23  表の作成

　記述統計や推定結果を示す場合は図表が用いられることが多い。図に関しては{ggplot2}が最もポピュラーなパッケージである（Base Rもまた根強い人気を誇る）。一方、表の場合、現時点において2つの選択肢がある1。一つはこれまで長らく使われてきた{knitr}パッケージのkable()（= kbl()）と{kabelExtra}パッケージの組み合わせ、もう一つが近年注目を集めている{gt}パッケージだ。

　{gt}はGrammar of Tablesの略であり、Grammar of Graphicsの具現化した{ggplot2}の影響を受けたものである。つまり、一つの表を独立した要素に分解し、それぞれのレイヤーを重ねていくイメージだ。{ggplot2}の考え方（\(\neq\)使い方）に慣れている読者なら{gt}にもすぐ慣れるだろう。ただし、{gt}は開発途上であり、PDF出力との相性が現在 (2024年03月26日; {gt} 0.10.1)、優れているとはいい難い。表をPDF形式に出力したいのであれば{knitr}のkable() + {kableExtra}を推奨する。また、{gt}単体での機能はkable() + {kableExtra}より貧弱ではあったものの、現在は{gtExtras}の登場により、ほぼ同じことが行えるようになった。

　ここではRStudio社が開発をサポートしている{gt}パッケージについて簡単に解説する2。また、どのパッケージもHTML出力とLaTeX出力両方に対応しているが、ここではHTML出力のみ紹介する。ただし、LaTeX出力に関しては引数の追加などで簡単にできるため、詳細は各パッケージの公式ページやヴィネット等を参考されたい。

　それではまず、実習に使用するパッケージとデータを読み込でおこう。

pacman::p_load(tidyverse, gt, gtExtras, DT)

df1 <- read_csv("Data/countries_desc1.csv")
df2 <- read_csv("Data/countries_desc2.csv")
df3 <- read_csv("Data/countries_desc3.csv")
df4 <- read_csv("Data/countries_ppp.csv")
df5 <- read_csv("Data/package_download.csv")
df1
# A tibble: 7 × 6
  Variable         Mean      SD        Min      Max   Obs
  <chr>           <dbl>   <dbl>      <dbl>    <dbl> <dbl>
1 Population     41.7   151.      0.000801 1447.      186
2 Area           69.6   187.      0        1638.      186
3 GDP_per_capita  1.62    2.57    0.00577    18.3     185
4 PPP_per_capita  2.08    2.10    0.0733     11.3     178
5 HDI_2018        0.713   0.153   0.377       0.954   180
6 Polity_Score    4.26    6.10  -10          10       158
7 FH_Total       57.7    29.9     0         100       185
df2
# A tibble: 35 × 7
   Continent Variable          Mean      SD      Min     Max   Obs
   <chr>     <chr>            <dbl>   <dbl>    <dbl>   <dbl> <dbl>
 1 Africa    Population      24.6    35.9    0.0983  206.       54
 2 Africa    Area            54.4    59.2    0.046   238.       54
 3 Africa    GDP_per_capita   0.251   0.313  0.00577   1.73     54
 4 Africa    PPP_per_capita   0.567   0.602  0.0733    2.78     52
 5 Africa    HDI_2018         0.553   0.109  0.377     0.801    53
 6 Africa    Polity_Score     2.48    5.00  -9        10        48
 7 Africa    FH_Total        41.6    25.1    2        92        54
 8 America   Population      28.7    66.3    0.0532  334.       36
 9 America   Area           108.    246.     0.026   916.       36
10 America   GDP_per_capita   1.25    1.27   0.0745    6.44     36
# ℹ 25 more rows
df3
# A tibble: 5 × 8
  Continent Population  Area   GDP   PPP   HDI Polity    FH
  <chr>          <dbl> <dbl> <dbl> <dbl> <dbl>  <dbl> <dbl>
1 Africa          24.6  54.4 0.251 0.567 0.553  2.48   41.6
2 America         28.7 108.  1.25  1.81  0.742  6.93   71.9
3 Asia           107.   70.2 1.32  2.27  0.723  0.342  38.9
4 Europe          17.1  46.5 3.56  3.78  0.861  7.93   79.4
5 Oceania         10.0 210.  2.66  2.76  0.782  7.25   79  
df4
# A tibble: 178 × 3
   Country             Continent PPP_per_capita
   <chr>               <chr>              <dbl>
 1 Afghanistan         Asia               2125.
 2 Albania             Europe            13781.
 3 Algeria             Africa            11324.
 4 Angola              Africa             6649.
 5 Antigua and Barbuda America           21267.
 6 Argentina           America           22938.
 7 Armenia             Europe            12974.
 8 Australia           Oceania           50001.
 9 Austria             Europe            55824.
10 Azerbaijan          Europe            14257.
# ℹ 168 more rows
df5
# A tibble: 6 × 3
  Name      Hex                                                                             Download
  <chr>     <chr>                                                                              <dbl>
1 dplyr     https://github.com/rstudio/hex-stickers/blob/main/thumbs/dplyr.png?raw=true        35720
2 quarto    https://github.com/rstudio/hex-stickers/blob/main/thumbs/quarto.png?raw=true         171
3 ggplot2   https://github.com/rstudio/hex-stickers/blob/main/thumbs/ggplot2.png?raw=true      44403
4 shiny     https://github.com/rstudio/hex-stickers/blob/main/thumbs/shiny.png?raw=true        10795
5 rmarkdown https://github.com/rstudio/hex-stickers/blob/main/thumbs/rmarkdown.png?raw=true    23038
6 tidyverse https://github.com/rstudio/hex-stickers/blob/main/thumbs/tidyverse.png?raw=true    39094

23.1 表の出力

　{gt}では、表がタイトル、列ラベル、ホディ―などの要素で構成されている考え（ 図 23.1 ）、それぞれの要素を追加したり、修正する形で表を作成する。

図 23.1: {gt}テーブルの構成要素

　まず、これまで使ってきたdf1を使ってHTML形式の表を出力してみよう。使用する関数はgt()であり、data.frameまたはtibbleオブジェクト名が第1引数である。

df1 |>
    gt()
Variable Mean SD Min Max Obs
Population 41.7377735 151.2702976 0.000801000 1447.47009 186
Area 69.6069247 187.2412489 0.000000000 1637.68700 186
GDP_per_capita 1.6158103 2.5710359 0.005770007 18.31772 185
PPP_per_capita 2.0833383 2.0992134 0.073314173 11.34231 178
HDI_2018 0.7134833 0.1528503 0.377000000 0.95400 180
Polity_Score 4.2594937 6.1022919 -10.000000000 10.00000 158
FH_Total 57.7135135 29.8656244 0.000000000 100.00000 185

