【2023年最新】R言語の本「人気・高評価のおすすめ15冊」

第1部　【理論編】ベイズ統計モデリングの基本
第1章 はじめよう！　ベイズ統計モデリング
第2章 統計学の基本
第3章 確率の基本
第4章 確率分布の基本
第5章 統計モデルの基本
第6章 ベイズ推論の基本
第7章 MCMCの基本
第2部　【基礎編】RとStanによるデータ分析
第1章 Rの基本
第2章 データの要約
第3章 ggplot2によるデータの可視化
第4章 Stanの基本
第5章 MCMCの結果の評価
第6章 Stanコーディングの詳細
第3部　【実践編】一般化線形モデル
第1章 一般化線形モデルの基本
第2章 単回帰モデル
第3章 モデルを用いた予測
第4章 デザイン行列を用いた一般化線形モデルの推定
第5章 brmsの使い方
第6章 ダミー変数と分散分析モデル
第7章 正規線形モデル
第8章 ポアソン回帰モデル
第9章 ロジスティック回帰モデル
第10章 交互作用
第4部　【応用編】一般化線形混合モデル
第1章 階層ベイズモデルと一般化線形混合モデルの基本
第2章 ランダム切片モデル
第3章 ランダム係数モデル
第5部　【応用編】状態空間モデル
第1章 時系列分析と状態空間モデルの基本
第2章 ローカルレベルモデル
第3章 状態空間モデルによる予測と補間
第4章 時変係数モデル
第5章 トレンドの構造
第6章 周期性のモデル化
第7章 自己回帰モデルとその周辺
第8章 動的一般化線形モデル：二項分布を仮定した例
第9章 動的一般化線形モデル：ポアソン分布を仮定した例

プロローグ　雨の文化祭と統計学
第１章　結婚するならスポーツ選手？-平均値と中央値
第２章　テストの偏差値で一喜一憂ー分散・標準偏差
第３章　引越し先の家賃は高い？-ｔ検定、相関、回帰分析
第４章　新製品でアンケート調査ー比率の検定と多変量解析
第５章　ＳＮＳ？友人の紹介？長続きするのはどんなカップル？-生存解析
付録

神田善伸（カンダヨシノブ）
１９９１年東京大学医学部医学科卒業、東京大学医学部附属病院内科研修医。１９９２年ＪＲ東京総合病院内科研修医。１９９４年都立駒込病院血液内科医員。１９９７年東京大学大学院医学系研究科修了、東京大学医学部附属病院無菌治療部医員。１９９８年国立国際医療センター血液内科医員。２０００年国立がんセンター中央病院幹細胞移植療法室医員。２００１年東京大学医学部附属病院無菌治療部助手。２００５年東京大学医学部附属病院血液・腫瘍内科講師。２００７年自治医科大学総合医学第一講座・同附属さいたま医療センター血液科教授（現職）。２０１４年自治医科大学内科学講座血液学部門教授（現職・兼任）、自治医科大学臨床研究支援センター長（本データはこの書籍が刊行された当時に掲載されていたものです）

