Rで学ぶ計量経済学と機械学習 2

データ整理

1 本講義の目的

• パッケージについて学ぶ
• パイプ演算子について学ぶ
• dplyrやtidyverseを使ったデータの前処理について学ぶ

2 パッケージ

パッケージ（package）とは、Rの機能を拡張するプログラムである。 （他のプログラミング言語ではライブラリと呼ぶものにあたる）

2.1 パッケージのセットアップ

公開されているパッケージをダウンロードしてインストールするにはinstall.packages("パッケージ名")と書き、インストールしたパッケージを読み込むにはlibrary(パッケージ名)と書く。

なお、インストールは一度すれば次回からはinstall.packages()を実行する必要はないが、library()はRを起動するたびに必要になる。なお、install.packages()やlibrary()を使わないでパッケージを読み込む方法も、後日学びます。

さて、以下ではExcelファイルを読み込むためのパッケージ{readxl}を使用していく。

# パッケージ読み込み
install.packages("readxl") #インストール
library("readxl") # 読み込み

2.1.1 ファイルのアップロード

まず、分析したいデータファイルを作業用フォルダに入れる。今回は、講義ページにある{test_scores.xlsx}のファイルを使う。

なお、R Studio Cloudのワークスペースにアップロードする場合は、右下の[Files]タブの[Upload]をクリックしてファイルをアップロードする。

test_scores.xlsxをアップロードすれば、[Files]タブにも反映される。

2.2 エクセル（.xlsx）ファイルの読み込み

{readxl}パッケージのread_excel()関数で読み込みを行う。

# エクセル読み込み
df <- read_excel("test_scores.xlsx")

3 データフレームを概観する

3.1 データフレームオブジェクトの確認

オブジェクトdatに代入されたデータフレームは[Environment]タブにも表示される。

「40 obs. of 5 variables」とは、「観測値（行）が40、変数（列）が5」のデータフレームであることを示している。

3.2 行数・列数を確認

データフレームオブジェクトの行数と列数を関数で確認したいときはdim()を使う

dim(df)

## [1] 40  5

（行数だけを取得するnrow()や列数だけを取得するncol()といった関数もある）

3.3 View()

「40 obs. of 5 variables」の右にある表のようなアイコンをクリックする（あるいはView(dat)を実行する）と、エクセルのようなセルにデータが入った形式でデータフレームを表示することができる。

3.4 head()

head()関数は、データフレームの先頭6行を表示する関数である。

どういった変数が入ったデータなのかを簡単に把握することができる。

head(df)

## # A tibble: 6 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 C      安藤     67    78    45
## 2 A      藤村     55    73    72
## 3 B      大泉     47    55    73
## 4 B      木村     78    71    85
## 5 A      鈴井     51    74    61
## 6 C      望月     79    84    75

（なお、後尾6行を見たいときはtail()関数を使う）

4 パイプ演算子

Rは基本的に関数を使ってコードを書くため、複数の処理をまとめて書くときは関数の中に関数を内包する形になる。

複雑な処理を行うときは、関数を内包するたびにコードがどんどん読みづらくなっていく。

head(read_excel("test_scores.xlsx"))

## # A tibble: 6 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 C      安藤     67    78    45
## 2 A      藤村     55    73    72
## 3 B      大泉     47    55    73
## 4 B      木村     78    71    85
## 5 A      鈴井     51    74    61
## 6 C      望月     79    84    75

そこでパイプ演算子（%>%）を利用する。 パイプ演算子は{dplyr}パッケージをインストールすると利用できるようになる。

# パッケージのインストール
install.packages("dplyr")

# パッケージの読み込み
library(dplyr)

パイプ演算子は左にあるオブジェクトを右の関数に受け渡して処理をさせることができる。

read_excel("test_scores.xlsx") %>% head()