23.2 列の操作

　これだけでも十分に綺麗な表が出来上がった。それではこちらの表を少しずつ修正してみよう。まず、Mean列からMax列だが、これを小数点3桁で丸めてみよう。これらの数字は 図 23.1 のTable Bodyに該当する。このTable Bodyのフォーマットに関わる調整はfmt_*()関数を使用する。Mean列からMax列までの数値に関する調整はfmt_number()関数を使用する。gt()で作成された表オブジェクトをそのままfmt_number()に渡し、columns引数で何列に当該内容を適用するかを指定する。たとえば、Mean列からMax列までは2〜5列目に相当するのでcolumns = 2:5、またはcolumns = c(2, 3, 4, 5)で良い。続いて、小数点の桁数を指定するdecimalsに3を指定してみよう。

df1 |>
    gt() |>
    fmt_number(columns = 2:5, decimals = 3)
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　columnsは列の番号じゃなく、列名そのままでも指定できる。

df1 |>
    gt() |>
    fmt_number(columns = c("Mean", "SD", "Min", "Max"), decimals = 3)
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　列名の変更はcols_lable()レイヤーで行う。()内には"元の列名" = "新しい列名"のように記述する。{knitr} + {kableExtra}のkable()（kbl()）は全ての列に対して列名を指定しないといけなかったが（つまり、変更したくない列も一応、指定が必要）、{gt}だと変更したい列のみ指定しても良いといったメリットがある。

df1 |>
    gt() |>
    fmt_number(columns = 2:5, decimals = 3) |>
    cols_label("Variable" = "変数", "Mean" = "平均値", "SD" = "標準偏差",
               "Min" = "最小値", "Max" = "最大値", "Obs" = "有効ケース数")
変数 平均値 標準偏差 最小値 最大値 有効ケース数
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　もう一つ見たいこところは、各セル内のテキストの揃えだ。たとえば、文字型列のVariableは左揃え、数値型列であるその他の列は右揃えになっている。これはこのままで問題ない。しかし、どうしても特定の列を中央揃えしたい時もあるだろう。その場合、cols_align()レイヤーで修正することができる。たとえば、Variable列の値を中央揃えに変えてみよう。引数はalignで"left"、"center"、"right"のいずれかを、columnsには適用したい列の番号、または列名を指定する。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  cols_align(align = "center", columns = 1) # columns = Variable でもOK
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　また、各列のラベル（図 23.1 のcolumn labels）の位置も表のボディー（図 23.1 のtable body）に連動する。もし、列ラベルのみ中央揃えにしたい場合はtab_style()レイヤーを使用する。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_style(style     = cell_text(align = "center"),
            locations = cells_column_labels())
1
セル内のテキストを中央揃えにする。
2
列ラベルのみに適用
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　また、HTMLのCSSによって異なるが、{gt}で作成された表の幅がページの幅に強制的に調整される場合がある。本書はQuartoで執筆されているが、まさにそのケースである）。この場合は、as_raw_html()を使えば良い。一つ注意すべき点はas_raw_html()は必ず最後のレイヤーにする必要がある。as_raw_html()の後ろにレイヤーが足される場合はエラーが発生する。

df1 |>
    gt() |>
    fmt_number(columns = 2:5, decimals = 3) |>
    as_raw_html()

　このas_raw_html()は必要に応じて入れる。R Markdown/Quartoを使わない場合はそもそも不要だ（RStudioのViewerペインでは問題なく表示される）。もし、R Markdown/Quartoで{gt}を使用し、表の幅が気に入らない場合のみ使うことにしよう。ちなみに本書はas_raw_html()を省略しても表の幅がページ幅に強制調整されないように設定されている。

23.3 タイトル・フットノート

　表のタイトルおよびサブタイトルはtab_header()関数のtitleとsubtitle引数で指定できる。また、表の下段に位置するフットノート（footnote）とソースノート（source note）は別の関数に対応し、それぞれtab_footnote()とtab_source_note()を使う。使用する引数はそれぞれfootnoteとsource_noteであるが、第1引数であるため、省略可能だ。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_header(title = "タイトル", subtitle = "サブタイトル") |>
  tab_footnote(footnote = "注: ここにはフットノートが入る") |>
  tab_source_note(source_note = "出典: 『私たちのR』")
タイトル
サブタイトル
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185
出典: 『私たちのR』
注: ここにはフットノートが入る

　ちなみに、tab_footnote()やtab_source_note()は複数回使用することで複数行にすることができる。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_header(title = "タイトル", subtitle = "サブタイトル") |>
  tab_footnote(footnote = "注1: ここにはフットノート1が入る") |>
  tab_footnote(footnote = "注2: ここにはフットノート2が入る") |>
  tab_source_note(source_note = "出典: 『私たちのR』")
タイトル
サブタイトル
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185
出典: 『私たちのR』
注1: ここにはフットノート1が入る
注2: ここにはフットノート2が入る

　また、タイトルやフットノートに限定された機能ではないが、テキストはMarkdownやHTML文法で書くこともできる。たとえば、上記のコードの『私たちのR』にリンクを貼る場合、Markdown文法だと"『[私たちのR](https://www.jaysong.net/RBook/)』"となるが、このままではうまくいかない。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_header(title = "タイトル", subtitle = "サブタイトル") |>
  tab_footnote(footnote = "注1: ここにはフットノート1が入る") |>
  tab_footnote(footnote = "注2: ここにはフットノート2が入る") |>
  tab_source_note(source_note = "出典: 『[私たちのR](https://www.jaysong.net/RBook/)』")
タイトル
サブタイトル
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185
出典: 『[私たちのR](https://www.jaysong.net/RBook/)』
注1: ここにはフットノート1が入る
注2: ここにはフットノート2が入る

　Markdown文法を使う場合は、文字列をmd()関数内で指定することでMarkdown文として解釈されるようになる。

df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_header(title = "タイトル", subtitle = "サブタイトル") |>
  tab_footnote(footnote = "注1: ここにはフットノート1が入る") |>
  tab_footnote(footnote = "注2: ここにはフットノート2が入る") |>
  tab_source_note(source_note = md("出典: 『[私たちのR](https://www.jaysong.net/RBook/)』"))
タイトル
サブタイトル
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185
出典: 『私たちのR』
注1: ここにはフットノート1が入る
注2: ここにはフットノート2が入る

23.4 グループ化

　列をグループ化するためにはtab_spanner()関数を使う。columns引数にはグループ化する列の位置、もしくは名前を、labelにはグループ名を指定すれば良い。たとえば、df1を使う場合、MinとMax列を一つのグループとしてRangeと名付けるとしよう。columnsは列の番号でも、列名でも良い。

df1 |>
    gt() |>
    tab_spanner(columns = 4:5, label = "Range") |>
    fmt_number(columns = 2:5, decimals = 3)
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　続いて、行をグループ化する方法について紹介する。まず、df2の中身を確認してみよう。

df2 |>
    gt()
Continent Variable Mean SD Min Max Obs
Africa Population 24.5609472 35.90062114 0.098347000 206.139589 54
Africa Area 54.4435111 59.21810613 0.046000000 238.174000 54
Africa GDP_per_capita 0.2514072 0.31334566 0.005770007 1.727394 54
Africa PPP_per_capita 0.5667087 0.60151933 0.073314173 2.778814 52
Africa HDI_2018 0.5532642 0.10889924 0.377000000 0.801000 53
Africa Polity_Score 2.4791667 5.00208290 -9.000000000 10.000000 48
Africa FH_Total 41.5740741 25.12955251 2.000000000 92.000000 54
America Population 28.7362271 66.28460983 0.053199000 334.308644 36
America Area 108.1607833 245.85173673 0.026000000 915.802000 36
America GDP_per_capita 1.2526519 1.27016543 0.074535927 6.444591 36
America PPP_per_capita 1.8100292 1.26006234 0.176587508 6.178997 35
America HDI_2018 0.7424722 0.09094975 0.466000000 0.922000 36
America Polity_Score 6.9259259 3.59407553 -5.000000000 10.000000 27
America FH_Total 71.9166667 22.42750225 14.000000000 98.000000 36
Asia Population 107.3001606 301.72686527 0.437479000 1447.470092 42
Asia Area 70.1983405 155.92487158 0.030000000 938.929100 42
Asia GDP_per_capita 1.3167525 1.70584531 0.049067972 6.368026 42
Asia PPP_per_capita 2.2728133 2.40667620 0.139610508 9.525177 41
Asia HDI_2018 0.7228537 0.12010715 0.463000000 0.935000 41
Asia Polity_Score 0.3421053 7.48431266 -10.000000000 10.000000 38
Asia FH_Total 38.9285714 25.15453977 0.000000000 96.000000 42
Europe Population 17.1127533 29.05674254 0.000801000 145.934462 50
Europe Area 46.4618980 230.34717622 0.000000000 1637.687000 50
Europe GDP_per_capita 3.5575266 3.86463361 0.296369600 18.317721 49
Europe PPP_per_capita 3.7782593 2.12763785 0.842873869 11.342306 46
Europe HDI_2018 0.8611304 0.06306914 0.711000000 0.954000 46
Europe Polity_Score 7.9268293 4.23314448 -7.000000000 10.000000 41
Europe FH_Total 79.4285714 22.70187217 10.000000000 100.000000 49
Oceania Population 10.0465332 10.81385119 0.896445000 25.499884 4
Oceania Area 210.4312500 372.29122053 1.827000000 768.230000 4
Oceania GDP_per_capita 2.6577585 2.60067976 0.279082855 5.461517 4
Oceania PPP_per_capita 2.7572651 2.19837188 0.417111768 5.000127 4
Oceania HDI_2018 0.7815000 0.18631604 0.543000000 0.938000 4
Oceania Polity_Score 7.2500000 3.20156212 4.000000000 10.000000 4
Oceania FH_Total 79.0000000 20.80064102 60.000000000 97.000000 4