はじめに
　本書の特徴
　本書の構成
　本書の対象読者
　本書で解説しなかったこと
　さあRStudioで分析を
tidyverseとは
　tidyverseのパッケージ
　tidyverseの過去
　tidyverseの未来
第1章 RStudioの基礎
1-1 RStudioのダウンロードとインストール
　macOS
　Windows
1-2 RStudioの基本操作
　RStudioのインターフェース
　プロジェクト機能
　Rスクリプトの新規作成と保存
　Rのコマンドの実行
　オブジェクトの確認
　補完機能
　Jobs機能
1-3 RStudioを自分好みにカスタマイズ
　RStudio全般
　コーディング
　外観
　Terminal
　キーボードショートカット
1-4 ファイルの読み込み
　Rの標準関数の問題点
　readrパッケージ
　Excelファイルの読み込み
　SAS,SPSS,STATAファイルの読み込み
　RStudio（GUI）によるデータの読み込み
　ファイル読み込みのまとめ
1-5 RやRStudioで困ったときは
　ヘルプを使う
　Vignetteを見る
　チートシートを使う
　コマンドパレット
1-6 まとめ
第2章 スクレイピングによるデータ収集
2-1 なぜスクレイピングが必要か
　スクレイピングとは
　手作業によるデータ取得の限界
2-2 スクレイピングに必要なWeb知識
　HTML
　CSS
　XMLとXPath
2-3 Rによるスクレイピング入門
　rvestパッケージ
　Webページタイトルの抽出
　パイプ演算子
　スクレイピング実践
2-4 API
　APIとは
　rtweetパッケージによるTwitterデータの収集
　ツイートの収集
　COLUMN ブラウザの自動操作
　COLUMN Webスクレイピングをするときの注意点
2-5 まとめ
　参考文献
第3章 dplyr/tidyrによるデータ前処理
3-1 tidy dataとは
　tidy dataの定義
　tidyではないデータ
3-2 tidyrによるtidy dataへの変形
　tidyではないデータ
　pivot_longer()による縦長データへの変形
　pivot_wider()による横長のデータへの変形
3-3 dplyrによる基本的なデータ操作
　tibbleとデータフレームの違い
　dplyrの関数の概要
　1つのデータフレームを操作する関数の共通点と%>%
　演算子による処理のパイプライン化
　filter()による行の絞り込み
　COLUMN dplyrの関数内でのコード実行
　arrange()によるデータの並び替え
　select()による列の絞り込み
　relocate()による列の並べ替え
　mutate()による列の追加
　summarise()によるデータの集計計算
3-4 dplyrによる応用的なデータ操作
　グループ化
　COLUMN 複数の値を返す集約関数とsummarise()
　COLUMN ウィンドウ関数
　COLUMN selectのセマンティクスとmutateのセマンティクス
　複数の列への操作
3-5 dplyrによる2つのデータセットの結合と絞り込み
　inner_join()によるデータの結合
　さまざまなキーの指定方法
　inner_join()以外の関数によるデータの結合
　semi_join()、anti_join()による絞り込み
3-6 tidyrのその他の関数
　separate()による値の分割
　extract()による値の抽出
　separate_rows()による値の分割（縦方向）
　暗黙の欠損値
　complete()による存在しない組み合わせの検出
　COLUMN group_by()による存在しない組み合わせの表示
　fill()による欠損値の補完
　replace_na()による欠損値の置き換え
3-7 まとめ
第4章 ggplot2を用いたデータ可視化
4-1 可視化の重要性
4-2 ggplot2パッケージを用いた可視化
　準備
　エステティックマッピング
　COLUMN グラフに肉付けする
　統計的処理：stat
　COLUMN X軸に離散変数をマッピングした場合における折れ線グラフ
　配置の指定：position
　COLUMN position_dodge()とposition_dodge2()
　軸の調整
　グラフの保存
4-3 他者と共有可能な状態に仕上げる
　themeの変更
　文字サイズやフォントの変更
　配色の変更
　ラベルを変更する
4-4 便利なパッケージ
　複数のグラフを並べる
　表示される水準の順番を変更したい
4-5 まとめ
　参考文献
第5章 R Markdownによるレポート生成
5-1 分析結果のレポーティング
　ドキュメント作成の現場
　手作業によるドキュメント作成の問題点
5-2 R Markdown入門
　Hello, R Markdown
　Rmdファイルと処理フロー
　Markdownの基本
　Rチャンク
　ドキュメントの設定
　RStudioで使える便利なTips
　COLUMN Visual ModeによるRmdファイルの編集
5-3 出力形式
　html_document形式
　pdf_document形式
　word_document形式
　スライド出力
　R Markdownの出力形式を提供するパッケージ
　COLUMN 日本語環境での注意点
5-4 まとめ
　参考URL・参考文献
付録A stringrによる文字列データの処理
A-1 文字列データとstringrパッケージ
A-2 文字列処理の例
　str_c()による文字列の連結
　str_split()による文字列の分割
　str_detect()による文字列の判定
　COLUMN fixed()/coll()を用いた挙動の調整
　str_count()による検索対象の計上
　str_locate()による検索対象の位置の特定
　str_subset()/str_extract()による文字列の抽出
　str_sub()による文字列の抽出
　str_replace()による文字列の置換
　str_trim()/str_squish()による空白の除去
A-3 正規表現
　任意の文字や記号の検索
　高度な検索
　regex()
A-4 まとめ
付録B lubridateによる日付・時刻データの処理2
B-1 日付・時刻のデータ型とlubridateパッケージ
B-2 日付・時刻への変換
　文字列から日付・時刻への変換
　数値から日付・時刻への変換
　readrパッケージによる読み込み時の変換
B-3 日付・時刻データの加工
B-4 interval
B-5 日付、時刻データの計算・集計例
　wday()を使った曜日の計算例
　floor_date()を使った週ごとの集計例
B-6 タイムゾーンの扱い
B-7 その他の日付・時刻データ処理に関する関数
　zipanguパッケージ
　sliderパッケージ

はじめに
確率・統計に関する基礎
Ｒで時系列データを扱う際の基礎
時系列分析ひとめぐり
状態空間モデル
状態空間モデルにおける状態の推定
線形・ガウス型状態空間モデルの一括解法
線形・ガウス型状態空間モデルの逐次解法
線形・ガウス型状態空間モデルにおける代表的な成分モデルの紹介と分析例
一般状態空間モデルの一括解法〔ほか〕

萩原淳一郎（ハギワラジュンイチロウ）
２０１６年、北海道大学大学院情報科学研究科博士後期課程修了、博士（工学）。北海道大学客員教授

瓜生真也（ウリュウシンヤ）
１９８９年生まれ。神奈川県出身。２０１６年横浜国立大学大学院博士課程後期中退。企業でデータエンジニアとしての経験を積み、国立環境研究所に勤務。位置情報付きデータの空間解析やウェブデータの処理を専門とする。ウェブ上でのブログ等でＲに関する話題提供を行う他、各種の勉強会やイベント等で発表、講師を務める

