coding-r

目的

このスキルを使うと、tidyverse や ggplot2 などのパッケージを使用して、データ操作、可視化、分析に関する R プログラミングタスクを実行できます。データフレーム、統計モデリング、RMarkdown レポート、Shiny アプリ、パッケージ開発に重点を置いています。

使用する場面

• データセットのクリーニングや変換など、データフレームを使って表形式のデータを扱う場合。
• 散布図やヒストグラムなど、ggplot2 で可視化を作成する場合。
• データセットで線形回帰を行うなど、統計モデリングを実施する場合。
• Shiny でインタラクティブなアプリを構築したり、RMarkdown でレポートを生成したりする場合。
• カスタムのデータサイエンスワークフロー向けに R パッケージを開発または拡張する場合。

主な機能

• tidyverse の関数（例：フィルタリングや変数の変更に使う dplyr）を使ってデータフレームを操作します。
• レイヤー、テーマ、ファセットを含む ggplot2 のプロットを生成します。
• base R や、回帰分析に使う lm() などのパッケージで統計モデリングを行います。
• コードチャンクや出力を含む、再現可能なレポート用の RMarkdown ドキュメントを作成します。
• インタラクティブなダッシュボード向けの Shiny アプリを開発し、devtools を使ってパッケージを開発します。
• CSV の読み込みやデータベースへの接続など、データサイエンスのパイプラインと連携します。

使用パターン

エージェントのコマンドでは、R コードの前に必ずスキル ID「coding-r」を付けます。例：「coding-r を使ってデータを読み込み、プロットしてください」。応答ではコードブロックを使って呼び出し、スクリプトが単独で実行できるようにします。複数ステップのタスクは関数に分割します。まずライブラリを読み込み、次にデータを処理し、最後に結果を出力します。複雑なワークフローには R スクリプト（.R ファイル）を使い、source("script.R") で呼び出します。パッケージの API キーなど、環境変数が必要な場合は、コードを実行する前に Sys.setenv(API_KEY = "$MY_API_KEY") のように設定します。

主なコマンド/API

• tidyverse の読み込み：library(tidyverse) に続けて、df <- read_csv("data.csv") %>% filter(column > 10) を実行します。
• ggplot の作成：library(ggplot2); ggplot(df, aes(x=var1, y=var2)) + geom_point() + theme_minimal()。
• 統計モデリング：model <- lm(y ~ x, data=df); summary(model)。
• RMarkdown の基本：.Rmd ファイルの先頭に --- title: "Report" output: html_document --- を記述し、続けて {r} print(summary(df)) のようなコードチャンクを追加します。
• Shiny アプリのひな形：library(shiny); ui <- fluidPage(); server <- function(input, output) {}; shinyApp(ui, server)。
• パッケージ開発：devtools::create("mypackage") で初期化し、続けて R/ フォルダーに関数を追加します。

統合に関する注意

rpy2 で Python に埋め込む（例：import rpy2.robjects as robjects; robjects.r('library(tidyverse)')）、または reticulate で Python と R を連携させることで、R コードをより大きなワークフローに統合できます。ウェブサービスでは、Shiny アプリを Shiny Server または shinyapps.io にデプロイし、認証用の $SHINY_API_KEY などの環境変数を設定します。パラメーターには設定ファイル（例：YAML）を使用します。config.yml を作成して api_key: $MY_API_KEY を記述し、R で yaml::yaml.load_file("config.yml") を使って読み込みます。R のバージョン互換性（例：>=4.0）を確認し、実行前に install.packages(c("tidyverse", "ggplot2")) で依存関係をインストールします。

エラー処理

堅牢なコードには tryCatch() を使います。例：tryCatch({ result <- lm(y ~ x, data=df) }, error = function(e) print(paste("Error:", e)))。if (!require(tidyverse)) install.packages("tidyverse") で、必要なパッケージが不足していないか確認します。NA 値などのデータの問題は、処理の前に df <- df %>% drop_na() のように対処します。Shiny では shiny::runApp(launch.browser=TRUE) でデバッグし、options(shiny.error = recover) でエラーをログに記録します。入力は必ず検証します。例：if (is.null(df)) stop("Data frame is missing")。API 呼び出し（例：httr パッケージ）が失敗した場合は、httr::RETRY("GET", url, times=3) で再試行します。

具体的な使用例

1. データ分析とプロット：CSV ファイルを分析して散布図を作成するには、次を使用します：library(tidyverse); library(ggplot2); df <- read_csv("data.csv"); ggplot(df, aes(x=age, y=income)) + geom_point() + labs(title="Age vs Income")。データを読み込み、必要に応じてフィルタリングし、プロットを出力します。

2. RMarkdown での統計モデリング：回帰レポートを作成するには、RMarkdown ファイルを作成します：--- output: html_document --- # Analysis ````{r} library(tidyverse); model <- lm(sales ~ advertising, data=df); summary(model) `````。rmarkdown::render("report.Rmd")` でレンダリングすると、結果を含む HTML 出力が生成されます。

グラフの関連性

• 関連：ID: coding-python（統合ワークフロー向けのデータサイエンスクラスターを共有）
• 関連：ID: coding-julia（統計モデリングとデータ分析で重複）
• タグ経由で接続：「statistics」は data-analysis などの他のスキルと、「coding」クラスターは一般的なプログラミングツールと接続