　各大陸ごとの人口、面積などの情報が含まれている表であるが、これらを大陸単位で行をグループ化してみよう。方法は簡単だ。{dplyr}のようにgt()関数に渡す前に、group_by()でデータをグループ化すれば良い。今回はContinent列の値に基づいてグループ化するため、group_by(Continent)とする。

df2 |>
    group_by(Continent) |>
    gt()
Variable Mean SD Min Max Obs
Africa
Population 24.5609472 35.90062114 0.098347000 206.139589 54
Area 54.4435111 59.21810613 0.046000000 238.174000 54
GDP_per_capita 0.2514072 0.31334566 0.005770007 1.727394 54
PPP_per_capita 0.5667087 0.60151933 0.073314173 2.778814 52
HDI_2018 0.5532642 0.10889924 0.377000000 0.801000 53
Polity_Score 2.4791667 5.00208290 -9.000000000 10.000000 48
FH_Total 41.5740741 25.12955251 2.000000000 92.000000 54
America
Population 28.7362271 66.28460983 0.053199000 334.308644 36
Area 108.1607833 245.85173673 0.026000000 915.802000 36
GDP_per_capita 1.2526519 1.27016543 0.074535927 6.444591 36
PPP_per_capita 1.8100292 1.26006234 0.176587508 6.178997 35
HDI_2018 0.7424722 0.09094975 0.466000000 0.922000 36
Polity_Score 6.9259259 3.59407553 -5.000000000 10.000000 27
FH_Total 71.9166667 22.42750225 14.000000000 98.000000 36
Asia
Population 107.3001606 301.72686527 0.437479000 1447.470092 42
Area 70.1983405 155.92487158 0.030000000 938.929100 42
GDP_per_capita 1.3167525 1.70584531 0.049067972 6.368026 42
PPP_per_capita 2.2728133 2.40667620 0.139610508 9.525177 41
HDI_2018 0.7228537 0.12010715 0.463000000 0.935000 41
Polity_Score 0.3421053 7.48431266 -10.000000000 10.000000 38
FH_Total 38.9285714 25.15453977 0.000000000 96.000000 42
Europe
Population 17.1127533 29.05674254 0.000801000 145.934462 50
Area 46.4618980 230.34717622 0.000000000 1637.687000 50
GDP_per_capita 3.5575266 3.86463361 0.296369600 18.317721 49
PPP_per_capita 3.7782593 2.12763785 0.842873869 11.342306 46
HDI_2018 0.8611304 0.06306914 0.711000000 0.954000 46
Polity_Score 7.9268293 4.23314448 -7.000000000 10.000000 41
FH_Total 79.4285714 22.70187217 10.000000000 100.000000 49
Oceania
Population 10.0465332 10.81385119 0.896445000 25.499884 4
Area 210.4312500 372.29122053 1.827000000 768.230000 4
GDP_per_capita 2.6577585 2.60067976 0.279082855 5.461517 4
PPP_per_capita 2.7572651 2.19837188 0.417111768 5.000127 4
HDI_2018 0.7815000 0.18631604 0.543000000 0.938000 4
Polity_Score 7.2500000 3.20156212 4.000000000 10.000000 4
FH_Total 79.0000000 20.80064102 60.000000000 97.000000 4

　このようにグループ化することができる。引き続きMean列からMax列までの値を小数点3桁目で丸めてみよう。MeanとMax列の位置は2、5列目であるかのように見える。とりあえずやってみよう。

df2 |>
    group_by(Continent) |>
    gt() |>
    fmt_number(columns = 2:5, decimals = 3)
Variable Mean SD Min Max Obs
Africa
Population 24.561 35.901 0.098 206.139589 54
Area 54.444 59.218 0.046 238.174000 54
GDP_per_capita 0.251 0.313 0.006 1.727394 54
PPP_per_capita 0.567 0.602 0.073 2.778814 52
HDI_2018 0.553 0.109 0.377 0.801000 53
Polity_Score 2.479 5.002 −9.000 10.000000 48
FH_Total 41.574 25.130 2.000 92.000000 54
America
Population 28.736 66.285 0.053 334.308644 36
Area 108.161 245.852 0.026 915.802000 36
GDP_per_capita 1.253 1.270 0.075 6.444591 36
PPP_per_capita 1.810 1.260 0.177 6.178997 35
HDI_2018 0.742 0.091 0.466 0.922000 36
Polity_Score 6.926 3.594 −5.000 10.000000 27
FH_Total 71.917 22.428 14.000 98.000000 36
Asia
Population 107.300 301.727 0.437 1447.470092 42
Area 70.198 155.925 0.030 938.929100 42
GDP_per_capita 1.317 1.706 0.049 6.368026 42
PPP_per_capita 2.273 2.407 0.140 9.525177 41
HDI_2018 0.723 0.120 0.463 0.935000 41
Polity_Score 0.342 7.484 −10.000 10.000000 38
FH_Total 38.929 25.155 0.000 96.000000 42
Europe
Population 17.113 29.057 0.001 145.934462 50
Area 46.462 230.347 0.000 1637.687000 50
GDP_per_capita 3.558 3.865 0.296 18.317721 49
PPP_per_capita 3.778 2.128 0.843 11.342306 46
HDI_2018 0.861 0.063 0.711 0.954000 46
Polity_Score 7.927 4.233 −7.000 10.000000 41
FH_Total 79.429 22.702 10.000 100.000000 49
Oceania
Population 10.047 10.814 0.896 25.499884 4
Area 210.431 372.291 1.827 768.230000 4
GDP_per_capita 2.658 2.601 0.279 5.461517 4
PPP_per_capita 2.757 2.198 0.417 5.000127 4
HDI_2018 0.781 0.186 0.543 0.938000 4
Polity_Score 7.250 3.202 4.000 10.000000 4
FH_Total 79.000 20.801 60.000 97.000000 4