牧山幸史（マキヤマコウジ）
バイオインフォマティクス企業における統計解析業務、ＥＣサイトのデータアナリストを経て、ヤフー株式会社データサイエンティスト、ＳＢイノベンチャー株式会社ＡＩエンジニア、株式会社ホクソエム代表取締役社長を兼務

石田基広（イシダモトヒロ）
徳島大学大学院教授。専門はテキストマイニング、授業ではデータ分析やプログラミングを担当（本データはこの書籍が刊行された当時に掲載されていたものです）

第1章：データサイエンス入門
　1.1：データサイエンスの基本
　　1.1.1：データサイエンスの重要性
　　1.1.2：データサイエンスの定義とその歴史
　　1.1.3：データサイエンスにおけるモデリング
　　1.1.4：データサイエンスとその関連領域
　1.2：データサイエンスの実践
　　1.2.1：データサイエンスのプロセスとタスク
　　1.2.2：データサイエンスの実践に必要なツール
　　1.2.3：データサイエンスの実践に必要なスキル
　　1.2.4：データサイエンスの限界と課題
　コラム：ビジネス活用における留意点
第2章：RとPython
　2.1：RとPython
　　2.1.1：RとPythonの比較
　2.2：R入門
　　2.2.1：Rの概要
　　2.2.2：Rの文法
　　2.2.3：データ構造と制御構造
　2.3：Python入門
　　2.3.1：Pythonの概要
　　2.3.2：Pythonの文法
　　2.3.3：Pythonでのプログラミング
　　2.3.4：NumPyとpandas
　2.4：RとPythonの実行例の比較
　　2.4.1：簡単な分析の実行例
第3章：データ分析と基本的なモデリング
　3.1：データの特徴を捉える
　　3.1.1：分布の形を捉える ─ ビジュアルでの確認
　　3.1.2：要約統計量を算出する ─ 代表値とばらつき
　　3.1.3：関連性を把握する ─ 相関係数の使い方と意味
　　3.1.4：Rを使った相関分析 ─ 自治体のデータを使った例
　　3.1.5：確立分布とその利用 ─ 理論と実際の考え方
　3.2：データからモデルを作る
　　3.2.1：目的変数と説明変数 ─ 説明と予測の「向き」
　　3.2.2：簡単な線形回帰モデル ─ Rによる実行と結果
　　3.2.3：ダミー変数を使ったモデル ─ グループ間の差異を分析
　　3.2.4：複雑な線形回帰モデル ─ 交互作用，モデル間の比較
　　3.2.5：線形回帰の仕組みと最小二乗法
　3.3：モデルを評価する
　　3.3.1：モデルを評価するための観点
　　3.3.2：この結果は偶然ではないのか? ─ 有意確率と有意差検定
　　3.3.3：モデルはデータに当てはまっているか? ─ フィッティングと決定係数
　　3.3.4：モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度
　　3.3.5：残差の分布 ─ 線形回帰モデルと診断プロット
　　3.3.6：説明変数同士の相関 ─ 多重共線性
　　3.3.7：標準偏回帰係数
第4章：実践的なモデリング
　4.1：モデリングの準備
　　4.1.1：データの準備と加工
　　4.1.2：分析とモデリングの手法
　4.2：データの加工
　　4.2.1：データのクレンジング
　　4.2.2：カテゴリ変数の加工
　　4.2.3：数値変数の加工とスケーリング
　　4.2.4：分布の形を変える ─ 対数変換とロジット変換
　　4.2.5：欠損値の処理
　　4.2.6：外れ値の処理
　4.3：モデリングの手法
　　4.3.1：グループに分ける ─ クラスタリング
　　4.3.2：指標を集約する ─ 因子分析と主成分分析
　　4.3.3：一般化線形モデル（GLM）とステップワイズ法
　　4.3.4：2値データを目的変数とする分析 ─ ロジスティック回帰
　　4.3.5：セグメントの抽出とその特徴の分析 ─ 決定木
　4.4：因果推論
　　4.4.1：データから因果関係を明らかにする ─ 統計的因果推論
　　4.4.2：因果の有無の検証
　　4.4.3：因果効果の推定
　　4.4.4：因果関係の定式化 ─ 構造方程式モデリング
　　4.4.5：因果関係の定式化 ─ 構造的因果モデル
　　4.4.6：因果関係の定式化 ─ ベイズ統計モデリング
　　4.4.7：因果の探索
　　4.4.8：因果関係に基づく変数選択
第5章：機械学習とディープラーニング
　5.1：機械学習の基本とその実行
　　5.1.1：機械学習の基本
　　5.1.2：機械学習ライブラリの活用 ─ scikit-learn
　　5.1.3：機械学習の実行（教師あり学習）
　　5.1.4：機械学習の実行（教師なし学習）
　　5.1.5：スケーリングの実行（標準化・正規化）
　　5.1.6：次元の削減（主成分分析）
　コラム：機械学習と強化学習
　5.2：機械学習アルゴリズムの例
　　5.2.1：k近傍法
　　5.2.2：ランダムフォレスト
　　5.2.3：ロジスティック回帰とリッジ回帰
　　5.2.4：サポートベクターマシン（SVM）
　5.3：機械学習の手順
　　5.3.1：機械学習の主要な手順
　　5.3.2：ホールドアウト法による実行
　　5.3.3：クロスバリデーションとグリッドサーチ
　　5.3.4：閾値の調整
　　5.3.5：特徴量の重要度と部分従属プロット
　5.4：機械学習の実践
　　5.4.1：データの準備に関わる問題
　　5.4.2：特徴抽出と特徴ベクトル
　　5.4.3：機械学習の実行例
　5.5：ディープラーニング
　　5.5.1：ニューラルネットワーク
　　5.5.2：ディープラーニングを支える技術
　　5.5.3：ディープラーニング・フレームワーク
　　5.5.4：ディープラーニングの実行
　　5.5.5：生成モデル