## # A tibble: 6 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 C      安藤     67    78    45
## 2 A      藤村     55    73    72
## 3 B      大泉     47    55    73
## 4 B      木村     78    71    85
## 5 A      鈴井     51    74    61
## 6 C      望月     79    84    75

なおRStudioではShift + Ctrl + M（MacはShift + Command + M）でパイプ演算子を挿入することができる。

パイプの始点は関数でなくオブジェクトでもよい。

# subset()は条件（クラスがCである）に合う行を取り出す関数
df %>% subset(クラス == "C") %>% head()

## # A tibble: 6 × 5
##   クラス 名前    数学  英語  国語
##   <chr>  <chr>  <dbl> <dbl> <dbl>
## 1 C      安藤      67    78    45
## 2 C      望月      79    84    75
## 3 C      嬉野      54    50    51
## 4 C      安田      46    93    67
## 5 C      伊藤      64    44    68
## 6 C      津久井    52    77    52

なお、パイプ処理で関数に渡されるオブジェクトは関数の第一引数に入れられる。 （本来subset(データフレーム, 条件)となっていて、この「データフレーム」が第一引数）

ただし、subset(, 条件)のようにカンマを残す必要はなく、subset(条件)のように書けばよい。

5 データフレームの操作

5.1 {tidyverse}パッケージ

データの本格的な分析に入る前にデータの整理や加工を行うことを前処理（preprocess）という。

Rでは前処理を効率よく行うために{dplyr}や{tidyr}や{stringr}などのパッケージが整備されている。

いくつものパッケージを個別にインストールと読み込みを行うのは面倒なので、{readxl}や{dplyr}や{stringr}などの便利なパッケージをまとめた{tidyverse}というパッケージをインストールする。

なお、今回のデータはわかりやすいように変数名が日本語になっており、そのまま使用する。しかし実際には、英語名（ローマ字）に変換してから前処理を進めることを奨励する。異なる環境での思わぬエラーなどを防ぐことができ、日本語や漢字が分からない人にもreadableだからである。

install.packages("tidyverse") #インストール

library("tidyverse") # 読み込み

{tidyverse}パッケージで読み込まれるパッケージは、例えば次のようなものである

• 前処理を便利にするもの
  • dplyrやtidyr：データフレームの操作のためのパッケージ
  • stringr：文字列の操作のためのパッケージ
• 既存の関数の機能拡張
  • readr：read.csv()関数をもっと便利なものに置き換える
  • readxl：Excelのファイル（.xlsx）を読み込む関数を提供する
  • tibble：data.frame()関数をもっと便利なものに置き換える
  • ggplot2 ：綺麗なグラフやGIS（統計地図）などを描くことができる

