2288       2235       2513       2366       1359
 8 Gjc2           288        595        568        551        310        146
 9 Plp1         43217     101241      96534      58354      53126      27173
10 Gnb4          1071       1791       1867       1430       1355        798
# ℹ 1,464 more rows
# ℹ 16 more variables: GSM2545342 <dbl>, GSM2545343 <dbl>, GSM2545344 <dbl>,
#   GSM2545345 <dbl>, GSM2545346 <dbl>, GSM2545347 <dbl>, GSM2545348 <dbl>,
#   GSM2545349 <dbl>, GSM2545350 <dbl>, GSM2545351 <dbl>, GSM2545352 <dbl>,
#   GSM2545353 <dbl>, GSM2545354 <dbl>, GSM2545362 <dbl>, GSM2545363 <dbl>,
#   GSM2545380 <dbl>

デフォルトでは、pivot_wider()関数は欠損値がある場合にNA値を追加します。

何らかの理由で、特定の遺伝子について特定のサンプルに発現値の欠損が生じていると仮定しましょう。以下の架空の例では、Cyp2d22遺伝子はGSM2545338サンプルにのみ発現値を持っています。

R 

rna_with_missing_values <- rna |>
  select(gene, sample, expression) |>
  filter(gene %in% c("Asl", "Apod", "Cyp2d22")) |>
  filter(sample %in% c("GSM2545336", "GSM2545337", "GSM2545338")) |>
  arrange(sample) |>
  filter(!(gene == "Cyp2d22" & sample != "GSM2545338"))
rna_with_missing_values

OUTPUT 

# A tibble: 7 × 3
  gene    sample     expression
  <chr>   <chr>           <dbl>
1 Asl     GSM2545336       1170
2 Apod    GSM2545336      36194
3 Asl     GSM2545337        361
4 Apod    GSM2545337      10347
5 Asl     GSM2545338        400
6 Apod    GSM2545338       9173
7 Cyp2d22 GSM2545338       1603

デフォルトでは、pivot_wider()関数は欠損値がある場合にNA値を追加します。この動作はpivot_wider()関数のvalues_fill引数で変更可能です。

R 

rna_with_missing_values |>
  pivot_wider(names_from = sample,
              values_from = expression)

OUTPUT 

# A tibble: 3 × 4
  gene    GSM2545336 GSM2545337 GSM2545338
  <chr>        <dbl>      <dbl>      <dbl>
1 Asl           1170        361        400
2 Apod         36194      10347       9173
3 Cyp2d22         NA         NA       1603

R 

rna_with_missing_values |>
  pivot_wider(names_from = sample,
              values_from = expression,
              values_fill = 0)

OUTPUT 

# A tibble: 3 × 4
  gene    GSM2545336 GSM2545337 GSM2545338
  <chr>        <dbl>      <dbl>      <dbl>
1 Asl           1170        361        400
2 Apod         36194      10347       9173
3 Cyp2d22          0          0       1603

データを縦長形式に変換する

逆のケースでは、列名を利用してそれらを 2つの新しい変数に変換します。1つ目の変数は列名を値として保持し、 2つ目の変数には従来その列名に関連付けられていた値が格納されます。

pivot_longer() 関数には主に4つの引数があります：

  1. 変換対象のデータ
  2. names_to：作成したい新しい列名で、ここに現在の列名を代入します
  3. values_to：作成したい新しい列名で、ここに現在の値を代入します
  4. names_to と values_to 変数に値を代入する列名（または削除する列名）
図は左側が縦長形式、右側が幅広形式を示しており、矢印は左側の列名が新しい列'sample'として変換され、右側の値が新しい列'expression'として変換される過程を表しています。以下は'pivot_wider()'関数の呼び出し例で、'sample'、'expression'、および'-gene'引数に注釈を付けています
rnaデータの縦長変換例

rna_wideデータからrna_longデータを再現する場合、 sampleというキー変数とexpressionという値変数を作成し、 gene列を除くすべての列をキー変数として使用します。ここではgene列を マイナス記号で削除しています。

新しい変数名を指定する際には引用符で囲む必要がある点に注意してください。

R 

rna_long <- rna_wide |>
    pivot_longer(names_to = "sample",
                 values_to = "expression",
                 -gene)
rna_long

OUTPUT 

# A tibble: 32,428 × 3
   gene  sample     expression
   <chr> <chr>           <dbl>
 1 Asl   GSM2545336       1170
 2 Asl   GSM2545337        361
 3 Asl   GSM2545338        400
 4 Asl   GSM2545339        586
 5 Asl   GSM2545340        626
 6 Asl   GSM2545341        988
 7 Asl   GSM2545342        836
 8 Asl   GSM2545343        535
 9 Asl   GSM2545344        586
10 Asl   GSM2545345        597
# ℹ 32,418 more rows

特定の列を指定する方法も使用できます。識別用の列が多数ある場合、 保持する列を指定する方が、除外する列を指定するよりも直感的です。 ここではstarts_with()関数を使用することで、サンプル名をすべて列挙せずに取得できます！ 別の方法として、:演算子を使用することもできます！

R 

rna_wide |>
    pivot_longer(names_to = "sample",
                 values_to = "expression",
                 cols = starts_with("GSM"))

OUTPUT 

# A tibble: 32,428 × 3
   gene  sample     expression
   <chr> <chr>           <dbl>
 1 Asl   GSM2545336       1170
 2 Asl   GSM2545337        361
 3 Asl   GSM2545338        400
 4 Asl   GSM2545339        586
 5 Asl   GSM2545340        626
 6 Asl   GSM2545341        988
 7 Asl   GSM2545342        836
 8 Asl   GSM2545343        535
 9 Asl   GSM2545344        586
10 Asl   GSM2545345        597
# ℹ 32,418 more rows

R 

rna_wide |>
    pivot_longer(names_to = "sample",
                 values_to = "expression",
                 GSM2545336:GSM2545380)

OUTPUT 

# A tibble: 32,428 × 3
   gene  sample     expression
   <chr> <chr>           <dbl>
 1 Asl   GSM2545336       1170
 2 Asl   GSM2545337        361
 3 Asl   GSM2545338        400
 4 Asl   GSM2545339        586
 5 Asl   GSM2545340        626
 6 Asl   GSM2545341        988
 7 Asl   GSM2545342        836
 8 Asl   GSM2545343        535
 9 Asl   GSM2545344        586
10 Asl   GSM2545345        597
# ℹ 32,418 more rows

幅広形式のデータに欠損値が含まれている場合、NA値は縦長形式に変換されたデータにも引き継がれることに注意してください。

以前作成した欠損値を含む仮想的なtibbleを思い出してください：

R 

rna_with_missing_values

OUTPUT 

# A tibble: 7 × 3
  gene    sample     expression
  <chr>   <chr>           <dbl>
1 Asl     GSM2545336       1170
2 Apod    GSM2545336      36194
3 Asl     GSM2545337        361
4 Apod    GSM2545337      10347
5 Asl     GSM2545338        400
6 Apod    GSM2545338       9173
7 Cyp2d22 GSM2545338       1603

R 

wide_with_NA <- rna_with_missing_values |>
  pivot_wider(names_from = sample,
              values_from = expression)
wide_with_NA

OUTPUT 

# A tibble: 3 × 4
  gene    GSM2545336 GSM2545337 GSM2545338
  <chr>        <dbl>      <dbl>      <dbl>
1 Asl           1170        361        400
2 Apod         36194      10347       9173
3 Cyp2d22         NA         NA       1603

R 

wide_with_NA |>
    pivot_longer(names_to = "sample",
                 values_to = "expression",
                 -gene)

OUTPUT 

# A tibble: 9 × 3
  gene    sample     expression
  <chr>   <chr>           <dbl>
1 Asl     GSM2545336       1170
2 Asl     GSM2545337        361
3 Asl     GSM2545338        400
4 Apod    GSM2545336      36194
5 Apod    GSM2545337      10347
6 Apod    GSM2545338       9173
7 Cyp2d22 GSM2545336         NA
8 Cyp2d22 GSM2545337         NA
9 Cyp2d22 GSM2545338       1603

データを幅広形式と縦長形式に変換することは、すべての複製サンプルが同じ構成になるようにデータセットを調整する有用な方法です。

Challenge

質問

マウス遺伝子の中にはヒトにホモログがないものもある。 これらは、 filter() と、 何かが NA かどうかを判定する is.na() 関数を使って取得することができる。 rnaテーブルから始めて、pivot_wider()関数を使用して、 、各マウスの遺伝子発現レベルを示すワイドフォーマットのテーブルを作成する。 そして、pivot_longer()関数を使って、ロングフォーマットの表を復元する。

R 

rna1 <- rna |>
select(gene, mouse, expression) |>
pivot_wider(names_from = mouse, values_from = expression)
rna1

OUTPUT 

# A tibble: 1,474 × 23
   gene     `14`    `9`  `10`  `15`  `18`   `6`   `5`  `11`  `22`  `13`  `23`
   <chr>   <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1 Asl      1170    361   400   586   626   988   836   535   586   597   938
 2 Apod    36194  10347  9173 10620 13021 29594 24959 13668 13230 15868 27769
 3 Cyp2d22  4060   1616  1603  1901  2171  3349  3122  2008  2254  2277  2985
 4 Klk6      287    629   641   578   448   195   186  1101   537   567   327
 5 Fcrls      85    233   244   237   180    38    68   375   199   177    89
 6 Slc2a4    782    231   248   265   313   786   528   249   266   357   654
 7 Exd2     1619   2288  2235  2513  2366  1359  1474  3126  2379  2173  1531
 8 Gjc2      288    595   568   551   310   146   186   791   454   370   240
 9 Plp1    43217 101241 96534 58354 53126 27173 28728 98658 61356 61647 38019
10 Gnb4     1071   1791  1867  1430  1355   798   806  2437  1394  1554   960
# ℹ 1,464 more rows
# ℹ 11 more variables: `24` <dbl>, `8` <dbl>, `7` <dbl>, `1` <dbl>, `16` <dbl>,
#   `21` <dbl>, `4` <dbl>, `2` <dbl>, `20` <dbl>, `12` <dbl>, `19` <dbl>

R 

rna1 |>
pivot_longer(names_to = "mouse_id", values_to = "counts", -gene)

OUTPUT 

# A tibble: 32,428 × 3
   gene  mouse_id counts
   <chr> <chr>     <dbl>
 1 Asl   14         1170
 2 Asl   9           361
 3 Asl   10          400
 4 Asl   15          586
 5 Asl   18          626
 6 Asl   6           988
 7 Asl   5           836
 8 Asl   11          535
 9 Asl   22          586
10 Asl   13          597
# ℹ 32,418 more rows
Challenge

問題

rna データフレームから、X染色体とY染色体上に位置する遺伝子サブセットを抽出し、 sex を列、chromosome_name を行、各染色体上の遺伝子の平均発現量を値とした データフレームを再構成してください。結果は以下の tibble 形式で表示します：

X染色体とY染色体を行名、FemaleとMaleを列名とした2×2の表。各X/YおよびFemale/Maleの組み合わせごとの合計カウント数を示しています。Y/Femaleの組み合わせは3カウントで、その他の組み合わせはすべて2000カウントを超えています

再構成作業の前には必ず要約統計量の計算を行ってください！

まず、男性および女性サンプルからX染色体およびY染色体上の遺伝子の平均発現量を計算します…

R 

 rna |>
  filter(chromosome_name == "Y" | chromosome_name == "X") |>
  group_by(sex, chromosome_name) |>
  summarise(mean = mean(expression))

OUTPUT 

`summarise()` has grouped output by 'sex'. You can override using the `.groups`
argument.

OUTPUT 

# A tibble: 4 × 3
# Groups:   sex [2]
  sex    chromosome_name  mean
  <chr>  <chr>           <dbl>
1 Female X               3504.
2 Female Y                  3
3 Male   X               2497.
4 Male   Y               2117.

次に、このデータをワイド形式に変換します

R 

rna_1 <- rna |>
  filter(chromosome_name == "Y" | chromosome_name == "X") |>
  group_by(sex, chromosome_name) |>
  summarise(mean = mean(expression)) |>
  pivot_wider(names_from = sex,
              values_from = mean)

OUTPUT 

`summarise()` has grouped output by 'sex'. You can override using the `.groups`
argument.

R 

rna_1

OUTPUT 

# A tibble: 2 × 3
  chromosome_name Female  Male
  <chr>            <dbl> <dbl>
1 X                3504. 2497.
2 Y                   3  2117.