第1章　テキストマイニングとは何か
第2章　テキストマイニングの準備
第3章　R/RStudio速習
第4章　文字処理と正規表現
第5章　RMeCabによるテキスト解析
第6章　口コミのテキストマイニング―ウェブスクレイピング
第7章　アンケート自由記述文の分析―対応分析
第8章　青空文庫データの解析―ワードクラウドとネットワークグラフ
第9章　テキストの分類―クラスター分析，トピックモデル
第10章　書き手の判別―漱石と鴎外の文体比較
第11章　Twitterタイムラインの分析―APIの利用

■第1章 野球データセット
1.1 イントロダクション
1.2 Lahman データベース：シーズンごとのデータ
1.2.1 スラッガーたちのホームラン数の推移
1.2.2 データの取得
1.2.3 Master テーブル
1.2.4 Batting テーブル
1.2.5 Pitching テーブル
1.2.6 Fielding テーブル
1.2.7 Teams テーブル
1.2.8 クイズ
1.3 Game-by-Game（試合ごとのデータ）
1.3.1 1998 年のMcGwireとSosaのホームラン王争い
1.3.2 Retrosheet
1.3.3 Game Logs
1.3.4 RetrosheetからGame logを取得
1.3.5 Game logの例
1.3.6 クイズ
1.4 Play-by-Play（打席ごとのデータ）
1.4.1 Event files
1.4.2 イベントの例
1.4.3 クイズ
1.5 投球ごとのデータ
1.5.1 MLBAM GamedayとPITCHf/x
1.5.2 PITCHf/xの例
1.5.3 クイズ
1.6 プレイヤーの動きと打球のデータ
1.6.1 Statcast
1.6.2 Baseball Savant data
1.6.3 クイズ
1.7 まとめ
1.8 参考文献
1.9 演習
■第2章 R入門
2.1 イントロダクション
2.2 RとRStudioのインストール
2.3 Tidyverse
2.3.1 dplyr
2.3.2 Pipe
2.3.3 ggplot2
2.3.4 他のパッケージ
2.4 データフレーム
2.4.1 Warren Spahn のキャリア
2.4.2 データフレーム
2.5 データフレームの操作
2.5.1 データフレームの結合・抽出
2.6 ベクトル
2.6.1 ベクトルの定義・計算
2.6.2 ベクトルに関する関数群
2.6.3 ベクトルインデックスと論理変数
2.7 Rにおけるオブジェクトとコンテナ
2.7.1 Characterデータとデータフレーム
2.7.2 Factors
2.7.3 Lists
2.8 まとまったRコマンド
2.8.1 Rのスクリプト
2.8.2 Rの関数
2.9 データの読み込みと書き込み
2.9.1 ファイルから読み込む
2.9.2 データセットの保存
2.10 パッケージ
2.11 データの分割、適用、結合2.11.1 map 関数を使った繰り返し処理
2.11.2 他の例
2.12 ヘルプの活用
2.13 参考文献
2.14 演習
■第3章 グラフィックス
3.1 イントロダクション
3.2 Character 変数
3.2.1 棒グラフ
3.2.2 軸のラベルとタイトルを追加する
3.2.3 Character 変数を使った他の種類のグラフ
3.3 グラフの保存
3.4 Numeric 変数：一次元の散布図とヒストグラム
3.5 2つのNumeric変数
3.5.1 散布図
3.5.2 グラフの作成
3.6 Numeric変数とFactor変数
3.6.1 並列一次元散布図
3.6.2 並列箱ひげ図
3.7 Ruth、Aaron、Bonds、A-Rodの比較
3.7.1 データの取得
3.7.2 プレイヤーのデータフレームの作成
3.7.3 グラフの作成
3.8 1998年のホームラン王争い
3.8.1 データの取得
3.8.2 変数の抽出
3.8.3 グラフの作成
3.9 参考文献
3.10 演習
■第4章 得点と勝利の関係
4.1 イントロダクション
4.2 Lahman DatabaseにおけるTeamsテーブル
4.3 線形回帰
4.4 ピタゴラス勝率
4.4.1 ピタゴラスモデルの指数
4.4.2 ピタゴラスモデルの良い予測と悪い予測
4.5 1勝に必要な得点数
4.6 参考文献
4.7 演習
■第5章 得点期待値を用いたプレーの価値
5.1 得点期待値行列
5.2 イニングの残りで記録された得点
5.3 行列の作成
5.4 打撃プレーの価値の把握
5.5 Jose Altuve
5.6 全バッターの打撃機会とパフォーマンス
5.7 打順
5.8 ヒットの種類による得点価値の違い
5.8.1 ホームランの価値
5.8.2 シングルヒットの価値
5.9 盗塁の価値
5.10 参考文献とソフトウェア
5.11 演習
■第6章 ボール球とストライク球の効果
6.1 イントロダクション
6.2 バッターのカウントとピッチャーのカウント
6.2.1 あるピッチャーの例
6.2.2 Retrosheet からピッチシークエンスを検討する
6.2.3 カウントごとの予測される得点価値
6.2.4 打席における「経過したカウント」の重要性
6.3 カウントによる行動
6.3.1 カウントによるスイングの傾向
6.3.2 ボール／ストライクカウントの影響
6.3.3 カウントによる投球の選択8
6.3.4 カウントによる球審の行動
6.4 参考文献
6.5 演習
■第7章 フレーミング
7.1 イントロダクション
7.2 投球の詳細データ（pitch-level）の取得
7.3 ストライクゾーンはどこか