5.2 条件指定による行の取り出し

5.2.1 条件と論理演算

ここでいう条件とは、「変数Xが2である（\(X = 2\)）」「変数Zが0以上である（\(Z \geq 0\)）」などといったもののこと。

Rでは等号や不等号は次のように表す。

数学上の記号	Rでの記法	意味
=、≠	==、!=	である、でない
＞、＜	>、<	より大きい、より小さい
≧、≦	>=、<=	以上、以下

これらの条件を複数つなげるとき（例えば「\(X=2\)かつ\(Z=10\)」のようにするとき）の論理演算子は次のように書く。

数学上の記号	Rでの記法	意味
∧、∩	&	かつ（and）
∨、∪	|	または（or）

# 条件式の計算の例
x <- 7            # x = 7と定義
x != 2            # 「xは2ではない」（か否か）  

## [1] TRUE

(x > 2) & (x < 4) # 「2より大きい」かつ「4より小さい」（であるか否か）

## [1] FALSE

条件式の計算結果はTRUE（真）とFALSE（偽）の値（論理値）で返される。

5.2.2 関数を使わないで行指定

条件を満たす行を抜き出したいとき、関数を使わずにシンプルに記述する場合は次の方法で行う。

df[df["クラス"] == "C",] # クラスがCの行を取り出す

## # A tibble: 15 × 5
##    クラス 名前    数学  英語  国語
##    <chr>  <chr>  <dbl> <dbl> <dbl>
##  1 C      安藤      67    78    45
##  2 C      望月      79    84    75
##  3 C      嬉野      54    50    51
##  4 C      安田      46    93    67
##  5 C      伊藤      64    44    68
##  6 C      津久井    52    77    52
##  7 C      松沢      69    60    99
##  8 C      平藤      65    62    81
##  9 C      荻下      51    98    48
## 10 C      岸        90    51    43
## 11 C      鈴木      66    46    62
## 12 C      山津      68    77    74
## 13 C      木村      43    97    71
## 14 C      望月      87    98    87
## 15 C      増田      70    97    66

これは、dfというデータフレームの"クラス"という列（df["クラス"]）が"C"であるか否かをdf["クラス"] == "C"として計算させて論理値（TRUEやFALSE）のベクトルを得て、それをdf[行番号,列番号]の行番号の部分に入れることで条件に合致する行を取り出す方法。

5.2.3 関数を使って行指定

{dplyr}パッケージのfilter()関数を使っても同様に条件指定して行を取り出すことができる。

filter(データフレーム, 条件式)の形で書く。

dplyr::filter(df, 50 < 英語 & 英語 < 60) # 英語が50~60点の人を抽出

## # A tibble: 7 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 B      大泉     47    55    73
## 2 A      赤石     44    53    40
## 3 B      吉川     43    58    56
## 4 A      渡辺     42    59    89
## 5 C      岸       90    51    43
## 6 A      白川     45    58    68
## 7 A      桜井     94    55    89

（filter()はパイプ処理の節で登場したsubset()と機能も文法もほぼ一緒）

なお、dplyr::は省略することもできる。ただし、読み込んでいる他のパッケージに同じ名前の関数があった場合、エラーが生じるので、できるだけ省略しないことをすすめる。ただ、本講義では簡便化のためにわりと省略している。

filter(df, 50 < 英語 & 英語 < 60) # 英語が50~60点の人を抽出

## # A tibble: 7 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 B      大泉     47    55    73
## 2 A      赤石     44    53    40
## 3 B      吉川     43    58    56
## 4 A      渡辺     42    59    89
## 5 C      岸       90    51    43
## 6 A      白川     45    58    68
## 7 A      桜井     94    55    89

5.2.3.1 （参考）filterの派生関数群

if_any()、if_all()といった関数を組み合わせることでより複雑なフィルタリング条件を簡潔に指定することもできる。

# データフレームのいずれかの変数で100という値をとる行
# （参考）やや古い書き方になるが filter_all(df, any_vars(. == 100)) と書くこともできる
filter(df, if_any(everything(), ~ . == 100))

## # A tibble: 2 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 B      山口    100    99   100
## 2 B      平井    100    49    96

if_any(対象の列を指定する関数, 条件や処理を指定する関数) というやや難しい記法になる。

（~ . == 100は{purrr}パッケージで導入される無名関数の記法で、.を引数に取る関数function(.){. == 100}を定義していることと等しい）

# 「語」で終わる列名すべてで90以上の値をとる行を取り出す
# if_all()をif_any()に変えると「いずれかで90以上の値」という条件になる
df %>% filter(if_all(ends_with("語"), ~ . > 90))

## # A tibble: 1 × 5
##   クラス 名前   数学  英語  国語
##   <chr>  <chr> <dbl> <dbl> <dbl>
## 1 B      山口    100    99   100

5.3 列の取り出し

select()関数はデータフレームから条件に合う列を取り出す関数である

基本的にはselect(データフレーム, 列名1, 列名2, ...)のように書く。

dplyr::select(df, クラス, 名前)