このデータフレームをpivot_longer()関数で変換し、各行が性別と染色体名のユニークな組み合わせに対応するようにします。

R 

rna_1 |>
  pivot_longer(names_to = "gender",
               values_to = "mean",
               -chromosome_name)

OUTPUT 

# A tibble: 4 × 3
  chromosome_name gender  mean
  <chr>           <chr>  <dbl>
1 X               Female 3504.
2 X               Male   2497.
3 Y               Female    3
4 Y               Male   2117.
Challenge

問題

rna データセットを使用して、各行が遺伝子の平均発現量を、各列が異なる時間ポイントを表す発現量行列を作成してください。

まず、遺伝子ごとおよび時間ポイントごとに平均発現量を計算しましょう

R 

rna |>
  group_by(gene, time) |>
  summarise(mean_exp = mean(expression))

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 4,422 × 3
# Groups:   gene [1,474]
   gene      time mean_exp
   <chr>    <dbl>    <dbl>
 1 AI504432     0    1034.
 2 AI504432     4    1104.
 3 AI504432     8    1014
 4 AW046200     0     155.
 5 AW046200     4     152.
 6 AW046200     8      81
 7 AW551984     0     238
 8 AW551984     4     302.
 9 AW551984     8     342.
10 Aamp         0    4603.
# ℹ 4,412 more rows

次に、pivot_wider() 関数を適用します

R 

rna_time <- rna |>
  group_by(gene, time) |>
  summarise(mean_exp = mean(expression)) |>
  pivot_wider(names_from = time,
              values_from = mean_exp)

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

R 

rna_time

OUTPUT 

# A tibble: 1,474 × 4
# Groups:   gene [1,474]
   gene         `0`     `4`     `8`
   <chr>      <dbl>   <dbl>   <dbl>
 1 AI504432 1034.   1104.   1014
 2 AW046200  155.    152.     81
 3 AW551984  238     302.    342.
 4 Aamp     4603.   4870    4763.
 5 Abca12      5.29    4.25    4.14
 6 Abcc8    2576.   2609.   2292.
 7 Abhd14a   591.    547.    432.
 8 Abi2     4881.   4903.   4945.
 9 Abi3bp   1175.   1061.    762.
10 Abl2     2170.   2078.   2131.
# ℹ 1,464 more rows

この操作を行うと、一部の列名が数字で始まるtibbleが生成されます。 時間ポイントに対応する列を選択したい場合、列名を直接指定することはできません… 列4を選択しようとするとどうなるでしょうか？

R 

rna |>
  group_by(gene, time) |>
  summarise(mean_exp = mean(expression)) |>
  pivot_wider(names_from = time,
              values_from = mean_exp) |>
  select(gene, 4)

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 1,474 × 2
# Groups:   gene [1,474]
   gene         `8`
   <chr>      <dbl>
 1 AI504432 1014
 2 AW046200   81
 3 AW551984  342.
 4 Aamp     4763.
 5 Abca12      4.14
 6 Abcc8    2292.
 7 Abhd14a   432.
 8 Abi2     4945.
 9 Abi3bp    762.
10 Abl2     2131.
# ℹ 1,464 more rows

時間ポイント4を選択するには、列名をバッククォート “`” で囲んで引用符で指定する必要があります

R 

rna |>
  group_by(gene, time) |>
  summarise(mean_exp = mean(expression)) |>
  pivot_wider(names_from = time,
              values_from = mean_exp) |>
  select(gene, `4`)

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 1,474 × 2
# Groups:   gene [1,474]
   gene         `4`
   <chr>      <dbl>
 1 AI504432 1104.
 2 AW046200  152.
 3 AW551984  302.
 4 Aamp     4870
 5 Abca12      4.25
 6 Abcc8    2609.
 7 Abhd14a   547.
 8 Abi2     4903.
 9 Abi3bp   1061.
10 Abl2     2078.
# ℹ 1,464 more rows

別の方法として、列名を変更し、数字で始まらない名前を選択することも可能です：

R 

rna |>
  group_by(gene, time) |>
  summarise(mean_exp = mean(expression)) |>
  pivot_wider(names_from = time,
              values_from = mean_exp) |>
  rename("time0" = `0`, "time4" = `4`, "time8" = `8`) |>
  select(gene, time4)

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

OUTPUT 

# A tibble: 1,474 × 2
# Groups:   gene [1,474]
   gene       time4
   <chr>      <dbl>
 1 AI504432 1104.
 2 AW046200  152.
 3 AW551984  302.
 4 Aamp     4870
 5 Abca12      4.25
 6 Abcc8    2609.
 7 Abhd14a   547.
 8 Abi2     4903.
 9 Abi3bp   1061.
10 Abl2     2078.
# ℹ 1,464 more rows
Challenge

質問

タイムポイントごとの平均発現レベルを含む前のデータフレームを使用し、 、タイムポイント8とタイムポイント0の間のfold-changes、およびタイムポイント8とタイムポイント4の間のfold-changes を含む新しい列を作成する。 この表を、計算されたフォールド・チェンジを集めたロングフォーマットの表に変換する。 この表を、計算されたフォールド・チェンジを集めたロングフォーマットの表に変換する。

rna_time tibbleから開始する：

R 

rna_time

OUTPUT 

# A tibble: 1,474 × 4
# Groups:   gene [1,474]
   gene         `0`     `4`     `8`
   <chr>      <dbl>   <dbl>   <dbl>
 1 AI504432 1034.   1104.   1014
 2 AW046200  155.    152.     81
 3 AW551984  238     302.    342.
 4 Aamp     4603.   4870    4763.
 5 Abca12      5.29    4.25    4.14
 6 Abcc8    2576.   2609.   2292.
 7 Abhd14a   591.    547.    432.
 8 Abi2     4881.   4903.   4945.
 9 Abi3bp   1175.   1061.    762.
10 Abl2     2170.   2078.   2131.
# ℹ 1,464 more rows

フォールドチェンジを計算する：

R 

rna_time |>
  mutate(time_8_vs_0 = `8` / `0`, time_8_vs_4 = `8` / `4`)

OUTPUT 

# A tibble: 1,474 × 6
# Groups:   gene [1,474]
   gene         `0`     `4`     `8` time_8_vs_0 time_8_vs_4
   <chr>      <dbl>   <dbl>   <dbl>       <dbl>       <dbl>
 1 AI504432 1034.   1104.   1014          0.981       0.918
 2 AW046200  155.    152.     81          0.522       0.532
 3 AW551984  238     302.    342.         1.44        1.13
 4 Aamp     4603.   4870    4763.         1.03        0.978
 5 Abca12      5.29    4.25    4.14       0.784       0.975
 6 Abcc8    2576.   2609.   2292.         0.889       0.878
 7 Abhd14a   591.    547.    432.         0.731       0.791
 8 Abi2     4881.   4903.   4945.         1.01        1.01
 9 Abi3bp   1175.   1061.    762.         0.649       0.719
10 Abl2     2170.   2078.   2131.         0.982       1.03
# ℹ 1,464 more rows

そして、pivot_longer()関数を使用する：

R 

rna_time |>
  mutate(time_8_vs_0 = `8` / `0`, time_8_vs_4 = `8` / `4`) |>
  pivot_longer(names_to = "comparisons",
               values_to = "Fold_changes",
               time_8_vs_0:time_8_vs_4)

OUTPUT 

# A tibble: 2,948 × 6
# Groups:   gene [1,474]
   gene         `0`     `4`     `8` comparisons Fold_changes
   <chr>      <dbl>   <dbl>   <dbl> <chr>              <dbl>
 1 AI504432 1034.   1104.   1014    time_8_vs_0        0.981
 2 AI504432 1034.   1104.   1014    time_8_vs_4        0.918
 3 AW046200  155.    152.     81    time_8_vs_0        0.522
 4 AW046200  155.    152.     81    time_8_vs_4        0.532
 5 AW551984  238     302.    342.   time_8_vs_0        1.44
 6 AW551984  238     302.    342.   time_8_vs_4        1.13
 7 Aamp     4603.   4870    4763.   time_8_vs_0        1.03
 8 Aamp     4603.   4870    4763.   time_8_vs_4        0.978
 9 Abca12      5.29    4.25    4.14 time_8_vs_0        0.784
10 Abca12      5.29    4.25    4.14 time_8_vs_4        0.975
# ℹ 2,938 more rows

テーブルの結合

実生活の多くの場面で、データは複数のテーブルにまたがっている。 通常このようなことが起こるのは、異なる情報源から異なるタイプの情報が 収集されるからである。 通常このようなことが起こるのは、異なる情報源から異なるタイプの情報が 収集されるからである。

分析によっては、2つ以上のテーブル（ ）のデータを、すべてのテーブルに共通するカラム（ ）に基づいて1つのデータフレームにまとめることが望ましい場合がある。

dplyr\` パッケージは、指定されたカラム内のマッチに基づいて、2つの データフレームを結合するための結合関数のセットを提供する。 ここでは、 、結合について簡単に紹介する。 詳しくは、 テーブル ジョインの章を参照されたい。 データ変換チート シート 、テーブル結合に関する簡単な概要も提供している。 ここでは、 、結合について簡単に紹介する。 詳しくは、 テーブル ジョインの章を参照されたい。 データ変換チート シート 、テーブル結合に関する簡単な概要も提供している。

、元のrnaテーブルをサブセットして作成し、 、3つのカラムと10行だけを残す。

R 

rna_mini <- rna |>
   select(gene, sample, expression) |>
   head(10)
rna_mini

OUTPUT 

# A tibble: 10 × 3
   gene    sample     expression
   <chr>   <chr>           <dbl>
 1 Asl     GSM2545336       1170
 2 Apod    GSM2545336      36194
 3 Cyp2d22 GSM2545336       4060
 4 Klk6    GSM2545336        287
 5 Fcrls   GSM2545336         85
 6 Slc2a4  GSM2545336        782
 7 Exd2    GSM2545336       1619
 8 Gjc2    GSM2545336        288
 9 Plp1    GSM2545336      43217
10 Gnb4    GSM2545336       1071

2番目のテーブルannot1には、遺伝子と gene_descriptionの2つのカラムがある。 2番目のテーブルannot1には、遺伝子と gene_descriptionの2つのカラムがある。 download annot1.csv リンクをクリックしてdata/フォルダに移動するか、 以下のRコードを使って直接フォルダにダウンロードすることができる。

R 

download.file(url = "https://carpentries-incubator.github.io/bioc-intro/data/annot1.csv",
              destfile = "data/annot1.csv")
annot1 <- read_csv(file = "data/annot1.csv")
annot1

OUTPUT 

# A tibble: 10 × 2
   gene    gene_description
   <chr>   <chr>
 1 Cyp2d22 cytochrome P450, family 2, subfamily d, polypeptide 22 [Source:MGI S…
 2 Klk6    kallikrein related-peptidase 6 [Source:MGI Symbol;Acc:MGI:1343166]
 3 Fcrls   Fc receptor-like S, scavenger receptor [Source:MGI Symbol;Acc:MGI:19…
 4 Plp1    proteolipid protein (myelin) 1 [Source:MGI Symbol;Acc:MGI:97623]
 5 Exd2    exonuclease 3'-5' domain containing 2 [Source:MGI Symbol;Acc:MGI:192…
 6 Apod    apolipoprotein D [Source:MGI Symbol;Acc:MGI:88056]
 7 Gnb4    guanine nucleotide binding protein (G protein), beta 4 [Source:MGI S…
 8 Slc2a4  solute carrier family 2 (facilitated glucose transporter), member 4 …
 9 Asl     argininosuccinate lyase [Source:MGI Symbol;Acc:MGI:88084]
10 Gjc2    gap junction protein, gamma 2 [Source:MGI Symbol;Acc:MGI:2153060]

ここで、dplyr パッケージの full_join() 関数を使用して、これら2つのテーブルを、すべての 変数を含む1つのテーブルに結合したいと思います。 関数は、最初のテーブルと2番目のテーブルの列 に一致する共通変数を自動的に見つける。 この場合、geneは共通の 。 このような変数をキーと呼ぶ。 キーは、 オブザベーションを異なるテーブル間でマッチさせるために使用される。 関数は、最初のテーブルと2番目のテーブルの列 に一致する共通変数を自動的に見つける。 この場合、geneは共通の 。 このような変数をキーと呼ぶ。 キーは、 オブザベーションを異なるテーブル間でマッチさせるために使用される。

R 

full_join(rna_mini, annot1)

OUTPUT 

Joining with `by = join_by(gene)`

OUTPUT 

# A tibble: 10 × 4
   gene    sample     expression gene_description
   <chr>   <chr>           <dbl> <chr>
 1 Asl     GSM2545336       1170 argininosuccinate lyase [Source:MGI Symbol;Acc…
 2 Apod    GSM2545336      36194 apolipoprotein D [Source:MGI Symbol;Acc:MGI:88…
 3 Cyp2d22 GSM2545336       4060 cytochrome P450, family 2, subfamily d, polype…
 4 Klk6    GSM2545336        287 kallikrein related-peptidase 6 [Source:MGI Sym…
 5 Fcrls   GSM2545336         85 Fc receptor-like S, scavenger receptor [Source…
 6 Slc2a4  GSM2545336        782 solute carrier family 2 (facilitated glucose t…
 7 Exd2    GSM2545336       1619 exonuclease 3'-5' domain containing 2 [Source:…
 8 Gjc2    GSM2545336        288 gap junction protein, gamma 2 [Source:MGI Symb…
 9 Plp1    GSM2545336      43217 proteolipid protein (myelin) 1 [Source:MGI Sym…
10 Gnb4    GSM2545336       1071 guanine nucleotide binding protein (G protein)…

実生活では、遺伝子アノテーションのラベルが異なることがある。

annot2テーブルは、遺伝子名を含む 変数のラベルが異なる以外は、annot1と全く同じである。 この場合も、 [download annot2.csv](https://carpentries-incubator.github.io/bioc-intro/data/annot2.csv) 、自分でdata/`に移動するか、以下のRコードを使う。 この場合も、 download annot2.csv 、自分でdata/\に移動するか、以下のRコードを使う。

R 

download.file(url = "https://carpentries-incubator.github.io/bioc-intro/data/annot2.csv",
              destfile = "data/annot2.csv")
annot2 <- read_csv(file = "data/annot2.csv")
annot2

OUTPUT 

# A tibble: 10 × 2
   external_gene_name description
   <chr>              <chr>
 1 Cyp2d22            cytochrome P450, family 2, subfamily d, polypeptide 22 [S…
 2 Klk6               kallikrein related-peptidase 6 [Source:MGI Symbol;Acc:MGI…
 3 Fcrls              Fc receptor-like S, scavenger receptor [Source:MGI Symbol…
 4 Plp1               proteolipid protein (myelin) 1 [Source:MGI Symbol;Acc:MGI…
 5 Exd2               exonuclease 3'-5' domain containing 2 [Source:MGI Symbol;…
 6 Apod               apolipoprotein D [Source:MGI Symbol;Acc:MGI:88056]
 7 Gnb4               guanine nucleotide binding protein (G protein), beta 4 [S…
 8 Slc2a4             solute carrier family 2 (facilitated glucose transporter)…
 9 Asl                argininosuccinate lyase [Source:MGI Symbol;Acc:MGI:88084]
10 Gjc2               gap junction protein, gamma 2 [Source:MGI Symbol;Acc:MGI:…