　このようにエラーが表示される。なぜだろう。それはグルーピングに使用された変数も1つの列としてカウントされるからだ。つまり、グルーピングに使用されたContinent列は列としては見えないものの、1列目として存在する。したがって、目に見える列番号に1を足す必要がある。それではグルーピングあと、Mean列からMax列までは小数点3桁目で丸め、Min列とMax列はRangeという名でグルーピングしてみよう。

df2 |>
    group_by(Continent) |>
    gt() |>
    tab_spanner(columns = 5:6, label = "Range") |>
    fmt_number(columns = 3:6, decimals = 3)
Variable Mean SD Range Obs
Min Max
Africa
Population 24.561 35.901 0.098 206.140 54
Area 54.444 59.218 0.046 238.174 54
GDP_per_capita 0.251 0.313 0.006 1.727 54
PPP_per_capita 0.567 0.602 0.073 2.779 52
HDI_2018 0.553 0.109 0.377 0.801 53
Polity_Score 2.479 5.002 −9.000 10.000 48
FH_Total 41.574 25.130 2.000 92.000 54
America
Population 28.736 66.285 0.053 334.309 36
Area 108.161 245.852 0.026 915.802 36
GDP_per_capita 1.253 1.270 0.075 6.445 36
PPP_per_capita 1.810 1.260 0.177 6.179 35
HDI_2018 0.742 0.091 0.466 0.922 36
Polity_Score 6.926 3.594 −5.000 10.000 27
FH_Total 71.917 22.428 14.000 98.000 36
Asia
Population 107.300 301.727 0.437 1,447.470 42
Area 70.198 155.925 0.030 938.929 42
GDP_per_capita 1.317 1.706 0.049 6.368 42
PPP_per_capita 2.273 2.407 0.140 9.525 41
HDI_2018 0.723 0.120 0.463 0.935 41
Polity_Score 0.342 7.484 −10.000 10.000 38
FH_Total 38.929 25.155 0.000 96.000 42
Europe
Population 17.113 29.057 0.001 145.934 50
Area 46.462 230.347 0.000 1,637.687 50
GDP_per_capita 3.558 3.865 0.296 18.318 49
PPP_per_capita 3.778 2.128 0.843 11.342 46
HDI_2018 0.861 0.063 0.711 0.954 46
Polity_Score 7.927 4.233 −7.000 10.000 41
FH_Total 79.429 22.702 10.000 100.000 49
Oceania
Population 10.047 10.814 0.896 25.500 4
Area 210.431 372.291 1.827 768.230 4
GDP_per_capita 2.658 2.601 0.279 5.462 4
PPP_per_capita 2.757 2.198 0.417 5.000 4
HDI_2018 0.781 0.186 0.543 0.938 4
Polity_Score 7.250 3.202 4.000 10.000 4
FH_Total 79.000 20.801 60.000 97.000 4

　ややこしい話であるが、列を番号でなく、列名で指定すると、このような混乱を避けることができる。列の指定方法は好みの問題でもあるので、好きなやり方を使おう。

df2 |>
    group_by(Continent) |>
    gt() |>
    tab_spanner(columns = Min:Max, label = "Range") |>
    fmt_number(columns = Mean:Max, decimals = 3)
Variable Mean SD Range Obs
Min Max
Africa
Population 24.561 35.901 0.098 206.140 54
Area 54.444 59.218 0.046 238.174 54
GDP_per_capita 0.251 0.313 0.006 1.727 54
PPP_per_capita 0.567 0.602 0.073 2.779 52
HDI_2018 0.553 0.109 0.377 0.801 53
Polity_Score 2.479 5.002 −9.000 10.000 48
FH_Total 41.574 25.130 2.000 92.000 54
America
Population 28.736 66.285 0.053 334.309 36
Area 108.161 245.852 0.026 915.802 36
GDP_per_capita 1.253 1.270 0.075 6.445 36
PPP_per_capita 1.810 1.260 0.177 6.179 35
HDI_2018 0.742 0.091 0.466 0.922 36
Polity_Score 6.926 3.594 −5.000 10.000 27
FH_Total 71.917 22.428 14.000 98.000 36
Asia
Population 107.300 301.727 0.437 1,447.470 42
Area 70.198 155.925 0.030 938.929 42
GDP_per_capita 1.317 1.706 0.049 6.368 42
PPP_per_capita 2.273 2.407 0.140 9.525 41
HDI_2018 0.723 0.120 0.463 0.935 41
Polity_Score 0.342 7.484 −10.000 10.000 38
FH_Total 38.929 25.155 0.000 96.000 42
Europe
Population 17.113 29.057 0.001 145.934 50
Area 46.462 230.347 0.000 1,637.687 50
GDP_per_capita 3.558 3.865 0.296 18.318 49
PPP_per_capita 3.778 2.128 0.843 11.342 46
HDI_2018 0.861 0.063 0.711 0.954 46
Polity_Score 7.927 4.233 −7.000 10.000 41
FH_Total 79.429 22.702 10.000 100.000 49
Oceania
Population 10.047 10.814 0.896 25.500 4
Area 210.431 372.291 1.827 768.230 4
GDP_per_capita 2.658 2.601 0.279 5.462 4
PPP_per_capita 2.757 2.198 0.417 5.000 4
HDI_2018 0.781 0.186 0.543 0.938 4
Polity_Score 7.250 3.202 4.000 10.000 4
FH_Total 79.000 20.801 60.000 97.000 4

　最後に、グルーピングとは関係ないものの、行の名前を指定する方法について説明する。それはgt()で表を作成する際、行の名前にしたい列名をrowname_colで指定すれば良い。たとえば、Variable列を行の名前にしてみよう。

df2 |>
    group_by(Continent) |>
    gt(rowname_col = "Variable") |>
    tab_spanner(columns = 5:6, label = "Range") |>
    fmt_number(columns = 3:6, decimals = 3)
Mean SD Range Obs
Min Max
Africa
Population 24.561 35.901 0.098 206.140 54
Area 54.444 59.218 0.046 238.174 54
GDP_per_capita 0.251 0.313 0.006 1.727 54
PPP_per_capita 0.567 0.602 0.073 2.779 52
HDI_2018 0.553 0.109 0.377 0.801 53
Polity_Score 2.479 5.002 −9.000 10.000 48
FH_Total 41.574 25.130 2.000 92.000 54
America
Population 28.736 66.285 0.053 334.309 36
Area 108.161 245.852 0.026 915.802 36
GDP_per_capita 1.253 1.270 0.075 6.445 36
PPP_per_capita 1.810 1.260 0.177 6.179 35
HDI_2018 0.742 0.091 0.466 0.922 36
Polity_Score 6.926 3.594 −5.000 10.000 27
FH_Total 71.917 22.428 14.000 98.000 36
Asia
Population 107.300 301.727 0.437 1,447.470 42
Area 70.198 155.925 0.030 938.929 42
GDP_per_capita 1.317 1.706 0.049 6.368 42
PPP_per_capita 2.273 2.407 0.140 9.525 41
HDI_2018 0.723 0.120 0.463 0.935 41
Polity_Score 0.342 7.484 −10.000 10.000 38
FH_Total 38.929 25.155 0.000 96.000 42
Europe
Population 17.113 29.057 0.001 145.934 50
Area 46.462 230.347 0.000 1,637.687 50
GDP_per_capita 3.558 3.865 0.296 18.318 49
PPP_per_capita 3.778 2.128 0.843 11.342 46
HDI_2018 0.861 0.063 0.711 0.954 46
Polity_Score 7.927 4.233 −7.000 10.000 41
FH_Total 79.429 22.702 10.000 100.000 49
Oceania
Population 10.047 10.814 0.896 25.500 4
Area 210.431 372.291 1.827 768.230 4
GDP_per_capita 2.658 2.601 0.279 5.462 4
PPP_per_capita 2.757 2.198 0.417 5.000 4
HDI_2018 0.781 0.186 0.543 0.938 4
Polity_Score 7.250 3.202 4.000 10.000 4
FH_Total 79.000 20.801 60.000 97.000 4