7.4 ストライク判定確率をモデリング
7.4.1 推定結果の可視化
7.4.2 推定した平面の可視化
7.4.3 利き腕の調整
7.5 フレーミングのモデリング
7.6 参考文献
7.7 演習
■第8章 選手の成績推移
8.1 イントロダクション
8.2 Mickey Mantle の打撃成績推移
8.3 成績推移の比較
8.3.1 事前準備
8.3.2 通算成績のを計算
8.3.3 類似性スコアの計算
8.3.4 年齢、OBP（出塁率）、SLG（長打率）、OPS の定義
8.3.5 成績推移に対するフィッティングとプロット
8.4 ピーク時の年齢の一般的なパターン
8.4.1 全選手に対する成績推移の推定
8.4.2 ピーク時の年齢の変化
8.4.3 ピーク時の年齢と通算打数
8.5 成績推移とポジション
8.6 参考文献
8.7 演習
■第9章 シミュレーション
9.1 イントロダクション
9.2 イニング途中のシミュレーション
9.2.1 マルコフ連鎖
9.2.2 得点期待値を使った評価
9.2.3 遷移確率の計算
9.2.4 マルコフ連鎖によるシミュレーション
9.2.5 得点期待値のその先
9.2.6 チームごとの遷移確率
9.3 シーズンのシミュレーション
9.3.1 Bradley-Terry モデル
9.3.2 スケジュールを組み立てる
9.3.3 素質のシミュレーションと勝率の計算
9.3.4 レギュラーシーズンのシミュレーション
9.3.5 ポストシーズンのシミュレーション
9.3.6 1シーズンをシミュレーションする関数
9.3.7 たくさんのシーズンをシミュレーションする
9.4 参考文献
9.5 演習
■第10章 バッターの好不調分析
10.1 イントロダクション
10.2 好調
10.2.1 連続試合安打を見つける
10.2.2 移動平均を考慮した打率
10.3 各選手の打数レベルでの連続安打
10.3.1 安打とアウトの連続
10.3.2 移動平均打率
10.3.3 全選手のスランプを見つける
10.3.4 イチローとMike Troutの連続安打は異常か？
10.4 Statcastにおける打球速度の特有パターン
10.5 参考文献
10.6 演習
■第11章 データベースを利用したパークファクターの計算
11.1 イントロダクション
11.2 MySQL のインストールとデータベースの作成
11.3 R からMySQL への接続
11.3.1 RMySQL を使った接続
11.3.2 R から他のデータベースへの接続
11.4 R からMySQL のGame log データベースへの入力
11.4.1 Retrosheet からR へ
11.4.2 R からMySQL へ
11.5 Rからクエリを実行する
11.5.1 イントロダクション
11.5.2 Coors Fieldと得点の関係
11.6 独自の野球データベースの構築
11.6.1 Lahmanのデータベース
11.6.2 Retrosheetのデータベース
11.6.3 PITCHf/xのデータベース
11.6.4 Statcastのデータベース
11.7 基本的なパークファクターの計算
11.7.1 Rにデータを読み込む
11.7.2 ホームランに与えるパークファクターの影響
11.7.3 提案アプローチの仮定
11.7.4 パークファクターの適用
11.8 参考文献
11.9 演習
■第12章 Statcastの打球データ
12.1 イントロダクション
12.2 スプレーチャート
12.2.1 1年分のStatcastデータの取得
12.2.2 打球方向の傾向と内野守備
12.3 打球角度と打球速度
12.3.1 打球角度vs打球速度の散布図
12.4 ホームラン確率のモデリング
12.4.1 一般化加法モデル（GAM）
12.4.2 滑らかな予測
12.4.3 2017シーズンのホームランを推定
12.5 打球角度は能力なのか
12.5.1 打球角度の分布
12.5.2 シーズン前半の打球角度とシーズン後半の打球角度の相関
12.7 演習
■付録A Retrosheetファイルの説明
A.1 打席ごとのデータファイルのダウンロード
A.1.1 イントロダクション
A.1.2 セットアップ
A.1.3 特定シーズンへの関数の使用
A.1.4 ファイルの読み込み
A.1.5 parse retrosheet pbp関数
A.2 event file：簡潔なリファレンス
A.2.1 試合とイベントの識別子
A.2.2 試合の状態
A.3 ピッチシークエンスのパース
A.3.1 イントロダクション
A.3.2 セットアップ
A.3.3 全カウントの評価
■付録B MLBAM Gameday・PITCHf/xデータの活用
B.1 イントロダクション
B.2 データが保存されている場所
B.3 PITCHf/xデータを用いた分析
B.3.1 オンラインリソースからデータを取得
B.3.2 Rによる解析
B.3.3 XMLの展開
B.3.4 pitchRx:PITCHf/xデータのためのR関数
B.4 データの詳細
B.4.1 atbatに関する要素
B.4.2 pitchに関する要素
B.4.3 hipに関する要素（打球位置のデータ）
B.5 Gameday and PITCHf/xデータに関するメモ
B.6 雑集
B.6.1 投球の軌道を計算
B.6.2 他のデータソースとのクロスリファレンス
B.6.3 オンラインリソース
■付録C Statcastデータの活用
C.1 イントロダクション
C.2 試合のシチュエーション変数
C.3 投球に関する変数
C.4 プレーのイベント変数
C.5 打球に関する変数
C.6 導出される変数
C.7 守備変数
参考文献