どの変数名も一致しない場合、マッチングに使用する 変数を手動で設定することができる。 どの変数名も一致しない場合、マッチングに使用する 変数を手動で設定することができる。 これらの変数は、rna_mini と annot2 テーブルを使用して以下に示すように、 by 引数を使用して設定することができる。

R 

full_join(rna_mini, annot2, by = c("gene" = "external_gene_name"))

OUTPUT 

# A tibble: 10 × 4
   gene    sample     expression description
   <chr>   <chr>           <dbl> <chr>
 1 Asl     GSM2545336       1170 argininosuccinate lyase [Source:MGI Symbol;Acc…
 2 Apod    GSM2545336      36194 apolipoprotein D [Source:MGI Symbol;Acc:MGI:88…
 3 Cyp2d22 GSM2545336       4060 cytochrome P450, family 2, subfamily d, polype…
 4 Klk6    GSM2545336        287 kallikrein related-peptidase 6 [Source:MGI Sym…
 5 Fcrls   GSM2545336         85 Fc receptor-like S, scavenger receptor [Source…
 6 Slc2a4  GSM2545336        782 solute carrier family 2 (facilitated glucose t…
 7 Exd2    GSM2545336       1619 exonuclease 3'-5' domain containing 2 [Source:…
 8 Gjc2    GSM2545336        288 gap junction protein, gamma 2 [Source:MGI Symb…
 9 Plp1    GSM2545336      43217 proteolipid protein (myelin) 1 [Source:MGI Sym…
10 Gnb4    GSM2545336       1071 guanine nucleotide binding protein (G protein)…

上で見たように、最初のテーブルの変数名は、結合されたテーブルでも 。

Challenge

チャレンジだ：

こちら をクリックして annot3 テーブルをダウンロードし、そのテーブルをあなたの data/ リポジトリに置いてください。 full_join()関数を使用して、テーブルrna_miniとannot3` を結合する。 、遺伝子_Klk6_、mt-Tf、mt-Rnr1、mt-Tv、mt-Rnr2、mt-Tl1_はどうなったのか？ full_join()関数を使用して、テーブルrna_miniとannot3` を結合する。 、遺伝子_Klk6、mt-Tf、mt-Rnr1、mt-Tv、mt-Rnr2、_mt-Tl1_はどうなったのか？

R 

annot3 <- read_csv("data/annot3.csv")
full_join(rna_mini, annot3)

OUTPUT 

# A tibble: 15 × 4
   gene    sample     expression gene_description
   <chr>   <chr>           <dbl> <chr>
 1 Asl     GSM2545336       1170 argininosuccinate lyase [Source:MGI Symbol;Acc…
 2 Apod    GSM2545336      36194 apolipoprotein D [Source:MGI Symbol;Acc:MGI:88…
 3 Cyp2d22 GSM2545336       4060 cytochrome P450, family 2, subfamily d, polype…
 4 Klk6    GSM2545336        287 <NA>
 5 Fcrls   GSM2545336         85 Fc receptor-like S, scavenger receptor [Source…
 6 Slc2a4  GSM2545336        782 solute carrier family 2 (facilitated glucose t…
 7 Exd2    GSM2545336       1619 exonuclease 3'-5' domain containing 2 [Source:…
 8 Gjc2    GSM2545336        288 gap junction protein, gamma 2 [Source:MGI Symb…
 9 Plp1    GSM2545336      43217 proteolipid protein (myelin) 1 [Source:MGI Sym…
10 Gnb4    GSM2545336       1071 guanine nucleotide binding protein (G protein)…
11 mt-Tf   <NA>               NA mitochondrially encoded tRNA phenylalanine [So…
12 mt-Rnr1 <NA>               NA mitochondrially encoded 12S rRNA [Source:MGI S…
13 mt-Tv   <NA>               NA mitochondrially encoded tRNA valine [Source:MG…
14 mt-Rnr2 <NA>               NA mitochondrially encoded 16S rRNA [Source:MGI S…
15 mt-Tl1  <NA>               NA mitochondrially encoded tRNA leucine 1 [Source…

遺伝子_Klk6_はrna_miniにのみ存在し、遺伝子_mt-Tf_、mt-Rnr1、mt-Tv、 mt-Rnr2、_mt-Tl1_はannot3テーブルにのみ存在する。 表の 変数のそれぞれの値は、欠損として符号化されている。 表の 変数のそれぞれの値は、欠損として符号化されている。

データのエクスポート

dplyr\`を使って、 から情報を抽出したり、生データを要約したりする方法を学んだので、これらの新しいデータセットをエクスポートして、 を共同研究者と共有したり、アーカイブしたりしたいと思うかもしれない。

RにCSVファイルを読み込むために使用される read_csv() 関数と同様に、 、データフレームからCSVファイルを生成する write_csv() 関数があります。

write_csv()を使う前に、生成されたデータセットを格納する新しいフォルダdata_outputを作業ディレクトリに作成する。 、生成されたデータセットを生データと同じディレクトリに書き込みたくない。 別々にするのは良い習慣だ。 dataフォルダーには、 、変更されていない生のデータだけを入れておく。 、削除したり変更したりしないように、そのままにしておく。 対照的に、このスクリプトはdata_output ディレクトリの内容を生成するので、そこに含まれるファイルが削除されても、 再生成することができる。 、生成されたデータセットを生データと同じディレクトリに書き込みたくない。 別々にするのは良い習慣だ。 dataフォルダーには、 、変更されていない生のデータだけを入れておく。 、削除したり変更したりしないように、そのままにしておく。 対照的に、このスクリプトはdata_output` ディレクトリの内容を生成するので、そこに含まれるファイルが削除されても、 再生成することができる。

write_csv()\`を使用して、以前に作成したrna_wideテーブルを保存しよう。

R 

write_csv(rna_wide, file = "data_output/rna_wide.csv")
Key Points
  • tidyverseメタパッケージを使用したRでの表形式データ

Content from データの可視化

Last updated on 2025-08-05 | Edit this page

Overview

Questions

  • Rによる可視化

Objectives

  • ggplotを使用して散布図、箱ひげ図、折れ線グラフなどを作成できる
  • プロットの共通設定を統一的に設定できる
  • ファセット処理の概念を理解し、ggplotで適切に適用できる
  • 既存のggplotプロットの外観要素（軸ラベルや色設定など）を変更可能である
  • データフレーム内のデータから、複雑でカスタマイズ性の高いプロットを構築できる

このエピソードは、Data Carpentriesの_Data Analysis and Visualisation in R for Ecologists_レッスンに基づいています。

データの可視化

まず必要なパッケージを読み込みます。ggplot2はtidyverseパッケージに含まれています。

R 

library("tidyverse")

まだワークスペースに読み込まれていない場合は、前回のレッスンで保存したデータを読み込みます。

R 

rna <- read.csv("data/rnaseq.csv")

データ可視化チートシートでは、ggplot2の基本機能から高度な使い方までを網羅しており、参考資料としてだけでなく、パッケージで利用可能な多様なデータ表現方法を把握するのにも役立ちます。Thomas Lin Pedersen氏による以下の動画チュートリアル（パート1およびパート2）も非常に参考になります。

ggplot2を使ったプロット作成

ggplot2はデータフレーム内のデータから複雑なプロットを簡単に作成できる描画パッケージです。変数の指定方法、表示方法、一般的な視覚的特性など、よりプログラム的なインターフェースを提供します。ggplot2を支える理論的基盤はグラフィックスの文法（@Wilkinson:2005）です。このアプローチを採用すれば、基礎データが変更されたり、棒グラフから散布図に変更したりする場合でも、最小限の修正で済みます。これにより、調整や微調整を最小限に抑えつつ、出版物に使用できる品質のプロットを作成できます。

ggplot2に関する書籍（@ggplot2book）も出版されていますが、内容は古めです。現在第3版が準備中で、無料でオンライン公開される予定です。ggplot2の公式ウェブサイト（https://ggplot2.tidyverse.org）には充実したドキュメントが用意されています。

ggplot2の関数は、データが「長形式」（各次元ごとに1列、各観測値ごとに1行）になっている場合に最適に動作します。適切に構造化されたデータを用意しておけば、ggplot2で図を作成する際に大幅な時間節約になります。

ggplotのグラフィックスは、新しい要素を段階的に追加することで構築されます。このようにレイヤーを追加していく方法により、プロットの表現に非常に柔軟性とカスタマイズ性が生まれます。

グラフィックスの文法の背後にある考え方は、あらゆるグラフを以下の3つの基本要素から構築できるということです：(1) データセット、(2) 座標系、(3) ジオメトリ（データポイントを表現する視覚的マーク）1

ggplotを構築するには、以下の基本的なテンプレートを使用します。これはさまざまな種類のプロットに適用できる汎用的な形式です：

ggplot(data = <DATA>, mapping = aes(<MAPPINGS>)) +  <GEOM_FUNCTION>()
  • ggplot()関数を使用し、data引数で特定のデータフレームにプロットを結合します

R 

ggplot(data = rna)
  • マッピングを定義します（aes関数を使用して、プロットする変数を選択し、グラフ内での表示方法を指定します。例えばx/y座標、サイズ、形状、色などの特性として表示します）

R 

ggplot(data = rna, mapping = aes(x = expression))

  • ’ジオメトリ’を追加します - プロット内のデータの幾何学的表現（点、線、棒など）。ggplot2には多くの異なるジオメトリが用意されており、今日は特に一般的な以下のものを使用します：

    * `geom_point()` 散布図、ドットプロットなどに使用
* `geom_histogram()` ヒストグラム作成に使用
* `geom_boxplot()` ボックスプロット作成に使用
* `geom_line()` トレンドライン、時系列データなどに使用

プロットにジオメトリを追加するには+演算子を使用します。まずはgeom_histogram()を使ってみましょう：

R 

ggplot(data = rna, mapping = aes(x = expression)) +
  geom_histogram()

OUTPUT 

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
ggplot()とgeom_histogram()で生成したexpressionデータのデフォルトヒストグラム

ggplot2パッケージの+演算子は特に便利で、既存のggplotオブジェクトを変更できます。つまり、プロットテンプレートを簡単に設定し、さまざまな種類のプロットを便利に探索できるため、上記のプロットは以下のようなコードでも生成可能です：

R 

# プロットを変数に割り当てる
rna_plot <- ggplot(data = rna,
                   mapping = aes(x = expression))

# プロットを描画する
rna_plot + geom_histogram()
Challenge

課題

ヒストグラムを描画する際に表示される自動メッセージにお気づきでしょうか？

OUTPUT 

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

geom_histogram() の bins または binwidth 引数を変更することで、ビンの数や幅を調整できます。

R 

# ビン幅の変更
ggplot(rna, aes(x = expression)) +
    geom_histogram(bins = 15)
ビン幅15の場合（上）とビン幅2000の場合（下）におけるggplot()とgeom_histogram()で生成された発現データのヒストグラム

R 

# ビン幅の変更
ggplot(rna, aes(x = expression)) +
    geom_histogram(binwidth = 2000)
ビン幅15の場合（上）とビン幅2000の場合（下）におけるggplot()とgeom_histogram()で生成された発現データのヒストグラム

ここでデータが右に歪んでいることが確認できます。より対称的な分布を得るために、 対数変換（log2変換）を適用することができます。なお、式値が0の場合に-Inf値が 返されるのを防ぐため、ここでは小さな定数値（+1）を追加しています。

R 

rna <- rna |>
  mutate(expression_log = log2(expression + 1))

次に、対数変換した発現量のヒストグラムを作成すると、確かに正規分布に近い分布が得られます。

R 

ggplot(rna, aes(x = expression_log)) + geom_histogram()

OUTPUT 

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
事前に計算した発現量の対数値に基づくヒストグラム（ggplot()とgeom_histogram()で生成）

これ以降の分析では、対数変換した発現量の値を用いて作業を進めていきます。

Challenge

課題

この変換を視覚的に理解する別の方法として、観測値のスケールを考慮する方法があります。例えば、軸のスケールを調整することで、プロット空間内での観測値の分布をより適切に調整できる場合があります。軸のスケール変更は、他のコンポーネントを追加・修正する場合と同様の手順で行います（つまり、段階的にコマンドを追加していく方法です）。以下の変更を試してみてください：

  • 変換前の式を対数スケール（log10）で表示します。scale_x_log10() 関数を参照してください。以前のグラフと比較してください。なぜ今回は警告メッセージが表示されるのでしょうか？

R 

ggplot(data = rna, mapping = aes(x = expression))+
  geom_histogram() +
  scale_x_log10()

WARNING 

Warning in scale_x_log10(): log-10 transformation introduced infinite values.

