SlideShare ist ein Scribd-Unternehmen logo
1 von 32
Downloaden Sie, um offline zu lesen
R を使って統計分析を勉強する会
第 1 回
2014 年 4 月 23 日(水)
日直:井ノ口
Introduction
R のいいところ
統計分析を手早く書くのに最適
● 統計分析が得意
– 関数が豊富(重回帰分析が 1 行)
– 表形式のデータが扱いやすい
●
分析手順を再現できます
– 実行履歴が残ります
– スクリプトとして残せます
Excel でダメなの?
もちろんケースバイケース。こんな時は
Excel でもいいんじゃないでしょうか。
● 難しい統計分析はしない。実際、重回帰分析
くらいなら Excel でもできる。
● 分析手順を再利用しない。
● データは更新されない。
R にしろ Excel にしろ
道具です。 R が使えるからと言って、統計分
析ができるというわけでは、残念ながらあり
ません。
というわけで、この勉強会では、 R の使い方
に加えて、統計分析の考え方についてもちょ
くちょく触れていきたいと思います。
Hello woRld!
何はともあれ
動かしてみましょう。
RStudio を起動して、左下の Console で
> print("Hello World!")
[1] "Hello World!"
基本のキ
作業ディレクトリ。
RStudio を起動して、左下の Console で確認し
たり変更したりしてみる。
作業状態はここに保存されます。
> getwd()
> setwd("~/workingdirectory")
> setwd("~workingdirectory")
Start Statistics
こんな流れで進めます
「データ可視化の 7 ステップ」
( 出典『ビジュアライジング・データ』 )
1.Acquire : データをゲットします
2.Parse : 整形します
3.Filter : 必要なサブセットを抜き出します
4.Mine : 分析します
5.Represent : 分析結果を出力します
6.Refine : 省略
7.Interaction : 省略
もう少し具体的に
こんな感じで行ってみようと思います
1.Acquire : Excel を読み込みます
2.Parse : 文字列を因子に変換します
3.Filter : 必要な行・列を取り出します
4.Mine : 代表値(平均値とか)を出します
5.Represent : ヒストグラムや箱ひげ図
6.Refine : 省略
7.Interaction : 省略
Acquire
XLConnect
結局出回っているデータの多くが Excel なの
で、それを読み込みます。
XLConnect というパッケージを使います。
> install.packages("XLConnect")
> library(XLConnect)
> data <- readWorksheetFromFile("test.xlsx", 1)
> data
# 1 シート目のデータが表示される
R のデータ構造
一体何を読み込んだのか?
R には大きく 5 つのデータ構造があります
1.vector :基本。 1 次元配列。
2.matrix :行列。 2 次元配列。
3.array :配列。 n 次元配列。
4.data frame :重要。表。さっき読み込んだ
5.list :柔軟で便利。
vector
これが基本。単一の値はあまり扱いません。
四則演算できます。 for 文不要です。
> v1 <- c(1, 2, 3, 4)
> v1[1] # 添え字は 1 から
> v1[c(1, 2)] # 添え字にも vector 使えます
> v2 <- c(3, 3, 2, 4)
> v1 + v2
> v1 + c(1, 2) # 要素数が違うと繰り返して補います
matrix, array
matrix はあまり使いません
array はもっと使いません(経験上)
> m1 <- matrix(v1, nrow=2)
> m1[1, 2] # 行 , 列の順で指定
> m1[, 2] # 省略すると全指定
> a1 <- array(v1, dim=c(2, 1, 2)
> a1
> a1[1, 1, 1]
data frame
最もよく使います。なじみ深い表形式のデー
タ構造です。
さっき読み込んだデータで色々試してみてく
ださい
# 列名を付けられます
> df <- data.frame(col1=c(1, 2), col2=c("a", "b"))
> df
> df[1, 2] # 配列と同じようにアクセスできます
> df[, "col1"] # 列名でアクセスできます
> df$col1 # こんな風にも
# 1 次元に落ちたときに vector になるのを防ぐには
# 地味に重要(忘れてバグの温床に)
> df[, "col1", drop=FALSE]
list
柔軟なので便利。各要素の要素数が異なって
いても大丈夫( data fame はダメ)
私は色々な分析結果を 1 オブジェクトにまと
めるときに使ったりします
# data frmae 同様列名を付けられます
> li <- list(elem1=c(1, 2), elem2=c("a", "b", "c"))
> li
> li[[1]] # 要素へのアクセスには癖があります
> li$elem1 # 要素名でのアクセスは同じ
ライブラリを使っていて困ること
どうやって渡すの? どれが返ってきたん
だ? と悩みます。
class(), is.xxx(), as.xxx() が便利
# matrix から data frame への変換の例
> class(m1) # 当然 matrix
> is.data.frame(m1) # FALSE
> as.data.frame(m1) # 列名がついた !?
> class(as.data.frame(m1)) # data frame に !!
> is.data.frame(as.data.frame(m1)) # TRUE
Parse
文字列を因子に
文字列 "A" と選択肢 "A, B, AB, O" の "A" と
選択肢 "A, B, C" の "A" を正しく扱おう、と
いう話です。
> sample <- c("A", "B")
> blood <- factor(sample,
levels=C("A", "B", "AB", "O"))
> choice <- factor(sample,
levels=c("A", "B", "C"))
# == はクラスを意識しないので、 identical で比較
# Java の == と equlas のようなものです
> identical(sample[1], blood[1])
> identical(sample[1], choice[1])
> identical(blood[1], choice[1])
その他の型 (1/2)
代表的な Parse 先
● numeric: 数値 (1, -2, 0.1)
● character: 文字列 ("Hello World")
●
logical: 論理値 (TRUE, FALSE)
> c(1, -2, 0.1)
> c("Andy", "Bob", "Chris")
> c(TRUE, FALSE, TRUE)
その他の型 (2/2)
代表的な Parse 先
● factor: 因子
● Date: 日付
●
NA: 欠損値
> as.factor(c("A", "B"), levels=c("A", "B", "AB",
"O"))
> as.Date(c("2014/4/24", "2014/4/25"))
> c(1, 5, NA, 6)
型と尺度水準
型と尺度水準について
尺度水準には 4 種類ある。それぞれ意味があ
る代表値や演算が異なる。
1.名義尺度→ 最頻値。演算意味ない。
2.順序尺度→ 中央値。+ー意味ない。
3.間隔尺度→ 平均値。 ×÷ 意味ない。
4.比例尺度→ 平均値。演算に意味がある。
名義尺度
カテゴリ。背番号とか。 R では factor に相
当。
● 演算する意味ない
例)アンケートだとこんな設問
設問 1 あなたの役割を教えて下さい。
1. 開発
2. 営業
3. スタッフ
4. その他
順序尺度
よくみる 5 段階評価とか。Rでは order=TRUE
オプション付の factor に相当。
● 意味があるのは順序だけ。足し引き意味ない
例)アンケートだとこんな設問
設問 2 この勉強会には満足していますか?
1. 満足している
2. やや満足している
3. ふつう
4. やや不満である
5. 不満である
間隔尺度
差が等しくて零点が任意の数値。日付とか温
度(摂氏、華氏)とか。Rでは numeric に相
当。
● 足し引きできる。 ×÷ 意味ない
例) 20℃ は 40℃ の 2 倍熱いわけではない。
華氏だと 68°F と 104°F (約 1.5 倍 ) 。
比率尺度
差が等しくて零点が絶対的な数値。長さとか
温度(絶対温度)とか。 R では numeric に相
当。型の上では間隔尺度と区別されない。
● 足し引きできる。 ×÷ もできる。比率にも意
味がある。
例) 100m は 10m の 10 倍の長さ。
Appendix
Enterprise での利用
Google は R でプロトタイピングして C で実装
Oracle のデータも R で分析できる(らしい)
● Companies Using R | Revolution Analytics
●
Oracle R Enterprise