　表としては同じ表であるが、Variable列の右側に垂直線が出力される。ちなみにこれによって、列番号がずれることはないので安心しよう。

23.5 セルの色分け

23.5.1 行・列のハイライト

　続いて、セルを色塗りする方法を紹介する。まず、gt()を使用し、df3の表を作成し、Population列からFH列までの値を小数点3桁までにする。作成した表はdf3_tblという名で格納し、出力してみよう。

df3_tbl <- df3 |>
  gt() |>
  fmt_number(columns = Population:FH, decimals = 3)

df3_tbl
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　まずは、特定の行を色塗りする方法を紹介する。使用する関数はdata_color()関数である。rows引数でハイライトしたい行の位置を指定する。たとえば、3行目をハイライトしたい場合はrows = 3とする。

df3_tbl |>
  data_color(rows = 3)
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　ハイライトの色はpalette引数で指定できる。

df3_tbl |>
  data_color(rows = 3, palette = "royalblue")
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　また、rows引数は行の番号でなく、条件式を使うこともできる。たとえば、HDI列の値が0.75以上の行をハイライトしたい場合はrows = (HID >= 0.75)のように指定する。()はなくても良いが、可読性が落ちるので入れておこう。複数の行をハイライトする目的でdata_color()を使う場合、palette引数で色を必ず指定する。後ほど紹介するが、実はdata_color()はセルの値に応じて色が変わる。palette引数はその色のバリエーションを指定する関数だが、特定の色（"red"とか"#000000"など）を指定するとすべてのセルがその色に固定される。ここでは特定の行をハイライトするだけなので、palette = "色"で色を固定しよう。

df3_tbl |>
  data_color(rows = (HDI >= 0.75), palette = "royalblue")
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　続いて列のハイライト方法を紹介する。ここでも同じくdata_color()を使用する。ただし、列を指定する引数がrowsでなく、columnsであることに注意すること。また、columns実引数として条件式は使用できない。以下はdf3_tblのPolity列からFH列までを"#ACB3CC"色にハイライトした例である。

df3_tbl |>
  data_color(columns = Polity:FH, palette = "#ACB3CC")
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

23.5.2 セルの色分け

　以上の例は「行」と「列」のハイライトであった。ここでは「セル」に注目する。セルの色塗りには2つのケースがある。1つ目は特定のセルをハイライトすることであり、2つ目は値に応じて色分けをすることである。まず、特定のセルを強調したい場合はdata_color()関数を使用する。ただし、rows引数のみだと全列がハイライトされてしまうので、今回は更にcolumns引数も追加し、「何行目、何列目のセル」かを特定する必要がある。

df3_tbl |>
  data_color(rows = 3, columns = 6)
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　セルの値に応じて色分けをする場合もdata_color()関数を使う。たとえば、Population列（2列目）の値に応じて色分けをするなら、columns = Population、またはcolumns = 2を指定する。

df3_tbl |>
  data_color(columns = Population)
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　ちなみに、色についても説明する。デフォルトの色だと値の高低が分かりにくいため、もう少し直感的なパレットにした方が良いだろう。このパレットはpalette引数で指定することができる。特定のパッケージが提供するパレットであれば"パッケージ名::パレット名"と指定する。たとえば、Population列からFH列まで色分けをし、{ggsci}のblue_materialパレットを使う場合はpalette = "ggsci::blue_material"のように指定する必要がある。

df3_tbl |>
  data_color(Population:FH,
             palette = "ggsci::blue_material")
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　このように濃いほど値が大きく、薄いほど小さいことが一目瞭然となる。{ggsci}は他にも様々なパレットを提供しているが、詳細は公式レファレンスを参照されたい。また、{ggsci}以外のパッケージが提供するパレットも使える。定番の{RColorBrewer}パッケージも様々なパレットを提供しており、以下の例はYlOrRdパレットを使った例だ。

df3_tbl |>
  data_color(Population:FH,
             palette = "RColorBrewer::YlOrRd")
Continent Population Area GDP PPP HDI Polity FH
Africa 24.561 54.444 0.251 0.567 0.553 2.479 41.574
America 28.736 108.161 1.253 1.810 0.742 6.926 71.917
Asia 107.300 70.198 1.317 2.273 0.723 0.342 38.929
Europe 17.113 46.462 3.558 3.778 0.861 7.927 79.429
Oceania 10.047 210.431 2.658 2.757 0.781 7.250 79.000

　{RColorBrewer}が提供するパレットの例はコンソール上でRColorBrewer::display.brewer.all()と入力すると 図 23.2 のようなパレット一覧が出力される。

RColorBrewer::display.brewer.all()
図 23.2: {RColorBrewer}が提供するパレット

23.6 画像・プロットの追加

　以下では表の中にプロットや画像を入れる方法について紹介する。まずはdf4を利用し、大陸（Continent）ごとの一人あたり購買力平価GDP（PPP_per_capita）の記述統計と分布を作成する。グループごとの記述統計を作成するため、ここではgroup_by()とsummarise()関数を使用する。平均値、標準偏差、最小値、最大値、国家数をそれぞれMean、SD、Min、Max、N列にする。そして、当該大陸に属する国のPPP_per_capitaを一つのベクトルとし、PPP列に入れる。この場合、list()関数を使えば良い。以上の結果をdf4_groupedに格納する。

df4_grouped <- df4 |> 
  group_by(Continent) |> 
  summarise(Mean = mean(PPP_per_capita),
            SD   = sd(PPP_per_capita),
            Min  = min(PPP_per_capita),
            Max  = max(PPP_per_capita),
            N    = n(),
            PPP  = list(PPP_per_capita))

　出来上がったdf4_groupedは以下の通りだ。

df4_grouped 
# A tibble: 5 × 7
  Continent   Mean     SD   Min     Max     N PPP       
  <chr>      <dbl>  <dbl> <dbl>   <dbl> <int> <list>    
1 Africa     5667.  6015.  733.  27788.    52 <dbl [52]>
2 America   18100. 12601. 1766.  61790.    35 <dbl [35]>
3 Asia      22728. 24067. 1396.  95252.    41 <dbl [41]>
4 Europe    37783. 21276. 8429. 113423.    46 <dbl [46]>
5 Oceania   27573. 21984. 4171.  50001.     4 <dbl [4]>

　それではdf4_groupedをgt()で表にしてみよう。

df4_grouped |> 
  gt()
Continent Mean SD Min Max N PPP
Africa 5667.087 6015.193 733.1417 27788.14 52 11324.0725, 6649.1673, 3067.3395, 17310.5769, 1799.9818, 733.1417, 6912.7516, 3506.4386, 923.5042, 1525.4869, 3006.8733, 3191.0497, 1043.4956, 3641.9578, 5071.1943, 11198.2578, 19458.2978, 1860.3065, 8633.5553, 2046.8136, 14380.1640, 2072.3368, 5097.3606, 1901.6047, 4104.9732, 3019.3082, 1461.0965, 14018.7988, 1567.1475, 1016.0831, 2208.4879, 3601.3961, 22636.5579, 7553.9970, 1246.5947, 10314.3368, 824.0225, 5018.4108, 2007.9457, 3890.9194, 3247.9262, 27788.1379, 1634.0012, 12604.8540, 1410.1588, 4062.9183, 2428.0001, 1515.5174, 10773.4423, 1716.0125, 3396.9366, 3264.8320
America 18100.292 12600.623 1765.8751 61789.97 35 21267.245, 22938.453, 35662.133, 16065.907, 7090.572, 8623.407, 14734.442, 49087.531, 24261.632, 14474.628, 19395.153, 11755.063, 17774.017, 11478.292, 8727.663, 33836.181, 8332.809, 2416.077, 9447.449, 1765.875, 5624.412, 9886.558, 19962.713, 5693.549, 30816.642, 12877.619, 12703.540, 26152.935, 13828.250, 12686.047, 15858.204, 26727.710, 61789.968, 21961.226, 17806.318
Asia 22728.133 24066.762 1396.1051 95251.77 41 2125.363, 43624.136, 4457.529, 11362.544, 60655.643, 4931.585, 4142.204, 15176.568, 6564.248, 11396.947, 13961.476, 10434.202, 41318.464, 41490.573, 9849.485, 25469.454, 39921.960, 50094.732, 5083.211, 7548.949, 16473.367, 27477.879, 18087.834, 11801.134, 3210.718, 27700.112, 4664.227, 8098.786, 93465.650, 47196.131, 95251.768, 13413.583, 46145.206, 3161.765, 18383.526, 3034.142, 65777.677, 6792.995, 7627.625, 1396.105, 3083.957
Europe 37782.593 21276.379 8428.7387 113423.06 46 13780.638, 12974.285, 55823.776, 14257.217, 19415.237, 51548.972, 15158.639, 22550.810, 27996.133, 28723.892, 40130.231, 56753.797, 36233.104, 49324.081, 45649.605, 13633.866, 53886.153, 31256.640, 31955.380, 60011.048, 83254.278, 42769.738, 11077.907, 31412.683, 36875.034, 113423.060, 47787.124, 8428.739, 21103.451, 57277.744, 16621.538, 66276.146, 31863.289, 34564.831, 29406.377, 28731.642, 62554.007, 14078.861, 32539.756, 38655.236, 40519.800, 54212.515, 68233.163, 27465.404, 12207.236, 45596.210
Oceania 27572.651 21983.719 4171.1177 50001.27 4 50001.271, 13939.907, 42178.309, 4171.118