OUTPUT 

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

WARNING 

Warning: Removed 507 rows containing non-finite outside the scale range
(`stat_bin()`).
発現量の対数に対する ggplot()、geom_histogram()、および scale_x_log10() で生成されたヒストグラム

注意事項

  • ggplot()関数内で指定した設定は、後から追加するすべてのジオメトリレイヤーから参照されます（つまり、これらはグローバルなプロット設定となります）。これにはaes()で設定したx軸・y軸のマッピングも含まれます。
  • 特定のジオメトリレイヤーに対しては、ggplot()関数で定義したグローバル設定とは独立してマッピングを指定することも可能です。
  • 新しいレイヤーを追加する際に使用する+記号は、必ず直前のレイヤーを含む行の末尾に配置する必要があります。もし新しいレイヤーを含む行の先頭に+記号を置いた場合、ggplot2は新しいレイヤーを追加せず、エラーメッセージを返します。

R 

# これはレイヤーを追加する正しい構文です
rna_plot +
  geom_histogram()

# これは新しいレイヤーを追加せず、エラーメッセージを返します
rna_plot
  + geom_histogram()

プロットを段階的に構築する方法

ここでは、2つの連続変数を用いて散布図を作成し、geom_point()関数で表現します。このグラフは、時間8時点と時間0時点、および時間4時点と時間0時点における発現量の対数2倍変化を表します。まず、遺伝子ごと・時間ごとに対数変換した発現量の平均値を計算し、次に時間8時点と時間0時点、時間4時点と時間0時点の平均値の対数差を計算して対数2倍変化を求めます。なお、後で遺伝子を分類するために使用する遺伝子のバイオタイプ情報もここで含めます。これらの変化量は新しいデータフレームrna_fcに保存します。

R 

rna_fc <- rna |> select(gene, time,
                         gene_biotype, expression_log) |>
  group_by(gene, time, gene_biotype) |>
  summarize(mean_exp = mean(expression_log)) |>
  pivot_wider(names_from = time,
              values_from = mean_exp) |>
  mutate(time_8_vs_0 = `8` - `0`, time_4_vs_0 = `4` - `0`)

OUTPUT 

`summarise()` has grouped output by 'gene', 'time'. You can override using the
`.groups` argument.

作成したデータフレームrna_fcを用いてggplotを構築します。ggplot2でプロットを作成する際は通常、反復的なプロセスで行います。まず使用するデータセットを定義し、軸を設定し、使用するジオメトリを選択します：

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0)) +
  geom_point()
上記で計算した対数2倍変化を比較する散布図。すべての点は黒色で表示されます

次に、このプロットをさらに修正してより多くの情報を抽出します。例えば、重なりを避けるための透明度（alpha）を追加できます：

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0)) +
  geom_point(alpha = 0.3)
上記で計算した対数2倍変化を比較する散布図。すべての点は半透明の黒色で表示されます

すべての点に色を付けることも可能です：

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0)) +
  geom_point(alpha = 0.3, color = "blue")
上記で計算した対数2倍変化を比較する散布図。すべての点は半透明の青色で表示されます

あるいは、プロット内の各遺伝子を異なる色で表示したい場合は、color引数にベクトルを指定します。ggplot2はこのベクトルの値に応じて異なる色を自動的に割り当てます。以下はgene_biotypeで色分けする例です：

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0)) +
  geom_point(alpha = 0.3, aes(color = gene_biotype))
上記で計算した対数2倍変化を比較する散布図。点の色は遺伝子のバイオタイプに基づいて色分けされています

ggplot()関数内で直接マッピング時に色を指定することもできます。この設定はすべてのジオメトリレイヤーから参照され、aes()で設定したx軸・y軸のマッピングに基づいて決定されます。

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0,
                                color = gene_biotype)) +
  geom_point(alpha = 0.3)
上記で計算した対数2倍変化を比較する散布図。点の色は遺伝子のバイオタイプに基づいて色分けされています

最後に、geom_abline()関数を使用して対角線を追加することも可能です：

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0,
                                color = gene_biotype)) +
  geom_point(alpha = 0.3) +
  geom_abline(intercept = 0)
上記で計算した対数2倍変化を比較する散布図。点の色は遺伝子のバイオタイプに基づいて色分けされています。原点を通る傾き1の黒色の直線がgeom_abline()によって追加されています

注目すべきは、ジオメトリレイヤーをgeom_pointからgeom_jitterに変更しても、色は依然としてgene_biotypeによって決定される点です。

R 

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0,
                                color = gene_biotype)) +
  geom_jitter(alpha = 0.3) +
  geom_abline(intercept = 0)
Scatter plot produced by ggplot() and geom_point() comparing the log-foldchanges computed above. Dots are colour-coded based on the gene's biotype. A black line of slope 1 crossing the origin was added by geom_abline().
Challenge

課題

散布図は小規模なデータセットの探索的分析において有用なツールです。しかし、rna_fc データセットのように観測値数が多い場合、点の重なり（オーバープロット）が散布図の限界となることがあります。このような状況に対処するための有効な手法の一つが、観測値を六角形グリッドに分割するヘキサビン法です。

  • ggplot2 でヘキサビン法を使用するには、まず CRAN リポジトリから R パッケージ hexbin をインストールし、ロードする必要があります。

  • 次に geom_hex() 関数を使用することで、ヘキサビンプロットを作成できます。

  • ヘキサビンプロットと従来の散布図を比較した場合、それぞれの長所と短所は何でしょうか？上記の散布図と作成したヘキサビンプロットを詳細に比較・検討してください。

R 

install.packages("hexbin")

R 

library("hexbin")

ggplot(data = rna_fc, mapping = aes(x = time_4_vs_0, y = time_8_vs_0)) +
  geom_hex() +
  geom_abline(intercept = 0)
Scatter plot produced by ggplot() and geom_hexbin() comparing the log-foldchanges computed above shows hexagons coloured based on the underlying dot density. A black line of slope 1 crossing the origin was added by geom_abline().
Challenge

課題

これまでに学んだ知識を活用して、rna データセットから sample 列を選択し、expression_log 値を散布図としてプロットしてください。時間軸は異なる色で表示されるように設定します。このデータ表現方法はこの種のデータを示す上で適切な方法でしょうか？

R 

ggplot(data = rna, mapping = aes(y = expression_log, x = sample)) +
    geom_point(aes(color = time))
Figures showing a stretch of overlapping points indicating the log of expression + 1 for each sample. The points are coloured with different shades of blue for samples collected at different time points.

箱ひげ図

箱ひげ図を用いることで、各サンプル内における遺伝子発現量の分布を視覚的に表現することができます：

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_boxplot()
geom_boxplot()によって生成された各サンプルの対数変換発現量+1値の分布を示す箱ひげ図。各箱ひげ図は白色で塗りつぶされています。

箱ひげ図に点プロットを追加することで、測定値の総数とその分布状況をより明確に把握することが可能になります：

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_jitter(alpha = 0.2, color = "tomato") +
  geom_boxplot(alpha = 0)
geom_boxplot()によって生成された各サンプルの対数変換発現量+1値の分布を示す箱ひげ図と点プロット。各箱ひげ図は半透明で、ジッター処理された点プロットは半透過のトマト色で表示され、箱ひげ図の背面に配置されています。
Challenge

課題

箱ひげ図のレイヤーがジッタープロットのレイヤーの前面に表示されていることに注目してください。箱ひげ図を点の下に表示されるようにするには、コードをどのように変更すればよいでしょうか？

これら2つのジオメトリの順序を入れ替える必要があります：

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_boxplot(alpha = 0) +
  geom_jitter(alpha = 0.2, color = "tomato")
Boxplot and dots showing the distribution of log expression + 1 values for each sample, as produced by geom_boxlpot(). Each boxplot is transparent and the jittered dots are semi-transparent tomato-coloured. This time, the boxplots are behind the dots.

x軸上の値がまだ適切に読み取れないことにお気づきかもしれません。ラベルの表示方向を変更し、垂直方向と水平方向に調整して重なりが起こらないようにしましょう。90度の角度を使用するか、斜め向きのラベルに適した角度を見つけるために試行錯誤してみてください：

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_jitter(alpha = 0.2, color = "tomato") +
  geom_boxplot(alpha = 0) +
  theme(axis.text.x = element_text(angle = 90,  hjust = 0.5, vjust = 0.5))
Boxplot and dots showing the distribution of log expression + 1 values for each sample, as produced by geom_boxlpot(). Each boxplot is transparent and the jittered dots are semi-transparent tomato-coloured. The sample labels are displayed vertically and readable.
Challenge

課題

箱ひげ図のデータポイントに、感染期間（time）に応じて色を付けてください。

ヒント: time 変数のクラスを確認してください。ggplot のマッピング処理内で time のクラスを整数型から因子型に直接変更することを検討してください。この変更が R でグラフを作成する方法にどのような影響を与えるのでしょうか？

R 

# time as integer
ggplot(data = rna,
         mapping = aes(y = expression_log,
                       x = sample)) +
  geom_jitter(alpha = 0.2, aes(color = time)) +
  geom_boxplot(alpha = 0) +
  theme(axis.text.x = element_text(angle = 90,  hjust = 0.5, vjust = 0.5))
Boxplot and dots showing the distribution of log expression + 1 values for each sample, as produced by geom_boxlpot(). On the first figure, each boxplot is transparent and the jittered dots are semi-transparent and coloured in different shares of blue. On the second figures, each boxplot is transparent and the jittered dots are semi-transparent and coloured red, green and blue.

R 

# time as factor
ggplot(data = rna,
         mapping = aes(y = expression_log,
                       x = sample)) +
  geom_jitter(alpha = 0.2, aes(color = as.factor(time))) +
  geom_boxplot(alpha = 0) +
  theme(axis.text.x = element_text(angle = 90,  hjust = 0.5, vjust = 0.5))
Boxplot and dots showing the distribution of log expression + 1 values for each sample, as produced by geom_boxlpot(). On the first figure, each boxplot is transparent and the jittered dots are semi-transparent and coloured in different shares of blue. On the second figures, each boxplot is transparent and the jittered dots are semi-transparent and coloured red, green and blue.
Challenge

課題

箱ひげ図は分布の概要を把握するのに有用ですが、分布の「形状」そのものは表示しません。例えば、分布が二峰性の場合、箱ひげ図ではその特徴を捉えることができません。箱ひげ図の代替手段として「バイオリンプロット」があり、これはデータ点の密度分布の形状を視覚的に表現します。

  • 箱ひげ図をバイオリンプロットに置き換えてください。geom_violin()関数を使用します。fill引数を用いて、時間軸に沿ってバイオリンプロットを塗り分けてください。

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_violin(aes(fill = as.factor(time))) +
  theme(axis.text.x = element_text(angle = 90,  hjust = 0.5, vjust = 0.5))
Violin plot showing the distribution of log expression + 1 values for each sample, as produced by geom_violin(). Each boxplot is transparent and the jittered dots are semi-transparent and coloured red, green and blue.
Challenge

課題

  • バイオリンプロットを修正し、性別（sex）ごとにバイオリン部分を塗りつぶすようにしてください。

R 

ggplot(data = rna,
         mapping = aes(y = expression_log, x = sample)) +
  geom_violin(aes(fill = sex)) +
  theme(axis.text.x = element_text(angle = 90,  hjust = 0.5, vjust = 0.5))
Violin plot showing the distribution of log expression + 1 values for each sample, as produced by geom_violon(). Each violin plot is coloured in red or blue depending on the sex variable.

折れ線グラフ

感染期間ごとの平均発現量を、時間8時点と時間0時点を比較した際の対数倍率変化が最大となる10遺伝子について計算します。まず対象となる遺伝子を選択し、rnaデータセットからこれら10遺伝子のみを含むサブセットsub_rnaを作成します。その後、データをグループ化し、各グループ内の遺伝子発現量の平均値を算出します：

R 

rna_fc <- rna_fc |> arrange(desc(time_8_vs_0))

genes_selected <- rna_fc$gene[1:10]

sub_rna <- rna |>
    filter(gene %in% genes_selected)

mean_exp_by_time <- sub_rna |>
  group_by(gene,time) |>
    summarize(mean_exp = mean(expression_log))

OUTPUT 

`summarise()` has grouped output by 'gene'. You can override using the
`.groups` argument.

R 

mean_exp_by_time

OUTPUT 

# A tibble: 30 × 3
# Groups:   gene [10]
   gene   time mean_exp
   <chr> <int>    <dbl>
 1 Acr       0     5.07
 2 Acr       4     5.54
 3 Acr       8     7.31
 4 Aipl1     0     3.70
 5 Aipl1     4     3.89
 6 Aipl1     8     6.56
 7 Bst1      0     3.20
 8 Bst1      4     3.77
 9 Bst1      8     5.22
10 Chil3     0     4.00
# ℹ 20 more rows

感染期間をx軸、平均発現量をy軸とした折れ線グラフを作成できます：

R 

ggplot(data = mean_exp_by_time, mapping = aes(x = time, y = mean_exp)) +
  geom_line()
geom_line()で生成した折れ線グラフですが、実際のデータが期待通りの傾向を示していません

残念ながらこの手法ではうまくいきません。すべての遺伝子のデータを一括してプロットしているためです。各遺伝子ごとに別々の線を描画するには、美的関数をgroup = geneに変更する必要があります：

R 

ggplot(data = mean_exp_by_time,
       mapping = aes(x = time, y = mean_exp, group = gene)) +
  geom_line()
geom_line()で生成した折れ線グラフで、10本の線がそれぞれ異なる遺伝子の時間経過に伴う発現量の増加を示しています

色分けを追加すれば（colorパラメータを使用すると自動的にデータがグループ化されます）、プロット上で各遺伝子を区別できるようになります：

R 

ggplot(data = mean_exp_by_time,
       mapping = aes(x = time, y = mean_exp, color = gene)) +
  geom_line()
geom_line()で生成した折れ線グラフで、10本の色分けされた線がそれぞれ異なる遺伝子の時間経過に伴う発現量の増加を示しています

面分割表示

ggplot2には面分割と呼ばれる特殊な機能があり、データセットに含まれる因子に基づいて1つのプロットを複数のサブプロットに分割できます。これらのサブプロットは同じプロパティ（軸の範囲、目盛りなど）を継承するため、直接比較が容易になります。各遺伝子について時間経過に沿った折れ線グラフを作成する場合に活用しましょう：

R 

ggplot(data = mean_exp_by_time,
       mapping = aes(x = time, y = mean_exp)) + geom_line() +
  facet_wrap(~ gene)
geom_line()で生成した折れ線グラフで、10個のサブプロット/面分割があり、それぞれが時間経過に伴う発現量の増加を示す1本の線を表示しています。すべてのy軸スケールは同一です

ここではすべてのサブプロットにおいて、x軸とy軸が同じスケールになっています。このデフォルト設定を変更するには、scalesパラメータを調整してy軸のスケールを自由に設定可能にできます：

R 

ggplot(data = mean_exp_by_time,
       mapping = aes(x = time, y = mean_exp)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y")
geom_line()で生成した折れ線グラフで、10個のサブプロット/面分割があり、それぞれが時間経過に伴う発現量の増加を示す1本の線を表示しています。各面分割/遺伝子ごとにy軸スケールが発現量の範囲に合わせて調整されています

次に、各プロット内の線をマウスの性別でさらに分割したいとします。そのためには、gene、time、sexでグループ化したデータフレーム内で平均発現量を計算する必要があります：

R 

mean_exp_by_time_sex <- sub_rna |>
  group_by(gene, time, sex) |>
    summarize(mean_exp = mean(expression_log))

OUTPUT 

`summarise()` has grouped output by 'gene', 'time'. You can override using the
`.groups` argument.

