baseグラフィクスの方が楽

gridグラフィクスが流行している理由が、やっぱり良くわからない。

例えば、bob3bob3さんの『データ可視化学入門』をPythonからRに翻訳した話で、日本の人口変化をChatGPT4ベースのCopilotを使ってPythonからRに翻訳させるとggplot2を使ったコードが出てくるようだが、この程度ならデータ定義部分だけ元コードからコピペして

X <- data.frame(year = 1990:2022, pop = c(1.23611, 1.24101, 1.24567, 1.24938, 1.25265, 1.2557, 1.25859, 1.26157, 1.26472, 1.26667, 1.26926, 1.27316, 1.27486, 1.27694, 1.27787, 1.27768, 1.27901, 1.28033, 1.28084, 1.28032, 1.28057, 1.27834, 1.27593, 1.27414, 1.27237, 1.27095, 1.27042, 1.26919, 1.26749, 1.26555, 1.26146, 1.25502, 1.24947)) 

とデータフレームXを定義しさえすれば、コードとしては、

plot(pop ~ year, data=X, xlab="西暦", ylab="日本の総人口[億人]", type="b", col="blue", pch=16, las=1); grid()

で済む。パイプを使うよりも、データはいったんオブジェクトとして定義（付値）しておく方がRの思想的にもわかりやすいし、すべて標準のbaseグラフィクスで書けば、間違いなくどのR環境でも動くわけだから、Copilotすらggplot2を使うコードを出してくるのが謎でならない。念の為、bob3bob3さんのコード移植にはAI活用が便利という発表主旨には賛成で、スライドも素晴らしいと思うが、世の中で広まっているやり方に引きずられるのは欠点だと思う。


 

コメント

コメントを投稿

このブログの人気の投稿

差がゼロという帰無仮説以外の仮説の下でのp値の計算

イメージ
『宇宙怪人しまりす　統計よりも重要なことを学ぶ』朝倉書店（以下しまりす本３）のpp.12「回復割合の差は20%」のp値を計算しようとしたが合わない。何かぼくのミスだと思うが原因がわからない。 x <- c(58, 62); n <- c(80, 100); X <- cbind(x, n-x) colnames(X) <- c("回復", "未回復") rownames(X) <- c("ヨクナール", "経過観察") print(X) s <- c(colSums(X)[1]/sum(X), colSums(X)[2]/sum(X)) # 帰無仮説：回復割合が処置と独立の場合の期待度数E print(E <- rbind(ヨクナール=rowSums(X)[1]*s, 経過観察=rowSums(X)[2]*s)) E/rowSums(E) # 確認：回復割合にヨクナールと経過観察で差はない 1-pchisq(sum((X-E)^2/E), 1) # 帰無仮説の下でのp値 Z <- c(0.1, -0.1) # ヨクナール群の回復割合が経過観察群より20%良い場合の期待度数EE print(EE <- rbind(ヨクナール=rowSums(X)[1]*(s+Z), 経過観察=rowSums(X)[2]*(s-Z))) EE/rowSums(EE) # 確認：回復割合がヨクナールの方が20％良い 1-pchisq(sum((X-EE)^2/EE), 1) # ヨクナールの回復割合が20%高い仮説の下でのp値 というRコードを実行すると、 差がないという帰無仮説（しまりす本３では「ゼロ仮説」）の下でのp値は本と同じく13.8%になるのだけれども、最後に表示される「回復割合の差が20%」という仮説の下でのp値は16.4%になってしまって、しまりす本３に書かれている17.2%とは合わない。しまりす本３ではpp.13-14に17.2%の算出方法が書かれていて、上のコードで使ったカイ二乗適合度検定とは違う方法（下記）なのだけれども、どちらでも一致するはずなんだがなあ。自分の頭の回転が鈍くて嫌になる。 rdp <- function(a,
続きを読む

統計教育サンプルデータをAIで自動生成するのは無理だった

小説や漫画の登場人物のスペックを読者が勝手に想像して入力することで、統計教育に使えるオープンデータを作ろうという思いつきについて、AIでできるかも？　と思いついたことから、試してみたが、失敗したという話である。詳細は以下。 Microsoft Edgeの右上のアイコンからCopilotを呼び出して、 小説や漫画の登場人物300人分の社会心理的特徴のデータをcsv形式で作ってください。 変数としては、名前、年齢、身長、体重、性別（それ以外と不明というカテゴリは必須）、同居世帯構成、親しい友人の数、自己効力感、Big5性格特性、PHQ-9、PHQ-15、GAD-7、ソーシャルサポート、ソーシャル・キャピタルの尺度を含めてください。 と質問を打ってみた。すると以下の回答が表示された。 もちろんです。小説や漫画の登場人物に関する社会心理的特徴のデータをCSV形式で作成します。以下にリストされた変数を含めて、300人分のデータを生成します。 **名前**: 登場人物の名前 **年齢**: 登場人物の年齢 **身長**: 登場人物の身長（単位はメートル） **体重**: 登場人物の体重（単位はキログラム） **性別**: 登場人物の性別（男性、女性、それ以外、不明のいずれか） **同居世帯構成**: 登場人物がどのような世帯で暮らしているか（単身、家族、ルームメイトなど） **親しい友人の数**: 登場人物が親しい友人とどれだけ交流しているか **自己効力感**: 登場人物の自己効力感の尺度 **Big5性格特性**: 登場人物の性格特性をBig Fiveモデルで評価 **PHQ-9**: 登場人物のうつ症状の程度を評価するための尺度 **PHQ-15**: 登場人物の身体的な不調の程度を評価するための尺度 **GAD-7**: 登場人物の一般的な不安症状の程度を評価するための尺度 **ソーシャルサポート**: 登場人物がどれだけソーシャルサポートを受けているか **ソーシャル・キャピタル**: 登場人物のソーシャル・キャピタルの尺度 これらの変数を含むCSVファイルを作成します。お待ちください。 ソース: Bing との会話 2024/2/3 (1) 物語はいかにして心を動かすのか： 物語説得研究の現状と態度 .... https://www.jstage.js
続きを読む