　続いて、平均値から最大値までの値を小数点1桁で丸め、列名を修正し、タイトルを付ける。

df4_grouped |> 
  gt() |> 
  fmt_number(columns = Mean:Max, decimals = 1) |> 
  cols_label("Continent" = "大陸",
             "Mean"      = "平均値",
             "SD"        = "標準偏差",
             "Min"       = "最小値",
             "Max"       = "最大値",
             "N"         = "国家数",
             "PPP"       = "分布") |> 
  tab_header(title = "大陸別一人あたり購買力平価GDP")
大陸別一人あたり購買力平価GDP
大陸 平均値 標準偏差 最小値 最大値 国家数 分布
Africa 5,667.1 6,015.2 733.1 27,788.1 52 11324.0725, 6649.1673, 3067.3395, 17310.5769, 1799.9818, 733.1417, 6912.7516, 3506.4386, 923.5042, 1525.4869, 3006.8733, 3191.0497, 1043.4956, 3641.9578, 5071.1943, 11198.2578, 19458.2978, 1860.3065, 8633.5553, 2046.8136, 14380.1640, 2072.3368, 5097.3606, 1901.6047, 4104.9732, 3019.3082, 1461.0965, 14018.7988, 1567.1475, 1016.0831, 2208.4879, 3601.3961, 22636.5579, 7553.9970, 1246.5947, 10314.3368, 824.0225, 5018.4108, 2007.9457, 3890.9194, 3247.9262, 27788.1379, 1634.0012, 12604.8540, 1410.1588, 4062.9183, 2428.0001, 1515.5174, 10773.4423, 1716.0125, 3396.9366, 3264.8320
America 18,100.3 12,600.6 1,765.9 61,790.0 35 21267.245, 22938.453, 35662.133, 16065.907, 7090.572, 8623.407, 14734.442, 49087.531, 24261.632, 14474.628, 19395.153, 11755.063, 17774.017, 11478.292, 8727.663, 33836.181, 8332.809, 2416.077, 9447.449, 1765.875, 5624.412, 9886.558, 19962.713, 5693.549, 30816.642, 12877.619, 12703.540, 26152.935, 13828.250, 12686.047, 15858.204, 26727.710, 61789.968, 21961.226, 17806.318
Asia 22,728.1 24,066.8 1,396.1 95,251.8 41 2125.363, 43624.136, 4457.529, 11362.544, 60655.643, 4931.585, 4142.204, 15176.568, 6564.248, 11396.947, 13961.476, 10434.202, 41318.464, 41490.573, 9849.485, 25469.454, 39921.960, 50094.732, 5083.211, 7548.949, 16473.367, 27477.879, 18087.834, 11801.134, 3210.718, 27700.112, 4664.227, 8098.786, 93465.650, 47196.131, 95251.768, 13413.583, 46145.206, 3161.765, 18383.526, 3034.142, 65777.677, 6792.995, 7627.625, 1396.105, 3083.957
Europe 37,782.6 21,276.4 8,428.7 113,423.1 46 13780.638, 12974.285, 55823.776, 14257.217, 19415.237, 51548.972, 15158.639, 22550.810, 27996.133, 28723.892, 40130.231, 56753.797, 36233.104, 49324.081, 45649.605, 13633.866, 53886.153, 31256.640, 31955.380, 60011.048, 83254.278, 42769.738, 11077.907, 31412.683, 36875.034, 113423.060, 47787.124, 8428.739, 21103.451, 57277.744, 16621.538, 66276.146, 31863.289, 34564.831, 29406.377, 28731.642, 62554.007, 14078.861, 32539.756, 38655.236, 40519.800, 54212.515, 68233.163, 27465.404, 12207.236, 45596.210
Oceania 27,572.7 21,983.7 4,171.1 50,001.3 4 50001.271, 13939.907, 42178.309, 4171.118

　それではこのPPP列をプロットにしてみよう。ここで使うのが{gtExtras}のgt_plt_dist()だ。引数はプロットにする列名で十分だ。

df4_grouped |> 
  gt() |> 
  fmt_number(columns = Mean:Max, decimals = 1) |> 
  cols_label("Continent" = "大陸",
             "Mean"      = "平均値",
             "SD"        = "標準偏差",
             "Min"       = "最小値",
             "Max"       = "最大値",
             "N"         = "国家数",
             "PPP"       = "分布") |> 
  tab_header(title = "大陸別一人あたり購買力平価GDP") |> 
  gt_plt_dist(PPP)
大陸別一人あたり購買力平価GDP
大陸 平均値 標準偏差 最小値 最大値 国家数 分布
Africa 5,667.1 6,015.2 733.1 27,788.1 52
America 18,100.3 12,600.6 1,765.9 61,790.0 35
Asia 22,728.1 24,066.8 1,396.1 95,251.8 41
Europe 37,782.6 21,276.4 8,428.7 113,423.1 46
Oceania 27,572.7 21,983.7 4,171.1 50,001.3 4

　このように密度曲線が生成される。もし、密度曲線ではなく、ヒストグラムにしたい場合はtype引数を追加し、"histogram"を指定すれば良い。

df4_grouped |> 
  gt() |> 
  fmt_number(columns = Mean:Max, decimals = 1) |> 
  cols_label("Continent" = "大陸",
             "Mean"      = "平均値",
             "SD"        = "標準偏差",
             "Min"       = "最小値",
             "Max"       = "最大値",
             "N"         = "国家数",
             "PPP"       = "分布") |> 
  tab_header(title = "大陸別一人あたり購買力平価GDP") |> 
  gt_plt_dist(PPP, type = "histogram")
大陸別一人あたり購買力平価GDP
大陸 平均値 標準偏差 最小値 最大値 国家数 分布
Africa 5,667.1 6,015.2 733.1 27,788.1 52
America 18,100.3 12,600.6 1,765.9 61,790.0 35
Asia 22,728.1 24,066.8 1,396.1 95,251.8 41
Europe 37,782.6 21,276.4 8,428.7 113,423.1 46
Oceania 27,572.7 21,983.7 4,171.1 50,001.3 4

　続いて、画像について解説する。ここではdf5を使用する。まずはgt()で中身を確認してみよう。

df5 |> 
  gt()
Name Hex Download
dplyr https://github.com/rstudio/hex-stickers/blob/main/thumbs/dplyr.png?raw=true 35720
quarto https://github.com/rstudio/hex-stickers/blob/main/thumbs/quarto.png?raw=true 171
ggplot2 https://github.com/rstudio/hex-stickers/blob/main/thumbs/ggplot2.png?raw=true 44403
shiny https://github.com/rstudio/hex-stickers/blob/main/thumbs/shiny.png?raw=true 10795
rmarkdown https://github.com/rstudio/hex-stickers/blob/main/thumbs/rmarkdown.png?raw=true 23038
tidyverse https://github.com/rstudio/hex-stickers/blob/main/thumbs/tidyverse.png?raw=true 39094