R 

mean_exp_by_time_sex

OUTPUT 

# A tibble: 60 × 4
# Groups:   gene, time [30]
   gene   time sex    mean_exp
   <chr> <int> <chr>     <dbl>
 1 Acr       0 Female     5.13
 2 Acr       0 Male       5.00
 3 Acr       4 Female     5.93
 4 Acr       4 Male       5.15
 5 Acr       8 Female     7.27
 6 Acr       8 Male       7.36
 7 Aipl1     0 Female     3.67
 8 Aipl1     0 Male       3.73
 9 Aipl1     4 Female     4.07
10 Aipl1     4 Male       3.72
# ℹ 50 more rows

これで、colorパラメータを使用して単一プロット内で性別ごとにさらに分割した面分割グラフを作成できます：

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y")
geom_line()で生成した折れ線グラフで、10個のサブプロット/面分割があり、それぞれが時間経過に伴う発現量の増加を示す2本の色分けされた線（メスは赤、オスは青）を表示しています

通常、白背景のプロットは印刷時に視認性が高くなります。theme_bw()関数を使用して背景を白に設定できます。さらに、グリッドラインも削除可能です：

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank())
geom_line()で生成した折れ線グラフで、10個のサブプロット/面分割があり、それぞれが時間経過に伴う発現量の増加を示す2本の色分けされた線（メスは赤、オスは青）を表示しています。図の背景が白になっています
Challenge

課題

これまでに学んだ知識を活用して、感染経過に伴う各染色体の平均発現量の変化を視覚的に表現するプロットを作成してください。

R 

mean_exp_by_chromosome <- rna |>
  group_by(chromosome_name, time) |>
  summarize(mean_exp = mean(expression_log))

OUTPUT 

`summarise()` has grouped output by 'chromosome_name'. You can override using
the `.groups` argument.

R 

ggplot(data = mean_exp_by_chromosome, mapping = aes(x = time,
                                y = mean_exp)) +
  geom_line() +
  facet_wrap(~ chromosome_name, scales = "free_y")
Line plot, as produced by geom_line(), with 21 sub-plots/facets, each showing one line with expression values over time for each chromosome.

facet_wrapジオメトリはプロットを任意の数の次元に分割し、1ページにきれいに収まるようにします。一方、facet_gridジオメトリでは、数式表記（rows ~ columns; 単一の行または列を示すプレースホルダーとして.を使用可）を用いて、プロットの配置方法を明示的に指定できます。

以前のプロットを修正して、性別ごとの遺伝子発現の平均値が時間経過とともにどのように変化したかを比較してみましょう：

R 

# 1列レイアウト、行単位で分割
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = gene)) +
  geom_line() +
  facet_grid(sex ~ .)
2つの折れ線グラフが上下に配置され、それぞれ遺伝子ごとに10本の線が色分けされています。上部のサブプロットは女性サンプルの発現値を、下部のサブプロットは男性サンプルの発現値を示しています

R 

# 1行レイアウト、列単位で分割
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = gene)) +
  geom_line() +
  facet_grid(. ~ sex)
2つの折れ線グラフが左右に配置され、それぞれ遺伝子ごとに10本の線が色分けされています。左側のサブプロットは女性サンプルの発現値を、右側のサブプロットは男性サンプルの発現値を示しています

ggplot2テーマ

プロットの背景色を白に変更するtheme_bw()に加え、ggplot2には視覚化の外観を素早く変更できる他のテーマも用意されています。利用可能なテーマの完全なリストはhttps://ggplot2.tidyverse.org/reference/ggtheme.htmlで確認できます。theme_minimal()とtheme_light()は人気の高いテーマで、theme_void()は独自のテーマを作成する際の出発点として便利です。

ggthemesパッケージでは、Excel 2003テーマを含む多様なオプションが提供されています。ggplot2拡張機能 ウェブサイトでは、ggplot2の機能を拡張するパッケージの一覧が掲載されており、追加のテーマも含まれています。

カスタマイズ

時間と遺伝子ごとの平均発現量を性別で分割したプロットに戻りましょう。色分けは性別で行います。

ggplot2チートシートを参照し、プロットを改善する方法を考えてみてください。

次に、「時間」と「mean_exp」という単純な軸名をより情報量の多い表現に変更し、図にタイトルを追加しましょう：

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  labs(title = "感染期間別の遺伝子発現平均値",
       x = "感染期間（日数）",
       y = "平均遺伝子発現値")
白背景の折れ線グラフで、カスタムタイトルと軸ラベルが表示されています

軸名はより情報量が増えましたが、可読性をさらに向上させるためにフォントサイズを大きくすることができます：

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  labs(title = "感染期間別の遺伝子発現平均値",
       x = "感染期間（日数）",
       y = "平均遺伝子発現値")  +
  theme(text = element_text(size = 16))
白背景の折れ線グラフで、カスタムタイトルと軸ラベルのフォントサイズが拡大されています

なお、プロットのフォントを変更することも可能です。Windows環境では、extrafont パッケージをインストールする必要がある場合があります。

さらに、x軸・y軸のテキスト色、グリッドの色などをカスタマイズできます。例えば、legend.positionを"top"に設定することで凡例を上部に移動させることも可能です。

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  labs(title = "感染期間別の遺伝子発現平均値",
       x = "感染期間（日数）",
       y = "平均遺伝子発現値")  +
  theme(text = element_text(size = 16),
        axis.text.x = element_text(colour = "royalblue4", size = 12),
        axis.text.y = element_text(colour = "royalblue4", size = 12),
        panel.grid = element_line(colour="lightsteelblue1"),
        legend.position = "top")
白背景の折れ線グラフで、カスタムタイトルと軸ラベルのフォントサイズが拡大され、グリッドが青色になっています

作成したカスタマイズテーマがデフォルトテーマよりも優れていると判断した場合、 このテーマをオブジェクトとして保存しておけば、今後作成する他のプロットに簡単に適用できます。以下に、以前に作成したヒストグラムを例に説明します。

R 

blue_theme <- theme(axis.text.x = element_text(colour = "royalblue4",
                                               size = 12),
                    axis.text.y = element_text(colour = "royalblue4",
                                               size = 12),
                    text = element_text(size = 16),
                    panel.grid = element_line(colour="lightsteelblue1"))

ggplot(rna, aes(x = expression_log)) +
  geom_histogram(bins = 20) +
    blue_theme()

ERROR 

Error in blue_theme(): could not find function "blue_theme"
Challenge

課題

ここまでの情報を踏まえ、この演習で生成されたプロットのいずれかを改善するか、 あるいはあなた自身の美しいグラフを作成するのにさらに5分間取り組んでください。 インスピレーションを得るために、RStudioのggplot2チートシート を参照してください。以下にいくつかのアイデアをご紹介します：

  • 線の太さを変更する方法を試してみてください。
  • 凡例の名称を変更する方法はありますか？ラベルの変更はどうでしょう？ （ヒント：scale_で始まるggplot関数を探してみてください）
  • 異なるカラーパレットを使用するか、線の色を手動で指定する方法を試してみましょう （詳細はhttps://www.cookbook-r.com/Graphs/Colors_(ggplot2)/をご覧ください）。

例えば、以下のプロットに基づいて：

R 

ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank())
theme_bw()と空白のグリッド上に生成されたシンプルな面グラフ付き折れ線プロット

このプロットは以下の方法でカスタマイズ可能です：

R 

# 線の太さを変更
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line(size=1.5) +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank())

WARNING 

Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.
This warning is displayed once every 8 hours.
Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
generated.
theme_bw()と幅広のグリッド線を使用したシンプルな面グラフ付き折れ線プロット

R 

# 凡例名とラベルの名称を変更
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  scale_color_discrete(name = "性別", labels = c("F", "M"))
theme_bw()と名称変更された色ラベルを使用したシンプルな面グラフ付き折れ線プロット

R 

# 異なるカラーパレットを使用
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  scale_color_brewer(name = "性別", labels = c("F", "M"), palette = "Dark2")
異なるカラーパレットと名称変更された色ラベルを使用したtheme_bw()と空白のグリッド上のシンプルな面グラフ付き折れ線プロット

R 

# 色を手動で指定
ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  theme_bw() +
  theme(panel.grid = element_blank()) +
  scale_color_manual(name = "性別",  labels = c("F", "M"),
                     values = c("royalblue", "deeppink"))
手動で設定した色と名称変更された色ラベルを使用したtheme_bw()と空白のグリッド上のシンプルな面グラフ付き折れ線プロット

複数プロットの配置方法

ファセット機能は1つのプロットを複数のサブプロットに分割する強力なツールですが、時には異なる変数やデータフレームに基づく独立した複数のプロットを1つの図にまとめたい場合もあります。

まず、横に並べて表示したい2つのプロットを作成しましょう：

最初のグラフは各染色体ごとのユニークな遺伝子数をカウントしたものです。まずchromosome_nameのレベル順序を並べ替え、各染色体ごとのユニークな遺伝子をフィルタリングします。また、読みやすさを向上させるため、y軸のスケールを対数10スケールに変更します。

R 

rna$chromosome_name <- factor(rna$chromosome_name,
                               levels = c(1:19,"X","Y"))

count_gene_chromosome <- rna |>
  select(chromosome_name, gene) |>
  distinct() |> ggplot() +
  geom_bar(aes(x = chromosome_name), fill = "seagreen",
           position = "dodge", stat = "count") +
  labs(y = "log10(遺伝子数)", x = "染色体") +
  scale_y_log10()

count_gene_chromosome
染色体ごとの遺伝子数を対数10スケールで表示したシンプルなヒストグラム（棒グラフ）

次に、legend.positionを"none"に設定することで、凡例を完全に非表示にします。

R 

exp_boxplot_sex <- ggplot(rna, aes(y=expression_log, x = as.factor(time),
                 color=sex)) +
   geom_boxplot(alpha = 0) +
  labs(y = "平均遺伝子発現値",
       x = "時間") + theme(legend.position = "none")

exp_boxplot_sex
異なる時間ポイントにおける雌雄別の発現値を示す、透明度を持たせた赤と青の箱ひげ図

patchworkパッケージは、+演算子を使用して図を整然と配置する洗練された方法を提供します。具体的には、|演算子で図を左右に並べ、/演算子で上下に重ねることが可能です。

R 

install.packages("patchwork")

R 

library("patchwork")
count_gene_chromosome + exp_boxplot_sex
左側にヒストグラム、右側に箱ひげ図を配置した合成図

R 

## または count_gene_chromosome | exp_boxplot_sex と記述することも可能

R 

count_gene_chromosome / exp_boxplot_sex
上部にヒストグラム、下部に箱ひげ図を配置した合成図

plot_layout関数を使えば、さらに詳細なレイアウト制御が可能で、より複雑な配置も実現できます：

R 

count_gene_chromosome + exp_boxplot_sex + plot_layout(ncol = 1)
上部にヒストグラム、下部に箱ひげ図を配置した合成図

R 

count_gene_chromosome +
 (count_gene_chromosome + exp_boxplot_sex) +
 exp_boxplot_sex +
 plot_layout(ncol = 1)
上部にヒストグラム、中央にヒストグラムと箱ひげ図の組み合わせ、左右に並べて表示、下部に箱ひげ図を配置した4プロット構成の図

最後のプロット構成は、|と/の配置演算子を使っても作成できます：

R 

count_gene_chromosome /
 (count_gene_chromosome | exp_boxplot_sex) /
 exp_boxplot_sex
上記と同様、上部にヒストグラム、中央にヒストグラムと箱ひげ図の組み合わせ、左右に並べて表示、下部に箱ひげ図を配置した4プロット構成の図

patchworkについてさらに詳しく知りたい場合は、公式ウェブサイトやこの解説動画をご覧ください。

別の選択肢として、gridExtraパッケージを使用する方法もあります。このパッケージではgrid.arrange()関数を使って個別のggplotプロットを1つの図に統合できます：

R 

install.packages("gridExtra")

R 

library("gridExtra")
grid.arrange(count_gene_chromosome, exp_boxplot_sex, ncol = 2)
左側にヒストグラム、右側に箱ひげ図を配置した合成図

ncolとnrow引数を使った基本的な配置に加え、より複雑なレイアウト構成を実現するツールも用意されています。

プロットのエクスポート方法

プロットの作成が完了したら、お好みの形式でファイルに保存できます。RStudioの「プロット」ペインにある「エクスポート」タブを使用すると、低解像度でプロットを保存できますが、多くの学術誌では受理されず、ポスター用の拡大表示にも適さない場合があります。

代わりに、ggsave()関数を使用することをお勧めします。この関数では、適切な引数（width、height、dpi）を調整することで、プロットの寸法と解像度を簡単に変更できます。