## # A tibble: 40 × 2
##    クラス 名前 
##    <chr>  <chr>
##  1 C      安藤 
##  2 A      藤村 
##  3 B      大泉 
##  4 B      木村 
##  5 A      鈴井 
##  6 C      望月 
##  7 C      嬉野 
##  8 B      山口 
##  9 C      安田 
## 10 A      新城 
## # ℹ 30 more rows

パイプ演算子を使用してもよい。

df %>% select(クラス, 名前)

## # A tibble: 40 × 2
##    クラス 名前 
##    <chr>  <chr>
##  1 C      安藤 
##  2 A      藤村 
##  3 B      大泉 
##  4 B      木村 
##  5 A      鈴井 
##  6 C      望月 
##  7 C      嬉野 
##  8 B      山口 
##  9 C      安田 
## 10 A      新城 
## # ℹ 30 more rows

5.3.1 除外条件の指定

列名を指定するときに、マイナス（-）をつけると、「その列以外を取り出す」という指定になる

df %>% dplyr::select(-名前)

## # A tibble: 40 × 4
##    クラス  数学  英語  国語
##    <chr>  <dbl> <dbl> <dbl>
##  1 C         67    78    45
##  2 A         55    73    72
##  3 B         47    55    73
##  4 B         78    71    85
##  5 A         51    74    61
##  6 C         79    84    75
##  7 C         54    50    51
##  8 B        100    99   100
##  9 C         46    93    67
## 10 A         88    81    83
## # ℹ 30 more rows

5.3.2 列名を検索して指定

select()の中でcontains()という関数を使うと、「列名に〇〇という言葉を含むものを取り出す」という指定を行うことができる。

df %>% select(contains("国"))

## # A tibble: 40 × 1
##     国語
##    <dbl>
##  1    45
##  2    72
##  3    73
##  4    85
##  5    61
##  6    75
##  7    51
##  8   100
##  9    67
## 10    83
## # ℹ 30 more rows

5.4 列名の変更

データフレームの列名を変更したいときは、主に次の2つの方法がある

5.4.1 colnames()を使う

colnames()関数を使うとデータフレームの列名を取得できる（なお、行名はrownames()で取得できる）

df2 <- df %>% select(クラス, 名前) # 説明の簡略のために2列を取り出す
colnames(df2) # 列名の表示

## [1] "クラス" "名前"

逆に、colnames()に（列数と同じ長さの）文字列ベクトルを指定することでデータフレームの列名を変更できる。

colnames(df2) <- c("class","name") # 列名の変更
head(df2)

## # A tibble: 6 × 2
##   class name 
##   <chr> <chr>
## 1 C     安藤 
## 2 A     藤村 
## 3 B     大泉 
## 4 B     木村 
## 5 A     鈴井 
## 6 C     望月

5.4.2 rename()を使う

rename()関数を使い、rename(df, 新しい列名 = 古い列名)のように指定すると任意の列の列名のみを変えることができる。

df2 %>% dplyr::rename(NAME = name)

## # A tibble: 40 × 2
##    class NAME 
##    <chr> <chr>
##  1 C     安藤 
##  2 A     藤村 
##  3 B     大泉 
##  4 B     木村 
##  5 A     鈴井 
##  6 C     望月 
##  7 C     嬉野 
##  8 B     山口 
##  9 C     安田 
## 10 A     新城 
## # ℹ 30 more rows

5.5 行を並べ替える

「点数が低い順に並べ替える」といった操作を行いたい場合、arrange()を使う

df %>% dplyr::arrange(数学) # 数学の点が低い順（昇順）に並べ替える

## # A tibble: 40 × 5
##    クラス 名前   数学  英語  国語
##    <chr>  <chr> <dbl> <dbl> <dbl>
##  1 A      渡辺     42    59    89
##  2 B      吉川     43    58    56
##  3 C      木村     43    97    71
##  4 A      赤石     44    53    40
##  5 B      岩田     45    63    51
##  6 A      白川     45    58    68
##  7 C      安田     46    93    67
##  8 B      大泉     47    55    73
##  9 A      鈴井     51    74    61
## 10 C      荻下     51    98    48
## # ℹ 30 more rows