Weitere ähnliche Inhalte

Was ist angesagt?

ggplot2をつかってみよう
ggplot2をつかってみようggplot2をつかってみよう
ggplot2をつかってみようHiroki Itô
 
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)Yoshitake Takebayashi
 
質的変数の相関・因子分析
質的変数の相関・因子分析質的変数の相関・因子分析
質的変数の相関・因子分析Mitsuo Shimohata
 
10分で分かるr言語入門ver2.10 14 1101
10分で分かるr言語入門ver2.10 14 110110分で分かるr言語入門ver2.10 14 1101
10分で分かるr言語入門ver2.10 14 1101Nobuaki Oshiro
 
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装takehikoihayashi
 
すごい配列楽しく学ぼう
すごい配列楽しく学ぼうすごい配列楽しく学ぼう
すごい配列楽しく学ぼうxenophobia__
 
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編wada, kazumi
 
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)Haruka Ozaki
 
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデルlogics-of-blue
 
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とRブートストラップ法とその周辺とR
ブートストラップ法とその周辺とRDaisuke Yoneoka
 
統計的学習の基礎 5章前半(~5.6)
統計的学習の基礎 5章前半(~5.6)統計的学習の基礎 5章前半(~5.6)
統計的学習の基礎 5章前半(~5.6)Kota Mori
 
Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Yohei Sato
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布についてHiroshi Shimizu
 
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析Shushi Namba
 
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめDSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめsleepy_yoshi
 
ggplot2用例集 入門編
ggplot2用例集 入門編ggplot2用例集 入門編
ggplot2用例集 入門編nocchi_airport
 
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみたStan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみたhoxo_m
 

Was ist angesagt? (20)

Bloom filter
Bloom filterBloom filter
Bloom filter
 
Rの高速化
Rの高速化Rの高速化
Rの高速化
 
ggplot2をつかってみよう
ggplot2をつかってみようggplot2をつかってみよう
ggplot2をつかってみよう
 
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
 
質的変数の相関・因子分析
質的変数の相関・因子分析質的変数の相関・因子分析
質的変数の相関・因子分析
 
10分で分かるr言語入門ver2.10 14 1101
10分で分かるr言語入門ver2.10 14 110110分で分かるr言語入門ver2.10 14 1101
10分で分かるr言語入門ver2.10 14 1101
 
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
 
すごい配列楽しく学ぼう
すごい配列楽しく学ぼうすごい配列楽しく学ぼう
すごい配列楽しく学ぼう
 
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編
 
FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)FDRの使い方 (Kashiwa.R #3)
FDRの使い方 (Kashiwa.R #3)
 
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
 
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とRブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
 
統計的学習の基礎 5章前半(~5.6)
統計的学習の基礎 5章前半(~5.6)統計的学習の基礎 5章前半(~5.6)
統計的学習の基礎 5章前半(~5.6)
 
Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門Tokyo r12 - R言語による回帰分析入門
Tokyo r12 - R言語による回帰分析入門
 
負の二項分布について
負の二項分布について負の二項分布について
負の二項分布について
 
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
 
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめDSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
 
ggplot2用例集 入門編
ggplot2用例集 入門編ggplot2用例集 入門編
ggplot2用例集 入門編
 
潜在クラス分析
潜在クラス分析潜在クラス分析
潜在クラス分析
 
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみたStan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
 

Andere mochten auch

Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級itoyan110
 
すごいタスク管理(仮)
すごいタスク管理(仮)すごいタスク管理(仮)
すごいタスク管理(仮)Kakigi Katuyuki
 
第3回Rを使って統計分析を勉強する会
第3回Rを使って統計分析を勉強する会第3回Rを使って統計分析を勉強する会
第3回Rを使って統計分析を勉強する会Nobuto Inoguchi
 
統計用言語Rの使い方
統計用言語Rの使い方統計用言語Rの使い方
統計用言語Rの使い方Ak Ok
 
わかりやすい利益相反:臨床研究を成功させるために
わかりやすい利益相反:臨床研究を成功させるためにわかりやすい利益相反:臨床研究を成功させるために
わかりやすい利益相反:臨床研究を成功させるためにMasahiko Hara
 
8つの魔法の習得 -RとRubyによるデータ解析入門より-
8つの魔法の習得 -RとRubyによるデータ解析入門より-8つの魔法の習得 -RとRubyによるデータ解析入門より-
8つの魔法の習得 -RとRubyによるデータ解析入門より-Yuki Shimizu
 
Rによる分類木 入門
Rによる分類木 入門Rによる分類木 入門
Rによる分類木 入門Hiro47
 
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係Nagi Teramo
 
色で失敗しない為に 〜理論に基づく配色フロー〜
色で失敗しない為に 〜理論に基づく配色フロー〜色で失敗しない為に 〜理論に基づく配色フロー〜
色で失敗しない為に 〜理論に基づく配色フロー〜Yuudai Tachibana
 

Andere mochten auch (9)

Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級
 
すごいタスク管理(仮)
すごいタスク管理(仮)すごいタスク管理(仮)
すごいタスク管理(仮)
 
第3回Rを使って統計分析を勉強する会
第3回Rを使って統計分析を勉強する会第3回Rを使って統計分析を勉強する会
第3回Rを使って統計分析を勉強する会
 
統計用言語Rの使い方
統計用言語Rの使い方統計用言語Rの使い方
統計用言語Rの使い方
 
わかりやすい利益相反:臨床研究を成功させるために
わかりやすい利益相反:臨床研究を成功させるためにわかりやすい利益相反:臨床研究を成功させるために
わかりやすい利益相反:臨床研究を成功させるために
 
8つの魔法の習得 -RとRubyによるデータ解析入門より-
8つの魔法の習得 -RとRubyによるデータ解析入門より-8つの魔法の習得 -RとRubyによるデータ解析入門より-
8つの魔法の習得 -RとRubyによるデータ解析入門より-
 