作業ディレクトリにfig_output/フォルダが作成されていることを確認してください。

R 

my_plot <- ggplot(data = mean_exp_by_time_sex,
       mapping = aes(x = time, y = mean_exp, color = sex)) +
  geom_line() +
  facet_wrap(~ gene, scales = "free_y") +
  labs(title = "感染期間別の平均遺伝子発現量",
         x = "感染期間（日数）",
         y = "平均遺伝子発現量") +
  guides(color=guide_legend(title="性別")) +
  theme_bw() +
  theme(axis.text.x = element_text(colour = "royalblue4", size = 12),
        axis.text.y = element_text(colour = "royalblue4", size = 12),
        text = element_text(size = 16),
        panel.grid = element_line(colour="lightsteelblue1"),
        legend.position = "top")
ggsave("fig_output/mean_exp_by_time_sex.png", my_plot, width = 15,
       height = 10)

# grid.arrange()で作成したプロットも同様に保存可能です
combo_plot <- grid.arrange(count_gene_chromosome, exp_boxplot_sex,
                           ncol = 2, widths = c(4, 6))
ggsave("fig_output/combo_plot_chromosome_sex.png", combo_plot,
       width = 10, dpi = 300)

注意：widthとheightのパラメータは、保存されるプロットのフォントサイズも決定します。

可視化のためのその他のパッケージ

ggplot2は非常に強力なパッケージであり、私たちの「クリーンなデータ」と「クリーンなツール」のワークフローに非常によく適合します。Rには他に無視できない可視化パッケージも存在します。

基本グラフィックス

Rに標準で付属しているグラフィックスシステム、いわゆる「基本Rグラフィックス」はシンプルで高速です。これは「画家モデル」または「キャンバスモデル」に基づいており、異なる出力が直接重ね合わされます（(fig:paintermodel)参照）。これはggplot2（および後述するlattice）とは根本的な違いがあり、ggplot2は画面やファイルにレンダリングされる専用オブジェクトを返すため、さらに更新することも可能です。

R 

par(mfrow = c(1, 3))
plot(1:20, main = "最初のレイヤー（plot(1:20)で作成）")

plot(1:20, main = "h = 10で追加した水平赤色線")
abline(h = 10, col = "red")

plot(1:20, main = "rect(5, 5, 15, 15)で追加した長方形")
abline(h = 10, col = "red")
rect(5, 5, 15, 15, lwd = 3)
左から右へ、対角線上に20個の空の点、その上に垂直な赤色の線、さらにその上にプロット中央の長方形を重ねた「基本」グラフィックスの比較図
順次重ね合わされるレイヤー

もう一つの重要な違いは、基本グラフィックスのプロット関数が入力データの種類に基づいて「適切な」処理を試みる点です。つまり、入力データのクラスに応じて動作を適応させます。これはggplot2とは大きく異なり、ggplot2はデータフレームのみを入力として受け付け、プロットを段階的に構築していく必要があります。

R 

par(mfrow = c(2, 2))
boxplot(rnorm(100),
        main = "rnorm(100)のボックスプロット")
boxplot(matrix(rnorm(100), ncol = 10),
        main = "matrix(rnorm(100), ncol = 10)のボックスプロット")
hist(rnorm(100))
hist(matrix(rnorm(100), ncol = 10))
上部に2つのボックスプロット、下部に2つのヒストグラムを配置した2×2の構成図
ボックスプロット（上）とヒストグラム（下）をベクトルデータ（左）または行列データ（右）で作成する例

基本グラフィックスのデフォルト設定は、シンプルで標準的な図を素早く作成する場合に非常に効率的です。plot、hist、boxplotなどの単一の関数と1行のコードで迅速に生成できます。ただし、デフォルト設定が常に最も見栄えが良いとは限らず、特に複雑な図（例えばファセット表示を作成する場合など）では、調整に時間がかかり煩雑になることがあります。

latticeパッケージ

latticeパッケージは、入力としてデータフレームを使用し、グラフィックオブジェクトを返し、ファセット表示をサポートする点でggplot2と類似しています。ただし、latticeはグラフィックス文法に基づいておらず、インターフェースがより複雑です。

latticeパッケージに関する優れたリファレンスとして、@latticebookを参照してください。

Key Points
  • Rによる可視化

  1. 出典：データ可視化チートシート↩︎

Content from 次のステップ

Last updated on 2025-07-01 | Edit this page

Overview

Questions

  • SummarizedExperiment とは何でしょうか？
  • Bioconductor と何でしょうか？

Objectives

  • Bioconductorプロジェクトを紹介してみましょう。
  • データコンテナの概念を紹介してみましょう。
  • オミックス解析で多用される SummarizedExperiment の概要を説明する。

次のステップ

バイオインフォマティクスのデータはしばしば複雑です。 これに対処するため、 開発者は、扱う必要のあるデータのプロパティに マッチする、特別なデータコンテナ（クラスと呼ばれる）を定義する。

この側面は、パッケージ間で同じコア・データ・インフラを使用するバイオコンダクター[^バイオコンダクター]プロジェクト 。 この 、Bioconductorの成功に貢献したことは間違いない。 Bioconductor パッケージ 開発者は、 プロジェクト全体に一貫性、相互運用性、安定性を提供するために、既存のインフラストラクチャを利用することをお勧めします 。

このようなオミックス・データ・コンテナを説明するために、 SummarizedExperimentクラスを紹介する。

実験概要

下図は、SummarizedExperimentクラスの構造を表しています。

SummarizedExperimentクラスのオブジェクトには、：

  • **定量的オミックスデータ （発現データ）を含む1つ（または複数）のアッセイ **、マトリックス状のオブジェクトとして格納されている。 特徴（遺伝子、 転写物、タンパク質、…） は行に沿って定義され、 は列に沿って定義される。

  • データフレームとして格納された、サンプルの共変量を含む sample metadata スロット。 この表の行はサンプルを表す（行は発現データの 列と正確に一致する）。

  • データフレームとして格納される、特徴共変量を含む 特徴メタデータ スロット。 このデータフレームの行は、 式データの行と完全に一致する。

SummarizedExperiment`の調整された性質は、データ操作中に 、異なるスロットの次元が 、常に一致することを保証する（すなわち、発現データの列と サンプルメタデータの行、および発現データと 特徴メタデータの行）。 例えば、 、アッセイから1つのサンプルを除外しなければならない場合、同じ操作でサンプルメタデータから 、自動的に除外される。

メタデータ・スロットは、他の構造に影響を与えることなく、 （カラム）の共変数を追加で増やすことができる。

SummarizedExperimentの作成

SummarizedExperiment`を作成するために、 の各コンポーネント、すなわちカウントマトリックス、サンプル、遺伝子 のメタデータをcsvファイルから作成する。 これらは通常、RNA-Seqデータが （生データが処理された後）提供される方法である。

  • An expression matrix: カウント行列をロードし、 最初の列が行/遺伝子名を含むことを指定し、 data.frame を matrix に変換する。 ダウンロードは こちら。

R 

count_matrix <- read.csv("data/count_matrix.csv",
                         row.names = 1) %>%
    as.matrix()

count_matrix[1:5, ]

OUTPUT 

        GSM2545336 GSM2545337 GSM2545338 GSM2545339 GSM2545340 GSM2545341
Asl           1170        361        400        586        626        988
Apod         36194      10347       9173      10620      13021      29594
Cyp2d22       4060       1616       1603       1901       2171       3349
Klk6           287        629        641        578        448        195
Fcrls           85        233        244        237        180         38
        GSM2545342 GSM2545343 GSM2545344 GSM2545345 GSM2545346 GSM2545347
Asl            836        535        586        597        938       1035
Apod         24959      13668      13230      15868      27769      34301
Cyp2d22       3122       2008       2254       2277       2985       3452
Klk6           186       1101        537        567        327        233
Fcrls           68        375        199        177         89         67
        GSM2545348 GSM2545349 GSM2545350 GSM2545351 GSM2545352 GSM2545353
Asl            494        481        666        937        803        541
Apod         11258      11812      15816      29242      20415      13682
Cyp2d22       1883       2014       2417       3678       2920       2216
Klk6           742        881        828        250        798        710
Fcrls          300        233        231         81        303        285
        GSM2545354 GSM2545362 GSM2545363 GSM2545380
Asl            473        748        576       1192
Apod         11088      15916      11166      38148
Cyp2d22       1821       2842       2011       4019
Klk6           894        501        598        259
Fcrls          248        179        184         68

R 

dim(count_matrix)

OUTPUT 

[1] 1474   22
  • サンプルを説明する表、 こちら。

R 

sample_metadata <- read.csv("data/sample_metadata.csv")
sample_metadata

OUTPUT 

       sample     organism age    sex   infection  strain time     tissue mouse
1  GSM2545336 Mus musculus   8 Female  InfluenzaA C57BL/6    8 Cerebellum    14
2  GSM2545337 Mus musculus   8 Female NonInfected C57BL/6    0 Cerebellum     9
3  GSM2545338 Mus musculus   8 Female NonInfected C57BL/6    0 Cerebellum    10
4  GSM2545339 Mus musculus   8 Female  InfluenzaA C57BL/6    4 Cerebellum    15
5  GSM2545340 Mus musculus   8   Male  InfluenzaA C57BL/6    4 Cerebellum    18
6  GSM2545341 Mus musculus   8   Male  InfluenzaA C57BL/6    8 Cerebellum     6
7  GSM2545342 Mus musculus   8 Female  InfluenzaA C57BL/6    8 Cerebellum     5
8  GSM2545343 Mus musculus   8   Male NonInfected C57BL/6    0 Cerebellum    11
9  GSM2545344 Mus musculus   8 Female  InfluenzaA C57BL/6    4 Cerebellum    22
10 GSM2545345 Mus musculus   8   Male  InfluenzaA C57BL/6    4 Cerebellum    13
11 GSM2545346 Mus musculus   8   Male  InfluenzaA C57BL/6    8 Cerebellum    23
12 GSM2545347 Mus musculus   8   Male  InfluenzaA C57BL/6    8 Cerebellum    24
13 GSM2545348 Mus musculus   8 Female NonInfected C57BL/6    0 Cerebellum     8
14 GSM2545349 Mus musculus   8   Male NonInfected C57BL/6    0 Cerebellum     7
15 GSM2545350 Mus musculus   8   Male  InfluenzaA C57BL/6    4 Cerebellum     1
16 GSM2545351 Mus musculus   8 Female  InfluenzaA C57BL/6    8 Cerebellum    16
17 GSM2545352 Mus musculus   8 Female  InfluenzaA C57BL/6    4 Cerebellum    21
18 GSM2545353 Mus musculus   8 Female NonInfected C57BL/6    0 Cerebellum     4
19 GSM2545354 Mus musculus   8   Male NonInfected C57BL/6    0 Cerebellum     2
20 GSM2545362 Mus musculus   8 Female  InfluenzaA C57BL/6    4 Cerebellum    20
21 GSM2545363 Mus musculus   8   Male  InfluenzaA C57BL/6    4 Cerebellum    12
22 GSM2545380 Mus musculus   8 Female  InfluenzaA C57BL/6    8 Cerebellum    19

R 

dim(sample_metadata)

OUTPUT 

[1] 22  9
  • 遺伝子を説明する表、 こちら。

R 

gene_metadata <- read.csv("data/gene_metadata.csv")
gene_metadata[1:10, 1:4]

OUTPUT 

      gene ENTREZID
1      Asl   109900
2     Apod    11815
3  Cyp2d22    56448
4     Klk6    19144
5    Fcrls    80891
6   Slc2a4    20528
7     Exd2    97827
8     Gjc2   118454
9     Plp1    18823
10    Gnb4    14696
                                                                         product
1                                 argininosuccinate lyase, transcript variant X1
2                                         apolipoprotein D, transcript variant 3
3   cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2
4                           kallikrein related-peptidase 6, transcript variant 2
5                  Fc receptor-like S, scavenger receptor, transcript variant X1
6            solute carrier family 2 (facilitated glucose transporter), member 4
7                                          exonuclease 3'-5' domain containing 2
8                            gap junction protein, gamma 2, transcript variant 1
9                           proteolipid protein (myelin) 1, transcript variant 1
10 guanine nucleotide binding protein (G protein), beta 4, transcript variant X2
      ensembl_gene_id
1  ENSMUSG00000025533
2  ENSMUSG00000022548
3  ENSMUSG00000061740
4  ENSMUSG00000050063
5  ENSMUSG00000015852
6  ENSMUSG00000018566
7  ENSMUSG00000032705
8  ENSMUSG00000043448
9  ENSMUSG00000031425
10 ENSMUSG00000027669

R 

dim(gene_metadata)

OUTPUT 

[1] 1474    9

これらのテーブルから SummarizedExperiment を作成する：

  • として使用されるカウント行列。

  • サンプルを記述したテーブルは、サンプル メタデータスロットとして使用される。

  • 遺伝子を記述したテーブルは、features メタデータスロットとして使用される。

これを行うには、 SummarizedExperiment コンストラクタを使って、異なるパーツをまとめることができる：

R 

## BiocManager::install("SummarizedExperiment")
library("SummarizedExperiment")

まず、 カウントマトリックスとサンプルアノテーションにおいて、サンプルの順番が同じであることを確認する。また、 カウントマトリックスと遺伝子アノテーションにおいて、遺伝子の順番が同じであることを確認する。

R 

stopifnot(rownames(count_matrix) == gene_metadata$gene)
stopifnot(colnames(count_matrix) == sample_metadata$sample)

R 

se <- SummarizedExperiment(assays = list(counts = count_matrix),
                           colData = sample_metadata,
                           rowData = gene_metadata)
se