「高い順に並べ替える」という操作をしたい場合はarrange()の中でdesc()を使う

df %>% arrange(desc(英語)) # 英語の点が高い順（降順）に並べ替える

## # A tibble: 40 × 5
##    クラス 名前   数学  英語  国語
##    <chr>  <chr> <dbl> <dbl> <dbl>
##  1 B      山口    100    99   100
##  2 C      荻下     51    98    48
##  3 C      望月     87    98    87
##  4 C      木村     43    97    71
##  5 C      増田     70    97    66
##  6 C      安田     46    93    67
##  7 B      前田     92    92    78
##  8 B      橋本     71    87    59
##  9 C      望月     79    84    75
## 10 B      磯部     95    83    47
## # ℹ 30 more rows

5.6 新たな列を追加する

前処理においては、「変数を加工し、新たな列に追加する」という処理を行う機会が多い。

変数の加工の仕方は目的に応じて様々だが、ここでは例として学生ごとの3科目の合計得点を算出する、

5.6.1 1列ずつ追加する

各科目の列を取り出して足し合わせれば合計得点の算出はできるので、それをdf["新たな列の名前"]のように記述したものに代入すれば列の追加は簡単に終わる

# 総得点
df["合計点"] = df$数学 + df$英語 + df$国語

# 列が追加された
head(df)

## # A tibble: 6 × 6
##   クラス 名前   数学  英語  国語 合計点
##   <chr>  <chr> <dbl> <dbl> <dbl>  <dbl>
## 1 C      安藤     67    78    45    190
## 2 A      藤村     55    73    72    200
## 3 B      大泉     47    55    73    175
## 4 B      木村     78    71    85    234
## 5 A      鈴井     51    74    61    186
## 6 C      望月     79    84    75    238

ただし、この方法では追加したい列の数だけこの記述を繰り返す必要がある。

5.6.2 複数列まとめて追加する

mutate()関数を使うと列の追加をもう少しスマートに記述できて、mutate(df, 新しい列の名前 = 代入したい内容)のように書く。

例えば「数学＋国語」、「数学＋英語」の2つの変数を作り、それぞれ「数国計」「数英計」と名付けることにする。

その場合、次のようにカンマで区切りながら変数を追加していく。

df %>% dplyr::mutate(数国計 = 数学 + 国語, 
                     数英計 = 数学 + 英語)

## # A tibble: 40 × 8
##    クラス 名前   数学  英語  国語 合計点 数国計 数英計
##    <chr>  <chr> <dbl> <dbl> <dbl>  <dbl>  <dbl>  <dbl>
##  1 C      安藤     67    78    45    190    112    145
##  2 A      藤村     55    73    72    200    127    128
##  3 B      大泉     47    55    73    175    120    102
##  4 B      木村     78    71    85    234    163    149
##  5 A      鈴井     51    74    61    186    112    125
##  6 C      望月     79    84    75    238    154    163
##  7 C      嬉野     54    50    51    155    105    104
##  8 B      山口    100    99   100    299    200    199
##  9 C      安田     46    93    67    206    113    139
## 10 A      新城     88    81    83    252    171    169
## # ℹ 30 more rows

5.7 データフレームの連結

5.7.1 横方向の連結

同じ行数の２つのデータフレームを連結したいときはbind_cols()を使う

# データフレームを分割
A <- df %>% select(クラス, 名前)
B <- df %>% select(数学, 英語, 国語)

# データフレームの連結
bind_cols(A,B)

## # A tibble: 40 × 5
##    クラス 名前   数学  英語  国語
##    <chr>  <chr> <dbl> <dbl> <dbl>
##  1 C      安藤     67    78    45
##  2 A      藤村     55    73    72
##  3 B      大泉     47    55    73
##  4 B      木村     78    71    85
##  5 A      鈴井     51    74    61
##  6 C      望月     79    84    75
##  7 C      嬉野     54    50    51
##  8 B      山口    100    99   100
##  9 C      安田     46    93    67
## 10 A      新城     88    81    83
## # ℹ 30 more rows