露崎博之（ツユザキヒロユキ）
２０１５年に中央大学理工学部経営システム工学科を卒業後、マーケティングリサーチ会社に入社。２０２０年からはプロ野球球団にて編成・スカウティング担当のアナリストとして従事。スポーツ×アナリティクスの更なる飛躍に向けてイベントの主催など鋭意活動している

Ｙｏｓｈｉｈｉｒｏ　Ｎｉｓｈｉｗａｋｉ（ＹＯＳＨＩＨＩＲＯ　ＮＩＳＨＩＷＡＫＩ）
Ｌｏｎｄｏｎ　Ｓｃｈｏｏｌ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ　ａｎｄ　Ｐｏｌｉｔｉｃａｌ　Ｓｃｉｅｎｃｅ（ＬＳＥ）修了。Ｒは学生時代に独学。１９９４年生まれ（本データはこの書籍が刊行された当時に掲載されていたものです）

石田基広（イシダモトヒロ）
１９８９年東京都立大学大学院人文科学研究科修士課程修了。１９９１年東京都立大学大学院人文科学研究科博士課程中退、広島大学文学部助手。１９９４年徳島大学総合科学部講師。１９９６年徳島大学総合科学部助教授。２００８年徳島大学総合科学部准教授。２０１２年徳島大学大学院ソシオ・アーツ・アンド・サイエンス研究部教授。２０１７年徳島大学大学院社会産業理工学研究部教授（本データはこの書籍が刊行された当時に掲載されていたものです）

グロールマンド，ギャレット（Grolemund,Garrett）
統計学者であり、教師であり、Ｒ開発者。現在はＲＳｔｕｄｉｏに勤務

大橋真也（オオハシシンヤ）
千葉大学理学部数学科卒業、同教育学部教育学研究科修了。千葉県公立高等学校教諭。Ａｐｐｌｅ　Ｄｉｓｔｉｎｇｕｉｓｈｅｄ　Ｅｄｕｃａｔｏｒ、Ｗｏｌｆｒａｍ　Ｅｄｕｃａｔｉｏｎ　Ｇｒｏｕｐ　Ｉｎｓｔｒｕｃｔｏｒ、日本数式処理学会、ＣＩＥＣ（コンピュータ利用教育学会）。現在、千葉県立啓明高等学校数学科・情報科教諭