OUTPUT 

class: SummarizedExperiment
dim: 1474 22
metadata(0):
assays(1): counts
rownames(1474): Asl Apod ... Lmx1a Pbx1
rowData names(9): gene ENTREZID ... phenotype_description
  hsapiens_homolog_associated_gene_name
colnames(22): GSM2545336 GSM2545337 ... GSM2545363 GSM2545380
colData names(9): sample organism ... tissue mouse

データの保存

以前のエピソードで行ったように、データをスプレッドシートにエクスポートするには、 、第1章 （小数点以下の区切り文字に,と.を使った場合の不整合の可能性、 変数型の定義の欠如）で説明したようないくつかの制限がある。 さらに、 スプレッドシートへのデータエクスポートは、データフレーム や行列のような長方形のデータにのみ関係する。

データを保存するより一般的な方法は、Rに特有であり、 どのオペレーティングシステムでも動作することが保証されている saveRDS 関数を使用することである。 このようにオブジェクトを保存すると、ディスク上にバイナリ 表現が生成されます（ここでは rds ファイル拡張子を使用します）。 readRDS 関数を使用して R にロードし直すことができます。

R 

saveRDS(se, file = "data_output/se.rds")
rm(se)
se <- readRDS("data_output/se.rds")
head(se)

結論として、Rからデータを保存し、 Rで再度ロードする場合、saveRDSとreadRDSで保存とロードを行うのが 。 表形式のデータを、Rを使用していない誰か（ ）と共有する必要がある場合は、テキストベースのスプレッドシートにエクスポートするのが、 良い選択肢である。

このデータ構造を使って、 assay関数で発現行列にアクセスすることができる：

R 

head(assay(se))

OUTPUT 

        GSM2545336 GSM2545337 GSM2545338 GSM2545339 GSM2545340 GSM2545341
Asl           1170        361        400        586        626        988
Apod         36194      10347       9173      10620      13021      29594
Cyp2d22       4060       1616       1603       1901       2171       3349
Klk6           287        629        641        578        448        195
Fcrls           85        233        244        237        180         38
Slc2a4         782        231        248        265        313        786
        GSM2545342 GSM2545343 GSM2545344 GSM2545345 GSM2545346 GSM2545347
Asl            836        535        586        597        938       1035
Apod         24959      13668      13230      15868      27769      34301
Cyp2d22       3122       2008       2254       2277       2985       3452
Klk6           186       1101        537        567        327        233
Fcrls           68        375        199        177         89         67
Slc2a4         528        249        266        357        654        693
        GSM2545348 GSM2545349 GSM2545350 GSM2545351 GSM2545352 GSM2545353
Asl            494        481        666        937        803        541
Apod         11258      11812      15816      29242      20415      13682
Cyp2d22       1883       2014       2417       3678       2920       2216
Klk6           742        881        828        250        798        710
Fcrls          300        233        231         81        303        285
Slc2a4         271        304        349        715        513        320
        GSM2545354 GSM2545362 GSM2545363 GSM2545380
Asl            473        748        576       1192
Apod         11088      15916      11166      38148
Cyp2d22       1821       2842       2011       4019
Klk6           894        501        598        259
Fcrls          248        179        184         68
Slc2a4         248        350        317        796

R 

dim(assay(se))

OUTPUT 

[1] 1474   22

colData`関数を使ってサンプルのメタデータにアクセスすることができる：

R 

colData(se)

OUTPUT 

DataFrame with 22 rows and 9 columns
                sample     organism       age         sex   infection
           <character>  <character> <integer> <character> <character>
GSM2545336  GSM2545336 Mus musculus         8      Female  InfluenzaA
GSM2545337  GSM2545337 Mus musculus         8      Female NonInfected
GSM2545338  GSM2545338 Mus musculus         8      Female NonInfected
GSM2545339  GSM2545339 Mus musculus         8      Female  InfluenzaA
GSM2545340  GSM2545340 Mus musculus         8        Male  InfluenzaA
...                ...          ...       ...         ...         ...
GSM2545353  GSM2545353 Mus musculus         8      Female NonInfected
GSM2545354  GSM2545354 Mus musculus         8        Male NonInfected
GSM2545362  GSM2545362 Mus musculus         8      Female  InfluenzaA
GSM2545363  GSM2545363 Mus musculus         8        Male  InfluenzaA
GSM2545380  GSM2545380 Mus musculus         8      Female  InfluenzaA
                strain      time      tissue     mouse
           <character> <integer> <character> <integer>
GSM2545336     C57BL/6         8  Cerebellum        14
GSM2545337     C57BL/6         0  Cerebellum         9
GSM2545338     C57BL/6         0  Cerebellum        10
GSM2545339     C57BL/6         4  Cerebellum        15
GSM2545340     C57BL/6         4  Cerebellum        18
...                ...       ...         ...       ...
GSM2545353     C57BL/6         0  Cerebellum         4
GSM2545354     C57BL/6         0  Cerebellum         2
GSM2545362     C57BL/6         4  Cerebellum        20
GSM2545363     C57BL/6         4  Cerebellum        12
GSM2545380     C57BL/6         8  Cerebellum        19

R 

dim(colData(se))

OUTPUT 

[1] 22  9

また、rowData関数を使ってフィーチャーのメタデータにアクセスすることもできる：

R 

head(rowData(se))

OUTPUT 

DataFrame with 6 rows and 9 columns
               gene  ENTREZID                product    ensembl_gene_id
        <character> <integer>            <character>        <character>
Asl             Asl    109900 argininosuccinate ly.. ENSMUSG00000025533
Apod           Apod     11815 apolipoprotein D, tr.. ENSMUSG00000022548
Cyp2d22     Cyp2d22     56448 cytochrome P450, fam.. ENSMUSG00000061740
Klk6           Klk6     19144 kallikrein related-p.. ENSMUSG00000050063
Fcrls         Fcrls     80891 Fc receptor-like S, .. ENSMUSG00000015852
Slc2a4       Slc2a4     20528 solute carrier famil.. ENSMUSG00000018566
        external_synonym chromosome_name   gene_biotype  phenotype_description
             <character>     <character>    <character>            <character>
Asl        2510006M18Rik               5 protein_coding abnormal circulating..
Apod                  NA              16 protein_coding abnormal lipid homeo..
Cyp2d22             2D22              15 protein_coding abnormal skin morpho..
Klk6                Bssp               7 protein_coding abnormal cytokine le..
Fcrls      2810439C17Rik               3 protein_coding decreased CD8-positi..
Slc2a4            Glut-4              11 protein_coding abnormal circulating..
        hsapiens_homolog_associated_gene_name
                                  <character>
Asl                                       ASL
Apod                                     APOD
Cyp2d22                                CYP2D6
Klk6                                     KLK6
Fcrls                                   FCRL2
Slc2a4                                 SLC2A4

R 

dim(rowData(se))

OUTPUT 

[1] 1474    9

SummarizedExperimentをサブセットする

SummarizedExperiment は、データフレームと同じように、 数値または論理の文字でサブセットできる。

以下では、 、3つの最初のサンプルの5つの最初の特徴のみを含む、SummarizedExperimentクラスの新しいインスタンスを作成します。

R 

se1 <- se[1:5, 1:3]
se1

OUTPUT 

class: SummarizedExperiment
dim: 5 3
metadata(0):
assays(1): counts
rownames(5): Asl Apod Cyp2d22 Klk6 Fcrls
rowData names(9): gene ENTREZID ... phenotype_description
  hsapiens_homolog_associated_gene_name
colnames(3): GSM2545336 GSM2545337 GSM2545338
colData names(9): sample organism ... tissue mouse

R 

colData(se1)

OUTPUT 

DataFrame with 3 rows and 9 columns
                sample     organism       age         sex   infection
           <character>  <character> <integer> <character> <character>
GSM2545336  GSM2545336 Mus musculus         8      Female  InfluenzaA
GSM2545337  GSM2545337 Mus musculus         8      Female NonInfected
GSM2545338  GSM2545338 Mus musculus         8      Female NonInfected
                strain      time      tissue     mouse
           <character> <integer> <character> <integer>
GSM2545336     C57BL/6         8  Cerebellum        14
GSM2545337     C57BL/6         0  Cerebellum         9
GSM2545338     C57BL/6         0  Cerebellum        10

R 

rowData(se1)

OUTPUT 

DataFrame with 5 rows and 9 columns
               gene  ENTREZID                product    ensembl_gene_id
        <character> <integer>            <character>        <character>
Asl             Asl    109900 argininosuccinate ly.. ENSMUSG00000025533
Apod           Apod     11815 apolipoprotein D, tr.. ENSMUSG00000022548
Cyp2d22     Cyp2d22     56448 cytochrome P450, fam.. ENSMUSG00000061740
Klk6           Klk6     19144 kallikrein related-p.. ENSMUSG00000050063
Fcrls         Fcrls     80891 Fc receptor-like S, .. ENSMUSG00000015852
        external_synonym chromosome_name   gene_biotype  phenotype_description
             <character>     <character>    <character>            <character>
Asl        2510006M18Rik               5 protein_coding abnormal circulating..
Apod                  NA              16 protein_coding abnormal lipid homeo..
Cyp2d22             2D22              15 protein_coding abnormal skin morpho..
Klk6                Bssp               7 protein_coding abnormal cytokine le..
Fcrls      2810439C17Rik               3 protein_coding decreased CD8-positi..
        hsapiens_homolog_associated_gene_name
                                  <character>
Asl                                       ASL
Apod                                     APOD
Cyp2d22                                CYP2D6
Klk6                                     KLK6
Fcrls                                   FCRL2

また、colData() 関数を使用して、 サンプルメタデータから何かをサブセットしたり、rowData() 関数を使用して、 フィーチャーメタデータから何かをサブセットすることもできます。 例えば、ここではmiRNAと に感染していないサンプルだけを残している：

R 

se1 <- se[rowData(se)$gene_biotype == "miRNA",
          colData(se)$infection == "NonInfected"]
se1

OUTPUT 

class: SummarizedExperiment
dim: 7 7
metadata(0):
assays(1): counts
rownames(7): Mir1901 Mir378a ... Mir128-1 Mir7682
rowData names(9): gene ENTREZID ... phenotype_description
  hsapiens_homolog_associated_gene_name
colnames(7): GSM2545337 GSM2545338 ... GSM2545353 GSM2545354
colData names(9): sample organism ... tissue mouse

R 

assay(se1)

OUTPUT 

         GSM2545337 GSM2545338 GSM2545343 GSM2545348 GSM2545349 GSM2545353
Mir1901          45         44         74         55         68         33
Mir378a          11          7          9          4         12          4
Mir133b           4          6          5          4          6          7
Mir30c-2         10          6         16         12          8         17
Mir149            1          2          0          0          0          0
Mir128-1          4          1          2          2          1          2
Mir7682           2          0          4          1          3          5
         GSM2545354
Mir1901          60
Mir378a           8
Mir133b           3
Mir30c-2         15
Mir149            2
Mir128-1          1
Mir7682           5

R 

colData(se1)

OUTPUT 

DataFrame with 7 rows and 9 columns
                sample     organism       age         sex   infection
           <character>  <character> <integer> <character> <character>
GSM2545337  GSM2545337 Mus musculus         8      Female NonInfected
GSM2545338  GSM2545338 Mus musculus         8      Female NonInfected
GSM2545343  GSM2545343 Mus musculus         8        Male NonInfected
GSM2545348  GSM2545348 Mus musculus         8      Female NonInfected
GSM2545349  GSM2545349 Mus musculus         8        Male NonInfected
GSM2545353  GSM2545353 Mus musculus         8      Female NonInfected
GSM2545354  GSM2545354 Mus musculus         8        Male NonInfected
                strain      time      tissue     mouse
           <character> <integer> <character> <integer>
GSM2545337     C57BL/6         0  Cerebellum         9
GSM2545338     C57BL/6         0  Cerebellum        10
GSM2545343     C57BL/6         0  Cerebellum        11
GSM2545348     C57BL/6         0  Cerebellum         8
GSM2545349     C57BL/6         0  Cerebellum         7
GSM2545353     C57BL/6         0  Cerebellum         4
GSM2545354     C57BL/6         0  Cerebellum         2

R 

rowData(se1)

OUTPUT 

DataFrame with 7 rows and 9 columns
                gene  ENTREZID        product    ensembl_gene_id
         <character> <integer>    <character>        <character>
Mir1901      Mir1901 100316686  microRNA 1901 ENSMUSG00000084565
Mir378a      Mir378a    723889  microRNA 378a ENSMUSG00000105200
Mir133b      Mir133b    723817  microRNA 133b ENSMUSG00000065480
Mir30c-2    Mir30c-2    723964 microRNA 30c-2 ENSMUSG00000065567
Mir149        Mir149    387167   microRNA 149 ENSMUSG00000065470
Mir128-1    Mir128-1    387147 microRNA 128-1 ENSMUSG00000065520
Mir7682      Mir7682 102466847  microRNA 7682 ENSMUSG00000106406
         external_synonym chromosome_name gene_biotype  phenotype_description
              <character>     <character>  <character>            <character>
Mir1901          Mirn1901              18        miRNA                     NA
Mir378a           Mirn378              18        miRNA abnormal mitochondri..
Mir133b          mir 133b               1        miRNA no abnormal phenotyp..
Mir30c-2        mir 30c-2               1        miRNA                     NA
Mir149            Mirn149               1        miRNA increased circulatin..
Mir128-1          Mirn128               1        miRNA no abnormal phenotyp..
Mir7682      mmu-mir-7682               1        miRNA                     NA
         hsapiens_homolog_associated_gene_name
                                   <character>
Mir1901                                     NA
Mir378a                                MIR378A
Mir133b                                MIR133B
Mir30c-2                               MIR30C2
Mir149                                      NA
Mir128-1                              MIR128-1
Mir7682                                     NA
Challenge