　3つの列があり、1列目はパッケージ名（Name）、2列目はHEXロゴのURL（Hex）、3列目は2023年5月9日現在のダウンロード数（Download）である。ここで{gtExtras}のgt_img_rows()関数を使用し、画像のパス・URLが格納されている列名を指定すれば、当該画像が表示される。

df5 |> 
  gt() |> 
  gt_img_rows(Hex)
Name Hex Download
dplyr 35720
quarto 171
ggplot2 44403
shiny 10795
rmarkdown 23038
tidyverse 39094

　画像の大きさはheightで調整できる。今回は50ピクセル（50px）にしてみよう。

df5 |> 
  gt() |> 
  gt_img_rows(Hex, height = 50)
Name Hex Download
dplyr 35720
quarto 171
ggplot2 44403
shiny 10795
rmarkdown 23038
tidyverse 39094

　続いて、列名を変更する。NameはPackageに、HexはLogoとする。

df5 |> 
  gt() |> 
  gt_img_rows(Hex, height = 50) |> 
  cols_label("Name" = "Package",
             "Hex"  = "Logo")
Package Download
dplyr 35720
quarto 171
ggplot2 44403
shiny 10795
rmarkdown 23038
tidyverse 39094

　ここで更にDownload列を棒グラフに変えてみよう。棒グラフの作成はgt_plt_bar()を使用する。第1引数は棒グラフにしたい列名だ。

df5 |> 
  gt() |> 
  gt_img_rows(Hex, height = 50) |> 
  cols_label("Name" = "Package",
             "Hex"  = "Logo") |> 
  gt_plt_bar(Download)
Package Download
dplyr
quarto
ggplot2
shiny
rmarkdown
tidyverse

　棒グラフにすることで相対的な比較がしやすくなった。しかし、元々あった数字がなくなったので、具体的に何回ダウンロードされたかに関する情報を消えている。もし、元の列を残したい場合はkeep_column = TRUEを指定する。

df5 |> 
  gt() |> 
  gt_img_rows(Hex, height = 50) |> 
  cols_label("Name" = "Package",
             "Hex"  = "Logo") |> 
  gt_plt_bar(Download, keep_column = TRUE)
Package Download Download
dplyr 35720
quarto 171
ggplot2 44403
shiny 10795
rmarkdown 23038
tidyverse 39094

　最後にタイトルを付け、棒グラフの色を"royalblue"にしてみよう。棒の色はcolor引数で指定できる。また、df5をgt()に渡す前にarrange()を使って、パッケージの表示順番もダウンロード数の多いものからに並べ替えてみよう。

df5 |> 
  arrange(desc(Download)) |> 
  gt() |> 
  gt_img_rows(Hex, height = 50) |> 
  cols_label("Name" = "Package",
             "Hex"  = "Logo") |> 
  gt_plt_bar(Download, keep_column = TRUE, color = "royalblue") |> 
  tab_header(title = "Number of packages downloaded on May 9, 2023")
Number of packages downloaded on May 9, 2023
Package Download Download
ggplot2 44403
tidyverse 39094
dplyr 35720
rmarkdown 23038
shiny 10795
quarto 171

　{gtExtras}は他にも様々なプロットを提供し、画像の追加にもいくつかのバリエーションがある。詳細は{gtExtras}の公式マニュアルを参照されたい。

23.7 テーマ

　{gtExtras}パッケージは8種類のテーマを提供する（バージョン0.5.0現在）。テーマはgt_theme_*()関数によって指定することができる。たとえば、以下のdf1_tblにそれぞれのテーマを適用してみよう。

df1_tbl <- df1 |>
  gt() |>
  tab_spanner(columns = 4:5, label = "Range") |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_style(style     = cell_text(align = "center"),
            locations = cells_column_labels())

df1_tbl
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

　使い方は簡単で、{gt}で作成した表オブジェクトをgt_theme_*()関数に渡すだけだ。以下は{gtExtras}が提供する8種類のテーマをdf1_tblに適用した例である。

df1_tbl |>
  gt_theme_538()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_espn()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_nytimes()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_guardian()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_dot_matrix()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
# こちらはR Markdown/QuartoのCSSによって正しく表示されない可能性がある。
# RStudio内なら問題なし
df1_tbl |>
  gt_theme_dark()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_excel()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185 
df1_tbl |>
  gt_theme_pff()
Variable Mean SD Range Obs
Min Max
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185

23.8 表の書き出し

　{gt}で作成した表は様々なフォーマットで出力することができる。現在（2024年03月26日; {gt} 0.10.1）、Microsoft Word（.docx）、 \(\LaTeX\) （.tex）、ハイパーテキスト（.html）、リッチテキスト（.rtf）、画像（.png）形式で出力可能だ。ここでは簡単な例を紹介する。

　まず、{gt}を使って表を作成し、オブジェクトとして作業環境内に格納する。ここではgt_tableと名付けた。

gt_table <- df1 |>
  gt() |>
  fmt_number(columns = 2:5, decimals = 3) |>
  tab_header(title = "タイトル", subtitle = "サブタイトル") |>
  tab_footnote(footnote = "注1: ここにはフットノート1が入る") |>
  tab_footnote(footnote = "注2: ここにはフットノート2が入る") |>
  tab_source_note(source_note = md("出典: 『[私たちのR](https://www.jaysong.net/RBook/)』"))

gt_table
タイトル
サブタイトル
Variable Mean SD Min Max Obs
Population 41.738 151.270 0.001 1,447.470 186
Area 69.607 187.241 0.000 1,637.687 186
GDP_per_capita 1.616 2.571 0.006 18.318 185
PPP_per_capita 2.083 2.099 0.073 11.342 178
HDI_2018 0.713 0.153 0.377 0.954 180
Polity_Score 4.259 6.102 −10.000 10.000 158
FH_Total 57.714 29.866 0.000 100.000 185
出典: 『私たちのR』
注1: ここにはフットノート1が入る
注2: ここにはフットノート2が入る

　このgt_tableを保存する関数はgtsave()である。第1引数は先ほど作成した表のオブジェクト名、第2引数は出力するファイル名である。このファイル名の拡張子によって保存されるファイルのフォーマットが変わる。結果をここで見せることは難しいが、難しい作業ではないので各自やってみよう。

gtsave(gt_table, "my_table.docx") # Microsoft Word
gtsave(gt_table, "my_table.tex")  # LaTeX
gtsave(gt_table, "my_table.html") # HTML
gtsave(gt_table, "my_table.rtf")  # リッチテキスト
gtsave(gt_table, "my_table.png")  # 画像（PNG）

　たとえば、.tex形式で書き出したファイルを開いてみると、以下のような \(\LaTeX\) コードが書かれていることが確認できる。

\setlength{\LTpost}{0mm}
\begin{longtable}{lrrrrr}
\caption*{
{\large タイトル} \\ 
{\small サブタイトル}
} \\ 
\toprule
Variable & Mean & SD & Min & Max & Obs \\ 
\midrule
Population & $41.738$ & $151.270$ & $0.001$ & $1,447.470$ & 186 \\ 
Area & $69.607$ & $187.241$ & $0.000$ & $1,637.687$ & 186 \\ 
GDP\_per\_capita & $1.616$ & $2.571$ & $0.006$ & $18.318$ & 185 \\ 
PPP\_per\_capita & $2.083$ & $2.099$ & $0.073$ & $11.342$ & 178 \\ 
HDI\_2018 & $0.713$ & $0.153$ & $0.377$ & $0.954$ & 180 \\ 
Polity\_Score & $4.259$ & $6.102$ & $-10.000$ & $10.000$ & 158 \\ 
FH\_Total & $57.714$ & $29.866$ & $0.000$ & $100.000$ & 185 \\ 
\bottomrule
\end{longtable}
\begin{minipage}{\linewidth}
\textsuperscript{\textit{NA}}注1: ここにはフットノート1が入る\\
\textsuperscript{\textit{NA}}注2: ここにはフットノート2が入る\\
出典: 『\href{https://www.jaysong.net/RBook/}{私たちのR}』\\
\end{minipage}