長尾高弘（ナガオタカヒロ）
１９６０年千葉県生まれ。東京大学教育学部卒。株式会社ロングテール社長（本データはこの書籍が刊行された当時に掲載されていたものです）

Chapter 1　はじめに
1.1　RMarkdown
1.2　sessioninfoによるバージョン情報の確認
1.3　プロジェクトの作成
1.4　本章のまとめと参考文献
Chapter 2　基本的な統計モデリング―要因と目的変数の関係解析(1)
2.1　データの読み込み・概観チェック・集計・可視化
2.2 【レポート例2-1】
2.3　検定・相関解析
2.4　統計モデリング第一歩
2.5 【レポート例2-2】
2.6　本章のまとめと参考文献
Chapter 3　発展的な統計モデリング―要因と目的変数の関係解析(2)
3.1　データの読み込み・集計・可視化
3.2 【レポート例3-1】
3.3　検定
3.4　統計モデリング
3.5 【レポート例3-2】
3.6　本章のまとめと参考文献
Chapter 4　実験計画法と分散分析
4.1　一元配置分散分析―One-way ANOVAによる精製カラムの検討
4.2　二元配置分散分析―Two-way ANOVAによる検出器の検討
4.3 【レポート例4-1】
4.4　直交表を使った分散分析―多数の因子がある場合の組み合わせ効率化：注入口条件の最適化
4.5　分析法の検証
4.6 【レポート例4-2】
4.7　本章のまとめと参考文献
Chapter 5　機械学習―代謝産物の変動解析を例に
5.1　データの読み込み・加工・可視化・検定
5.2　機械学習による判別分析
5.3　変数重要度が上位の因子によるpathway解析および機能解析の準備
5.4 【レポート例5】
5.5　本章のまとめと参考文献
Chapter 6　実践 レポート作成―化学物質の分子記述子と物性の関係解析を例に
6.1　ファイル作成・YAML記述
6.2　本文の記述とデータの読み込み
6.3　機械学習モデル
6.4　バリデーションセットを用いた精度の検証
6.5　変数重要度
6.6　実行環境・引用文献
6.7　本章のまとめと参考文献

はじめに
　本書の特徴
　本書の構成
　本書の対象読者
　本書で解説しなかったこと
　さあRStudioで分析を
tidyverseとは
　tidyverseのパッケージ
　tidyverseの過去
　tidyverseの未来
第1章 RStudioの基礎
1-1 RStudioのダウンロードとインストール
　macOS
　Windows
1-2 RStudioの基本操作
　RStudioのインターフェース
　プロジェクト機能
　Rスクリプトの新規作成と保存
　Rのコマンドの実行
　オブジェクトの確認
　補完機能
　Jobs機能
1-3 RStudioを自分好みにカスタマイズ
　RStudio全般
　コーディング
　外観
　Terminal
　キーボードショートカット
1-4 ファイルの読み込み
　Rの標準関数の問題点
　readrパッケージ
　Excelファイルの読み込み
　SAS,SPSS,STATAファイルの読み込み
　RStudio（GUI）によるデータの読み込み
　ファイル読み込みのまとめ
1-5 RやRStudioで困ったときは
　ヘルプを使う
　Vignetteを見る
　チートシートを使う
　コマンドパレット
1-6 まとめ
第2章 スクレイピングによるデータ収集
2-1 なぜスクレイピングが必要か
　スクレイピングとは
　手作業によるデータ取得の限界
2-2 スクレイピングに必要なWeb知識
　HTML
　CSS
　XMLとXPath
2-3 Rによるスクレイピング入門
　rvestパッケージ
　Webページタイトルの抽出
　パイプ演算子
　スクレイピング実践
2-4 API
　APIとは
　rtweetパッケージによるTwitterデータの収集
　ツイートの収集
　COLUMN ブラウザの自動操作
　COLUMN Webスクレイピングをするときの注意点
2-5 まとめ
　参考文献
第3章 dplyr/tidyrによるデータ前処理
3-1 tidy dataとは
　tidy dataの定義
　tidyではないデータ
3-2 tidyrによるtidy dataへの変形
　tidyではないデータ
　pivot_longer()による縦長データへの変形
　pivot_wider()による横長のデータへの変形
3-3 dplyrによる基本的なデータ操作
　tibbleとデータフレームの違い
　dplyrの関数の概要
　1つのデータフレームを操作する関数の共通点と%>%
　演算子による処理のパイプライン化
　filter()による行の絞り込み
　COLUMN dplyrの関数内でのコード実行
　arrange()によるデータの並び替え
　select()による列の絞り込み
　relocate()による列の並べ替え
　mutate()による列の追加
　summarise()によるデータの集計計算
3-4 dplyrによる応用的なデータ操作
　グループ化
　COLUMN 複数の値を返す集約関数とsummarise()
　COLUMN ウィンドウ関数
　COLUMN selectのセマンティクスとmutateのセマンティクス
　複数の列への操作
3-5 dplyrによる2つのデータセットの結合と絞り込み
　inner_join()によるデータの結合
　さまざまなキーの指定方法
　inner_join()以外の関数によるデータの結合
　semi_join()、anti_join()による絞り込み
3-6 tidyrのその他の関数
　separate()による値の分割
　extract()による値の抽出
　separate_rows()による値の分割（縦方向）
　暗黙の欠損値
　complete()による存在しない組み合わせの検出
　COLUMN group_by()による存在しない組み合わせの表示
　fill()による欠損値の補完
　replace_na()による欠損値の置き換え
3-7 まとめ
第4章 ggplot2を用いたデータ可視化
4-1 可視化の重要性
4-2 ggplot2パッケージを用いた可視化
　準備
　エステティックマッピング
　COLUMN グラフに肉付けする
　統計的処理：stat
　COLUMN X軸に離散変数をマッピングした場合における折れ線グラフ
　配置の指定：position
　COLUMN position_dodge()とposition_dodge2()
　軸の調整
　グラフの保存
4-3 他者と共有可能な状態に仕上げる
　themeの変更
　文字サイズやフォントの変更
　配色の変更
　ラベルを変更する
4-4 便利なパッケージ
　複数のグラフを並べる
　表示される水準の順番を変更したい
4-5 まとめ
　参考文献
第5章 R Markdownによるレポート生成
5-1 分析結果のレポーティング
　ドキュメント作成の現場
　手作業によるドキュメント作成の問題点
5-2 R Markdown入門
　Hello, R Markdown
　Rmdファイルと処理フロー
　Markdownの基本
　Rチャンク
　ドキュメントの設定
　RStudioで使える便利なTips
　COLUMN Visual ModeによるRmdファイルの編集
5-3 出力形式
　html_document形式
　pdf_document形式
　word_document形式
　スライド出力
　R Markdownの出力形式を提供するパッケージ
　COLUMN 日本語環境での注意点
5-4 まとめ
　参考URL・参考文献
付録A stringrによる文字列データの処理
A-1 文字列データとstringrパッケージ
A-2 文字列処理の例
　str_c()による文字列の連結
　str_split()による文字列の分割
　str_detect()による文字列の判定
　COLUMN fixed()/coll()を用いた挙動の調整
　str_count()による検索対象の計上
　str_locate()による検索対象の位置の特定
　str_subset()/str_extract()による文字列の抽出
　str_sub()による文字列の抽出
　str_replace()による文字列の置換
　str_trim()/str_squish()による空白の除去
A-3 正規表現
　任意の文字や記号の検索
　高度な検索
　regex()
A-4 まとめ
付録B lubridateによる日付・時刻データの処理2
B-1 日付・時刻のデータ型とlubridateパッケージ
B-2 日付・時刻への変換
　文字列から日付・時刻への変換
　数値から日付・時刻への変換
　readrパッケージによる読み込み時の変換
B-3 日付・時刻データの加工
B-4 interval
B-5 日付、時刻データの計算・集計例
　wday()を使った曜日の計算例
　floor_date()を使った週ごとの集計例
B-6 タイムゾーンの扱い
B-7 その他の日付・時刻データ処理に関する関数
　zipanguパッケージ
　sliderパッケージ