（ちなみに、同様の機能をもつ関数でcbind()というものもある。）

5.7.2 縦方向の連結

同じ列数の２つのデータフレームを連結したいときはbind_rows()を使う

# データフレームを分割
A <- df[1:20, ]   # 第1~20行
B <- df[21:40, ]  # 第21~40行

# データフレームの連結
bind_rows(A, B)

## # A tibble: 40 × 6
##    クラス 名前   数学  英語  国語 合計点
##    <chr>  <chr> <dbl> <dbl> <dbl>  <dbl>
##  1 C      安藤     67    78    45    190
##  2 A      藤村     55    73    72    200
##  3 B      大泉     47    55    73    175
##  4 B      木村     78    71    85    234
##  5 A      鈴井     51    74    61    186
##  6 C      望月     79    84    75    238
##  7 C      嬉野     54    50    51    155
##  8 B      山口    100    99   100    299
##  9 C      安田     46    93    67    206
## 10 A      新城     88    81    83    252
## # ℹ 30 more rows

（同様の機能をもつ関数でrbind()というものもある。）

5.8 （参考）データフレームの結合

「異なる行数・列数のデータフレームが２つあり、“id”列だけが対応関係にある」というような状況は公的統計でも民間企業のデータでも非常に多くある。 （例えば公的統計なら「“地方自治体コード”列が対応関係にあるデータ群」であったり、民間企業なら「“顧客id”列が対応関係にあるデータ群」であったりする。）

そうした場合は”id”列を基準にデータフレームを結合するjoin関数を使う。

5.8.1 dplyr::full_join()

full_join()関数を例に実行してみる。

まず、例示用に簡単なデータフレームを作る

# 顧客データ
customers <- data.frame(顧客id = 1:3,
                        性別 = c("男性", "女性", "女性"),
                        年齢 = c(20, 24, 35))
customers

##   顧客id 性別 年齢
## 1      1 男性   20
## 2      2 女性   24
## 3      3 女性   35

# 取引データ
sales <- data.frame(取引id = 1:3,
                    顧客id = c(1,2,2),
                    商品 = c("みかん", "みかん", "りんご"),
                    金額 = c(200, 200, 300))
sales

##   取引id 顧客id   商品 金額
## 1      1      1 みかん  200
## 2      2      2 みかん  200
## 3      3      2 りんご  300

これをfull_join()で結合する。full_join(df1, df2, by = "id")のように書く。

# "顧客id"をキーにcustomersとsalesを結合
dplyr::full_join(customers, sales, by = "顧客id")

##   顧客id 性別 年齢 取引id   商品 金額
## 1      1 男性   20      1 みかん  200
## 2      2 女性   24      2 みかん  200
## 3      2 女性   24      3 りんご  300
## 4      3 女性   35     NA   <NA>   NA

このように顧客idで紐づけしてひとつのデータフレームへと結合する。

5.8.2 結合の種類

ところで、結合する２つのデータフレーム間でidのデータが等しいとは限らない。 一方では他方に比べて収録されているidのデータが少ないかもしれない （先の例で顧客id == 3の取引履歴が存在しなかったように）。

結合の方法は一般的に4種類存在する。 Rでは結合方法に応じて別々の関数になっており、

1. inner_join(): 両方のデータフレームに存在するidを使う
2. full_join(): いずれかのデータフレームに存在するidを使う
3. left_join(): 左側に指定されたデータフレームに存在するidを使う
4. right_join(): 右側に指定されたデータフレームに存在するidを使う

となっている。

5.8.3 inner_join()

inner_join()を使えば、先程の例での顧客id == 3は一方のデータフレームにしか存在しないidであるため、結合後は消える

dplyr::inner_join(customers, sales, by = "顧客id")