23.9 データの出力

　PDF、Microsoft Word形式の文書を作成する場合、生データ（raw data）を掲載することはめったにないだろう。数十行のデータなら掲載することもあろうが3、規模の大きいデータセットの場合、資源（紙）の無駄遣いとなる。しかし、HTMLフォーマットの文書なら話は別だ。ファイルの容量は大きくなるものの、生データを全て掲載することもできる。

　そこまで大きいデータセットではないが、たとえばdf2をR Markdown / QuartoのHTML文書に掲載するとしよう。この場合、まず考えられるのは普通にdf2を出力することだ。ただし、df2のクラスによって出力結果がややことなる。たとえば、df2はread_csv()関数で読み込んだデータであるため、data.frameでなく、tibbleである。実際にクラスを確認してみよう。「クラス（class）」の概念については第29章を参照されたい。

class(df2)
[1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame"

　data.frameクラスを継承しているが、クラスに"tbl"や"tbl_df"も含まれており、これはdf2がtibble形式であることを意味する。これをこのまま出力してみよう。

df2
# A tibble: 35 × 7
   Continent Variable          Mean      SD      Min     Max   Obs
   <chr>     <chr>            <dbl>   <dbl>    <dbl>   <dbl> <dbl>
 1 Africa    Population      24.6    35.9    0.0983  206.       54
 2 Africa    Area            54.4    59.2    0.046   238.       54
 3 Africa    GDP_per_capita   0.251   0.313  0.00577   1.73     54
 4 Africa    PPP_per_capita   0.567   0.602  0.0733    2.78     52
 5 Africa    HDI_2018         0.553   0.109  0.377     0.801    53
 6 Africa    Polity_Score     2.48    5.00  -9        10        48
 7 Africa    FH_Total        41.6    25.1    2        92        54
 8 America   Population      28.7    66.3    0.0532  334.       36
 9 America   Area           108.    246.     0.026   916.       36
10 America   GDP_per_capita   1.25    1.27   0.0745    6.44     36
# ℹ 25 more rows

　tibble形式のデータは通常、最初の10行のみ出力される。また、小数点も2〜3桁目で丸められる。もう一つの特徴としては横に長い表の場合（つまり、列が多い場合）、一部の列は省略される（省略された列の簡単な情報は表示される）。このようにtibbleクラスのデータは読みやすく出力される長所があるものの、全てのデータが出力されないケースもある。

　一方、read_csv()でなく、read.csv()で読み込んだ表形式データのクラスはdata.frameだ。df2をas.data.frame()関数を使ってdata.frameクラスに変更してみよう。クラスを変更したdf2はdf6_dfと名付ける。

df6_df <- as.data.frame(df2)

class(df6_df)
[1] "data.frame"

　それではdf6_dfを出力してみよう。

df6_df
   Continent       Variable        Mean           SD           Min         Max Obs
1     Africa     Population  24.5609472  35.90062114   0.098347000  206.139589  54
2     Africa           Area  54.4435111  59.21810613   0.046000000  238.174000  54
3     Africa GDP_per_capita   0.2514072   0.31334566   0.005770007    1.727394  54
4     Africa PPP_per_capita   0.5667087   0.60151933   0.073314173    2.778814  52
5     Africa       HDI_2018   0.5532642   0.10889924   0.377000000    0.801000  53
6     Africa   Polity_Score   2.4791667   5.00208290  -9.000000000   10.000000  48
7     Africa       FH_Total  41.5740741  25.12955251   2.000000000   92.000000  54
8    America     Population  28.7362271  66.28460983   0.053199000  334.308644  36
9    America           Area 108.1607833 245.85173673   0.026000000  915.802000  36
10   America GDP_per_capita   1.2526519   1.27016543   0.074535927    6.444591  36
11   America PPP_per_capita   1.8100292   1.26006234   0.176587508    6.178997  35
12   America       HDI_2018   0.7424722   0.09094975   0.466000000    0.922000  36
13   America   Polity_Score   6.9259259   3.59407553  -5.000000000   10.000000  27
14   America       FH_Total  71.9166667  22.42750225  14.000000000   98.000000  36
15      Asia     Population 107.3001606 301.72686527   0.437479000 1447.470092  42
16      Asia           Area  70.1983405 155.92487158   0.030000000  938.929100  42
17      Asia GDP_per_capita   1.3167525   1.70584531   0.049067972    6.368026  42
18      Asia PPP_per_capita   2.2728133   2.40667620   0.139610508    9.525177  41
19      Asia       HDI_2018   0.7228537   0.12010715   0.463000000    0.935000  41
20      Asia   Polity_Score   0.3421053   7.48431266 -10.000000000   10.000000  38
21      Asia       FH_Total  38.9285714  25.15453977   0.000000000   96.000000  42
22    Europe     Population  17.1127533  29.05674254   0.000801000  145.934462  50
23    Europe           Area  46.4618980 230.34717622   0.000000000 1637.687000  50
24    Europe GDP_per_capita   3.5575266   3.86463361   0.296369600   18.317721  49
25    Europe PPP_per_capita   3.7782593   2.12763785   0.842873869   11.342306  46
26    Europe       HDI_2018   0.8611304   0.06306914   0.711000000    0.954000  46
27    Europe   Polity_Score   7.9268293   4.23314448  -7.000000000   10.000000  41
28    Europe       FH_Total  79.4285714  22.70187217  10.000000000  100.000000  49
29   Oceania     Population  10.0465332  10.81385119   0.896445000   25.499884   4
30   Oceania           Area 210.4312500 372.29122053   1.827000000  768.230000   4
31   Oceania GDP_per_capita   2.6577585   2.60067976   0.279082855    5.461517   4
32   Oceania PPP_per_capita   2.7572651   2.19837188   0.417111768    5.000127   4
33   Oceania       HDI_2018   0.7815000   0.18631604   0.543000000    0.938000   4
34   Oceania   Polity_Score   7.2500000   3.20156212   4.000000000   10.000000   4
35   Oceania       FH_Total  79.0000000  20.80064102  60.000000000   97.000000   4

　今回は全ての行と列が出力された。そもそも生データを掲載するのが目的であれば、tibbleクラスよりも、data.frameクラスが目的に合致する。しかし、読みにくいという深刻な問題がある。また、世論調査データのように数千行、変数も数十列以上あるデータセットを出力するとあまりにも長い画面になってしまう。

　ここで便利なのが{DT}パッケージのdatatable()関数だ。全ての行と列を読みやすい形式で出力してくれる。

datatable(df2)

　このように情報が損失されることなく、非常に読みやすい表になった。これで十分かも知れないが、小数点を丸めたい人もいるかも知れないので、その方法を紹介する。具体的にはdataframe()で作成した表をformatRound()関数に渡すだけだ。formatRound()関数の引数はcolumnsとdigitsがあり、それぞれ適用する列と小数点を桁数を指定すればよい。

datatable(df2) |>
    formatRound(columns = 3:6, digits = 3)

　しかし、情報の損失がないということは、生データ内の全ての値がHTMLファイルに埋め込まれることを意味する。CSVフォーマットの生データの大きさが10MBなら生成されるHTMLファイルのサイズは必然的に10MBよりも大きくなる。大きい表は別途のファイルとして提供する方が良いだろう。

  1. 他にも{flextable} + {ftExtra}という有力な選択肢もある。↩︎

  2. kable() + {kableExtra}の使い方については、インターネット上のヴィネットを参考されたい。↩︎

  3. どうでも良い話だが、Arend LijphartのPattern of Democracyの場合（邦訳：『民主主義対民主主義』）、データセットがMicrosoft Word形式で公開されている…。↩︎