Rによる分類木 入門
Rによる分類木 入門Rによる分類木 入門
Rによる分類木 入門
 
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
 
色で失敗しない為に 〜理論に基づく配色フロー〜
色で失敗しない為に 〜理論に基づく配色フロー〜色で失敗しない為に 〜理論に基づく配色フロー〜
色で失敗しない為に 〜理論に基づく配色フロー〜
 

Ähnlich wie 第1回Rを使って統計分析を勉強する会

Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッションYamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション考司 小杉
 
全部Excelでやろうとして後悔するデータ分析
全部Excelでやろうとして後悔するデータ分析全部Excelでやろうとして後悔するデータ分析
全部Excelでやろうとして後悔するデータ分析__john_smith__
 
初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)Masahiro Hayashi
 
初心者講習会資料(Osaka.r#6)
初心者講習会資料(Osaka.r#6)初心者講習会資料(Osaka.r#6)
初心者講習会資料(Osaka.r#6)Masahiro Hayashi
 
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Prunus 1350
 
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと 12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと Haruka Ozaki
 
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案yushin_hirano
 
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016wada, kazumi
 
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門Yuichiro Kobayashi
 
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章Tomonobu_Hirano
 
第3回輪講
第3回輪講第3回輪講
第3回輪講mh_amako
 
03 var array_flow_func
03 var array_flow_func03 var array_flow_func
03 var array_flow_func文樹 高橋
 
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)Shintaro Fukushima
 
Casual learning-machinelearningwithexcelno8
Casual learning-machinelearningwithexcelno8Casual learning-machinelearningwithexcelno8
Casual learning-machinelearningwithexcelno8KazuhiroSato8
 
第一回ゆるふわーる
第一回ゆるふわーる第一回ゆるふわーる
第一回ゆるふわーるSachiko Hirata
 
データベース設計徹底指南
データベース設計徹底指南データベース設計徹底指南
データベース設計徹底指南Mikiya Okuno
 
Lisp Tutorial for Pythonista : Day 3
Lisp Tutorial for Pythonista : Day 3Lisp Tutorial for Pythonista : Day 3
Lisp Tutorial for Pythonista : Day 3Ransui Iso
 
初心者講習会資料(Osaka.R#7)
初心者講習会資料(Osaka.R#7)初心者講習会資料(Osaka.R#7)
初心者講習会資料(Osaka.R#7)Masahiro Hayashi
 

Ähnlich wie 第1回Rを使って統計分析を勉強する会 (20)

Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッションYamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション
 
HiroshimaR4_LT_sakaue
HiroshimaR4_LT_sakaueHiroshimaR4_LT_sakaue
HiroshimaR4_LT_sakaue
 
全部Excelでやろうとして後悔するデータ分析
全部Excelでやろうとして後悔するデータ分析全部Excelでやろうとして後悔するデータ分析
全部Excelでやろうとして後悔するデータ分析
 
初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)初心者講習会資料(Osaka.R#5)
初心者講習会資料(Osaka.R#5)
 
初心者講習会資料(Osaka.r#6)
初心者講習会資料(Osaka.r#6)初心者講習会資料(Osaka.r#6)
初心者講習会資料(Osaka.r#6)
 
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
 
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと 12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
12-11-30 Kashiwa.R #5 初めてのR Rを始める前に知っておきたい10のこと
 
RandExcel
RandExcelRandExcel
RandExcel
 
第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案第一回Data mining勉強会 -第二章 - 原案
第一回Data mining勉強会 -第二章 - 原案
 
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
 
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門
 
第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章第一回Data mining勉強会 -第二章
第一回Data mining勉強会 -第二章
 
第3回輪講
第3回輪講第3回輪講
第3回輪講
 
03 var array_flow_func
03 var array_flow_func03 var array_flow_func
03 var array_flow_func
 
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
 
Casual learning-machinelearningwithexcelno8
Casual learning-machinelearningwithexcelno8Casual learning-machinelearningwithexcelno8
Casual learning-machinelearningwithexcelno8
 
第一回ゆるふわーる
第一回ゆるふわーる第一回ゆるふわーる
第一回ゆるふわーる
 
データベース設計徹底指南
データベース設計徹底指南データベース設計徹底指南
データベース設計徹底指南
 
Lisp Tutorial for Pythonista : Day 3
Lisp Tutorial for Pythonista : Day 3Lisp Tutorial for Pythonista : Day 3
Lisp Tutorial for Pythonista : Day 3
 
初心者講習会資料(Osaka.R#7)
初心者講習会資料(Osaka.R#7)初心者講習会資料(Osaka.R#7)
初心者講習会資料(Osaka.R#7)
 

第1回Rを使って統計分析を勉強する会