チャレンジ

時刻0と時刻8のサンプル 、最初の3遺伝子の遺伝子発現レベルを抽出する。

R 

assay(se)[1:3, colData(se)$time != 4]

OUTPUT 

        GSM2545336 GSM2545337 GSM2545338 GSM2545341 GSM2545342 GSM2545343
Asl           1170        361        400        988        836        535
Apod         36194      10347       9173      29594      24959      13668
Cyp2d22       4060       1616       1603       3349       3122       2008
        GSM2545346 GSM2545347 GSM2545348 GSM2545349 GSM2545351 GSM2545353
Asl            938       1035        494        481        937        541
Apod         27769      34301      11258      11812      29242      13682
Cyp2d22       2985       3452       1883       2014       3678       2216
        GSM2545354 GSM2545380
Asl            473       1192
Apod         11088      38148
Cyp2d22       1821       4019

R 

# Equivalent to
assay(se)[1:3, colData(se)$time == 0 | colData(se)$time == 8]

OUTPUT 

        GSM2545336 GSM2545337 GSM2545338 GSM2545341 GSM2545342 GSM2545343
Asl           1170        361        400        988        836        535
Apod         36194      10347       9173      29594      24959      13668
Cyp2d22       4060       1616       1603       3349       3122       2008
        GSM2545346 GSM2545347 GSM2545348 GSM2545349 GSM2545351 GSM2545353
Asl            938       1035        494        481        937        541
Apod         27769      34301      11258      11812      29242      13682
Cyp2d22       2985       3452       1883       2014       3678       2216
        GSM2545354 GSM2545380
Asl            473       1192
Apod         11088      38148
Cyp2d22       1821       4019
Challenge

チャレンジ

長いrnaテーブルを使用して同じ値が得られることを確認する。

R 

rna |>
    filter(gene %in% c("Asl", "Apod", "Cyd2d22"))|>
    filter(time != 4) |> select(expression)

OUTPUT 

# A tibble: 28 × 1
   expression
        <dbl>
 1       1170
 2      36194
 3        361
 4      10347
 5        400
 6       9173
 7        988
 8      29594
 9        836
10      24959
# ℹ 18 more rows

長いテーブルとSummarizedExperimentは同じ 情報を含むが、単に構造が異なるだけである。 各アプローチにはそれぞれ 独自の利点がある。前者は tidyverse パッケージに適しており、 一方、後者は多くのバイオインフォマティクスと 統計処理ステップに適した構造である。 例えば、 DESeq2パッケージを使用した典型的なRNA-Seq分析である。

メタデータに変数を追加する

メタデータに情報を追加することもできる。 サンプルが採取されたセンターを追加したいとします…

R 

colData(se)$center <- rep("University of Illinois", nrow(colData(se)))
colData(se)

OUTPUT 

DataFrame with 22 rows and 10 columns
                sample     organism       age         sex   infection
           <character>  <character> <integer> <character> <character>
GSM2545336  GSM2545336 Mus musculus         8      Female  InfluenzaA
GSM2545337  GSM2545337 Mus musculus         8      Female NonInfected
GSM2545338  GSM2545338 Mus musculus         8      Female NonInfected
GSM2545339  GSM2545339 Mus musculus         8      Female  InfluenzaA
GSM2545340  GSM2545340 Mus musculus         8        Male  InfluenzaA
...                ...          ...       ...         ...         ...
GSM2545353  GSM2545353 Mus musculus         8      Female NonInfected
GSM2545354  GSM2545354 Mus musculus         8        Male NonInfected
GSM2545362  GSM2545362 Mus musculus         8      Female  InfluenzaA
GSM2545363  GSM2545363 Mus musculus         8        Male  InfluenzaA
GSM2545380  GSM2545380 Mus musculus         8      Female  InfluenzaA
                strain      time      tissue     mouse                 center
           <character> <integer> <character> <integer>            <character>
GSM2545336     C57BL/6         8  Cerebellum        14 University of Illinois
GSM2545337     C57BL/6         0  Cerebellum         9 University of Illinois
GSM2545338     C57BL/6         0  Cerebellum        10 University of Illinois
GSM2545339     C57BL/6         4  Cerebellum        15 University of Illinois
GSM2545340     C57BL/6         4  Cerebellum        18 University of Illinois
...                ...       ...         ...       ...                    ...
GSM2545353     C57BL/6         0  Cerebellum         4 University of Illinois
GSM2545354     C57BL/6         0  Cerebellum         2 University of Illinois
GSM2545362     C57BL/6         4  Cerebellum        20 University of Illinois
GSM2545363     C57BL/6         4  Cerebellum        12 University of Illinois
GSM2545380     C57BL/6         8  Cerebellum        19 University of Illinois

これは、メタデータ・スロットが、 、他の構造に影響を与えることなく、無限に成長できることを示している！

tidySummarizedExperiment

SummarizedExperiment オブジェクトを操作するために tidyverse コマンドを使うことはできるのだろうか？ tidySummarizedExperiment パッケージを使えば可能です。

SummarizedExperimentオブジェクトがどのようなものか思い出してください：

R 

シー

ERROR 

Error: object 'シー' not found

tidySummarizedExperiment`をロードし、seオブジェクト 。

R 

#BiocManager::install("tidySummarizedExperiment")
library("tidySummarizedExperiment")

se

OUTPUT 

# A SummarizedExperiment-tibble abstraction: 32,428 × 22
# Features=1474 | Samples=22 | Assays=counts
   .feature .sample    counts sample organism   age sex   infection strain  time
   <chr>    <chr>       <int> <chr>  <chr>    <int> <chr> <chr>     <chr>  <int>
 1 Asl      GSM2545336   1170 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 2 Apod     GSM2545336  36194 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 3 Cyp2d22  GSM2545336   4060 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 4 Klk6     GSM2545336    287 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 5 Fcrls    GSM2545336     85 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 6 Slc2a4   GSM2545336    782 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 7 Exd2     GSM2545336   1619 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 8 Gjc2     GSM2545336    288 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 9 Plp1     GSM2545336  43217 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
10 Gnb4     GSM2545336   1071 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
# ℹ 40 more rows
# ℹ 12 more variables: tissue <chr>, mouse <int>, center <chr>, gene <chr>,
#   ENTREZID <int>, product <chr>, ensembl_gene_id <chr>,
#   external_synonym <chr>, chromosome_name <chr>, gene_biotype <chr>,
#   phenotype_description <chr>, hsapiens_homolog_associated_gene_name <chr>

これはまだSummarizedExperimentオブジェクトなので、効率的な 構造を維持しているが、これでティブルとして見ることができる。 の最初の行に注目してほしい。出力にはこう書いてあるが、これは SummarizedExperiment-tibble の抽象化である。 また、出力の2行目には、 のトランスクリプトとサンプルの数を見ることができる。

標準のSummarizedExperimentビューに戻したい場合は、 。

R 

options("restore_SummarizedExperiment_show" = TRUE)
se

OUTPUT 

class: SummarizedExperiment
dim: 1474 22
metadata(0):
assays(1): counts
rownames(1474): Asl Apod ... Lmx1a Pbx1
rowData names(9): gene ENTREZID ... phenotype_description
  hsapiens_homolog_associated_gene_name
colnames(22): GSM2545336 GSM2545337 ... GSM2545363 GSM2545380
colData names(10): sample organism ... mouse center

しかし、ここではティブル・ビューを使う。

R 

options("restore_SummarizedExperiment_show" = FALSE)
se

OUTPUT 

# A SummarizedExperiment-tibble abstraction: 32,428 × 22
# Features=1474 | Samples=22 | Assays=counts
   .feature .sample    counts sample organism   age sex   infection strain  time
   <chr>    <chr>       <int> <chr>  <chr>    <int> <chr> <chr>     <chr>  <int>
 1 Asl      GSM2545336   1170 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 2 Apod     GSM2545336  36194 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 3 Cyp2d22  GSM2545336   4060 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 4 Klk6     GSM2545336    287 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 5 Fcrls    GSM2545336     85 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 6 Slc2a4   GSM2545336    782 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 7 Exd2     GSM2545336   1619 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 8 Gjc2     GSM2545336    288 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 9 Plp1     GSM2545336  43217 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
10 Gnb4     GSM2545336   1071 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
# ℹ 40 more rows
# ℹ 12 more variables: tissue <chr>, mouse <int>, center <chr>, gene <chr>,
#   ENTREZID <int>, product <chr>, ensembl_gene_id <chr>,
#   external_synonym <chr>, chromosome_name <chr>, gene_biotype <chr>,
#   phenotype_description <chr>, hsapiens_homolog_associated_gene_name <chr>

SummarizedExperiment オブジェクトと対話するために、tidyverse コマンドを使用できるようになりました。

filter`を使用すると、条件を使って行をフィルタリングすることができる。例えば、 、あるサンプルのすべての行を表示することができる。

R 

se %>% filter(.sample == "GSM2545336")

OUTPUT 

# A SummarizedExperiment-tibble abstraction: 1,474 × 22
# Features=1474 | Samples=1 | Assays=counts
   .feature .sample    counts sample organism   age sex   infection strain  time
   <chr>    <chr>       <int> <chr>  <chr>    <int> <chr> <chr>     <chr>  <int>
 1 Asl      GSM2545336   1170 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 2 Apod     GSM2545336  36194 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 3 Cyp2d22  GSM2545336   4060 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 4 Klk6     GSM2545336    287 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 5 Fcrls    GSM2545336     85 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 6 Slc2a4   GSM2545336    782 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 7 Exd2     GSM2545336   1619 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 8 Gjc2     GSM2545336    288 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 9 Plp1     GSM2545336  43217 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
10 Gnb4     GSM2545336   1071 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
# ℹ 40 more rows
# ℹ 12 more variables: tissue <chr>, mouse <int>, center <chr>, gene <chr>,
#   ENTREZID <int>, product <chr>, ensembl_gene_id <chr>,
#   external_synonym <chr>, chromosome_name <chr>, gene_biotype <chr>,
#   phenotype_description <chr>, hsapiens_homolog_associated_gene_name <chr>

select`を使って表示したいカラムを指定することができる。

R 

se %>% select(.sample)

OUTPUT 

tidySummarizedExperiment says: Key columns are missing. A data frame is returned for independent data analysis.

OUTPUT 

# A tibble: 32,428 × 1
   .sample
   <chr>
 1 GSM2545336
 2 GSM2545336
 3 GSM2545336
 4 GSM2545336
 5 GSM2545336
 6 GSM2545336
 7 GSM2545336
 8 GSM2545336
 9 GSM2545336
10 GSM2545336
# ℹ 32,418 more rows

mutate`を使ってメタデータ情報を追加することができる。

R 

se %>% mutate(center = "ハイデルベルク大学")

OUTPUT 

# A SummarizedExperiment-tibble abstraction: 32,428 × 22
# Features=1474 | Samples=22 | Assays=counts
   .feature .sample    counts sample organism   age sex   infection strain  time
   <chr>    <chr>       <int> <chr>  <chr>    <int> <chr> <chr>     <chr>  <int>
 1 Asl      GSM2545336   1170 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 2 Apod     GSM2545336  36194 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 3 Cyp2d22  GSM2545336   4060 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 4 Klk6     GSM2545336    287 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 5 Fcrls    GSM2545336     85 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 6 Slc2a4   GSM2545336    782 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 7 Exd2     GSM2545336   1619 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 8 Gjc2     GSM2545336    288 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
 9 Plp1     GSM2545336  43217 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
10 Gnb4     GSM2545336   1071 GSM25… Mus mus…     8 Fema… Influenz… C57BL…     8
# ℹ 40 more rows
# ℹ 12 more variables: tissue <chr>, mouse <int>, center <chr>, gene <chr>,
#   ENTREZID <int>, product <chr>, ensembl_gene_id <chr>,
#   external_synonym <chr>, chromosome_name <chr>, gene_biotype <chr>,
#   phenotype_description <chr>, hsapiens_homolog_associated_gene_name <chr>

tidyverseパイプ %>% を使ってコマンドを組み合わせることもできます。 の例では、group_by と summarise を組み合わせて、各サンプルの カウントの合計を得ることができる。

R 

se %>%
    group_by(.sample) %>%
    summarise(total_counts=sum(counts))

OUTPUT 

tidySummarizedExperiment says: A data frame is returned for independent data analysis.

OUTPUT 

# A tibble: 22 × 2
   .sample    total_counts
   <chr>             <int>
 1 GSM2545336      3039671
 2 GSM2545337      2602360
 3 GSM2545338      2458618
 4 GSM2545339      2500082
 5 GSM2545340      2479024
 6 GSM2545341      2413723
 7 GSM2545342      2349728
 8 GSM2545343      3105652
 9 GSM2545344      2524137
10 GSM2545345      2506038
# ℹ 12 more rows

整頓されたSummarizedExperimentオブジェクトを、プロット用の通常のtibble として扱うことができる。

ここでは、サンプルごとのカウント数分布をプロットしている。

R 

se %>%
    ggplot(aes(counts + 1, group=.sample, color=infection))+
    geom_density() +
    scale_x_log10() +
    theme_bw()

tidySummarizedExperimentの詳細については、パッケージ ウェブサイト こちらを参照してください。

**テイクホーム・メッセージ

  • SummarizedExperiment`は、オミックスデータを効率的に保存し、 。

  • これらは多くのBioconductorパッケージで使用されている。

RNAシーケンス解析に焦点を当てた次のトレーニング、 、Bioconductor DESeq2パッケージを使って、 差分発現解析を行う方法を学ぶ。 DESeq2パッケージの全解析はSummarizedExperiment` で処理される。

Key Points
  • Bioconductorは、ハイスループットな生物学データの理解（ ）のためのサポートとパッケージを提供するプロジェクトである。
  • SummarizedExperiment`は、ハイスループットのオミックスデータを保存し、 管理するのに便利なオブジェクトの一種である。