##   顧客id 性別 年齢 取引id   商品 金額
## 1      1 男性   20      1 みかん  200
## 2      2 女性   24      2 みかん  200
## 3      2 女性   24      3 りんご  300

逆にfull_join()では、先に示したように、顧客id == 3の行が残り、紐づくデータが無い列はNA（欠損値）になる

5.9 （参考）データフレームの展開

データの形式には「ロング形式（縦持ち）」と呼ばれるものと、「ワイド形式（横持ち）」と言われるものがある。

ロング形式は、例えば上記のsalesデータのように”商品”列には商品の種類を書き、“金額”列にはその商品の売上金額を書くものである。

一般的なデータが基本的に採用している形式で、これまで例に使用してきたデータフレームもロング形式である。

# ロング形式
sales

##   取引id 顧客id   商品 金額
## 1      1      1 みかん  200
## 2      2      2 みかん  200
## 3      3      2 りんご  300

ワイド形式は、例えばsalesデータで”商品”列の商品の種類ごとに列を分け、“顧客id”に対応する金額をセルに入れたもの（クロス集計表のような形式になっているもの）である。

{tidyr}パッケージのpivot_wider()でワイド形式に変換することができる

# ワイド形式
sales_wide = sales %>% tidyr::pivot_wider(names_from = "商品", values_from = "金額")
sales_wide

## # A tibble: 3 × 4
##   取引id 顧客id みかん りんご
##    <int>  <dbl>  <dbl>  <dbl>
## 1      1      1    200     NA
## 2      2      2    200     NA
## 3      3      2     NA    300

{tidyr}パッケージのpivot_longer()でロング形式に戻すことができる

# ロング形式に戻す
sales_long <- sales_wide %>% 
  tidyr::pivot_longer(cols = c(-顧客id, -取引id), names_to = "商品", values_to = "金額")

sales_long %>% dplyr::filter(!is.na(金額))

## # A tibble: 3 × 4
##   取引id 顧客id 商品    金額
##    <int>  <dbl> <chr>  <dbl>
## 1      1      1 みかん   200
## 2      2      2 みかん   200
## 3      3      2 りんご   300

6 （参考）文字列の操作

{stringr}パッケージによる文字列操作の基本を紹介する

6.1 文字列の結合

複数の文字列の結合はstr_c()で行う

str_c("あいう", "えお")

## [1] "あいうえお"

6.2 文字列ベクトルの全結合

文字列ベクトルの全要素を結合してひとつの文字列にまとめるにはstr_flatten()を使う

str_flatten(LETTERS)

## [1] "ABCDEFGHIJKLMNOPQRSTUVWXYZ"

6.3 文字列のマッチング

文字列ベクトルの要素のうち、ある文字列（パターン）が入っている要素を取り出したいときはstr_subset()を使う

df[["名前"]] %>% str_subset("安") # "安"が入っている要素を検索

## [1] "安藤" "安田"

文字列ベクトルのなかで、ある文字列（パターン）が入っている要素の位置はstr_which()で取得できる

df[["名前"]] %>% str_which("川") # "川"が入っている要素の位置

## [1] 17 35

7 （参考）Rのチートシート

プログラミング言語などにおいて、基本的な知識をまとめた文書をチートシート（Cheat Sheet）という。

RStudioの公式サイトにもチートシートの一覧がまとめられているが、主要なものはRStudioの[Help]→[Cheatsheets]からも簡単にアクセスできる。

有志による日本語のチートシートは公式サイトの下の方の「Japanese Translations - 日本語翻訳」で見ることができる（翻訳版は更新頻度が低く内容がやや古い場合があるので注意）。

8 参考文献

石田基広(2017)『Rによるテキストマイニング入門』　森北出版　第２版

Rによるテキストマイニングの教科書だが、「第3章 R/RStudio速習」には、本稿と重なる内容が説明されている。