lesson: 3 日別・時間別集計

ここでは、lesson2で準備したdf_logという仮想ログデータを用いて、日別集計と時間別集計を算出してまとめることを目指します。その中でlubridateによる日時データからの特定の要素(日、時間など)取り出し解説します。

3.1 想定シナリオ

lesson2で作成したアイテム購入ログデータを元に日別集計を行います:

日別購入件数
日別売上合計
日別購入単価平均

この集計により、どの日に売上が多かったかなどを検証することができます。

また、同様に時間帯別集計を行います:

時間別購入件数
時間別売上合計
時間別購入単価平均

この集計により、どの時間帯で売上が多かったかなどを検証することができます。

3.2 処理の実行

3.2.1 パッケージ読み込み

ここで使用するパッケージを読み込みます:

library(tidyverse)
library(lubridate)
library(gridExtra)

tidyverseは楽ですね。あと可視化用にgridExtraを使います。

3.2.2 データ読み込み

lesson2で作成したcsvを読み込みます。readr::read_csv()を使います:

df_log <- readr::read_csv("df_log.csv")

3.2.3 データハンドリングと可視化

3.2.3.1 日別

それぞれの日でどれだけ売上があったかを集計してデータセットにします。基本的な流れは以下のとおりです:

日時のタイムスタンプから日付の変数(date)を作成
dateごとに処理するようにグループ化
各種集計を実施

実際のRのコードは以下のようになります:

df_log_date <- df_log %>% 
  # 日付による丸め込みを行った変数を準備
  mutate(date = date(stamp)) %>% 
  # 日付によるグループ化
  group_by(date) %>% 
  # グループ化による集計
  summarise(
    # 購入件数をカウント
    n_buy = n(),
    # 売上合計
    value_buy = sum(value),
    # 購入単価平均
    mean_buy = mean(value)
  )

この処理を行ったデータセットは以下のようになります:

knitr::kable(head(df_log_date, 10))

date	n_buy	value_buy	mean_buy
2018-01-01	197	72800	369.5431
2018-01-02	165	65700	398.1818
2018-01-03	188	64900	345.2128
2018-01-04	189	67700	358.2011
2018-01-05	180	77800	432.2222
2018-01-06	206	84000	407.7670
2018-01-07	195	78900	404.6154
2018-01-08	174	64300	369.5402
2018-01-09	214	85600	400.0000
2018-01-10	189	85600	452.9101

このデータを元にggplot2で可視化してみます:

# ベースとなるggplotオブジェクトを作成
p_date <- ggplot(df_log_date)
# 日別購入件数
p_date1 <- p_date + 
  geom_line(aes(x = date, y = n_buy))
# 日別売上合計
p_date2 <- p_date + 
  geom_line(aes(x = date, y = value_buy))
# 日別購入単価平均
p_date3 <- p_date + 
  geom_line(aes(x = date, y = mean_buy))
# plotを集約
grid.arrange(p_date1, p_date2, p_date3, nrow = 2)

3.2.3.2 時間別

それぞれの時間でどれだけ売上があったかを集計してデータセットにします。基本的な流れは以下のとおりです:

日時のタイムスタンプから時間を取り出した変数(hour)を作成
hourごとに処理するようにグループ化
各種集計を実施

実際のRのコードは以下のようになります:

df_log_hour <- df_log %>% 
  # 時間を取り出した変数を準備
  mutate(hour = hour(stamp)) %>% 
  # 時間によるグループ化
  group_by(hour) %>% 
  # グループ化による集計
  summarise(
    # 購入件数をカウント
    n_buy = n(),
    # 売上合計
    value_buy = sum(value),
    # 購入単価平均
    mean_buy = mean(value)
  )

この処理を行ったデータセットは以下のようになります:

knitr::kable(head(df_log_hour, 10))

hour	n_buy	value_buy	mean_buy
0	395	153400	388.3544
1	424	163200	384.9057
2	413	141300	342.1308
3	391	144000	368.2864
4	385	138900	360.7792
5	440	170400	387.2727
6	435	151200	347.5862
7	410	143900	350.9756
8	427	169800	397.6581
9	428	175700	410.5140

このデータを元にggplot2で可視化してみます:

# ベースとなるggplotオブジェクトを作成
p_hour <- ggplot(df_log_hour)
# 時間別購入件数
p_hour1 <- p_hour +
  geom_line(aes(x = hour, y = n_buy))
# 時間別売上合計
p_hour2 <- p_hour +
  geom_line(aes(x = hour, y = value_buy))
# 時間別購入単価平均
p_hour3 <- p_hour +
  geom_line(aes(x = hour, y = mean_buy))
# plotを集約
grid.arrange(p_hour1, p_hour2, p_hour3)

ついでに、時間x項目でもやってみます。上との違いは、group_by()でitemも含めるところです

df_log_hour_item <- df_log %>% 
  mutate(hour = hour(stamp)) %>% 
  # グループ化する変数にhour, itemを指定
  group_by(hour, item) %>% 
  summarise(
    n_buy = n(),
    value_buy = sum(value),
    mean_buy = mean(value)
  )

この処理を行ったデータセットは以下のようになります:

knitr::kable(head(df_log_hour_item))

hour	item	n_buy	value_buy	mean_buy
0	item_1	234	23400	100
0	item_2	116	58000	500
0	item_3	27	27000	1000
0	item_4	15	30000	2000
0	item_5	3	15000	5000
1	item_1	247	24700	100

このデータを元にggplot2で可視化してみます:

# 時間と項目で可視化
p_hour_item <- ggplot(df_log_hour_item)+
  geom_tile(aes(x = hour, y = item, fill = value_buy))
p_hour_item

3.2.4 解説

今回の処理のポイントは、日時データから特定の要素の取り出しです。lubridateには、日時データから日付や時刻を取り出す関数が要してあります。

x <- ymd_hms("2018-02-24 15:30:20")

# 年の取り出し
year(x)
 #>  [1] 2018

# 月の取り出し
month(x)
 #>  [1] 2

# 日の取り出し
day(x)
 #>  [1] 24

# 時間の取り出し
hour(x)
 #>  [1] 15

これらはすべて数値型となります。また、日時データから日付型のデータを取得したい場合は、date()を使ってください:

date(x)
 #>  [1] "2018-02-24"

こちらを利用すると、日付データが返ってきます。それぞれ用途によって使い分けるといいでしょう。

また、日時データの丸め込み関数もいろいろ準備されていますが、ここでは省略します。

3.3 参考資料

Get/set years component of a date-time: 年を取り出すyear()の説明。
Get/set hours component of a date-time: 時間を取得するhour()の説明
Get/set date component of a date-time: lubridateのdate関数の説明