第1章：データサイエンス入門
　1.1：データサイエンスの基本
　　1.1.1：データサイエンスの重要性
　　1.1.2：データサイエンスの定義とその歴史
　　1.1.3：データサイエンスにおけるモデリング
　　1.1.4：データサイエンスとその関連領域
　1.2：データサイエンスの実践
　　1.2.1：データサイエンスのプロセスとタスク
　　1.2.2：データサイエンスの実践に必要なツール
　　1.2.3：データサイエンスの実践に必要なスキル
　　1.2.4：データサイエンスの限界と課題
　コラム：ビジネス活用における留意点
第2章：RとPython
　2.1：RとPython
　　2.1.1：RとPythonの比較
　2.2：R入門
　　2.2.1：Rの概要
　　2.2.2：Rの文法
　　2.2.3：データ構造と制御構造
　2.3：Python入門
　　2.3.1：Pythonの概要
　　2.3.2：Pythonの文法
　　2.3.3：Pythonでのプログラミング
　　2.3.4：NumPyとpandas
　2.4：RとPythonの実行例の比較
　　2.4.1：簡単な分析の実行例
第3章：データ分析と基本的なモデリング
　3.1：データの特徴を捉える
　　3.1.1：分布の形を捉える ─ ビジュアルでの確認
　　3.1.2：要約統計量を算出する ─ 代表値とばらつき
　　3.1.3：関連性を把握する ─ 相関係数の使い方と意味
　　3.1.4：Rを使った相関分析 ─ 自治体のデータを使った例
　　3.1.5：確立分布とその利用 ─ 理論と実際の考え方
　3.2：データからモデルを作る
　　3.2.1：目的変数と説明変数 ─ 説明と予測の「向き」
　　3.2.2：簡単な線形回帰モデル ─ Rによる実行と結果
　　3.2.3：ダミー変数を使ったモデル ─ グループ間の差異を分析
　　3.2.4：複雑な線形回帰モデル ─ 交互作用，モデル間の比較
　　3.2.5：線形回帰の仕組みと最小二乗法
　3.3：モデルを評価する
　　3.3.1：モデルを評価するための観点
　　3.3.2：この結果は偶然ではないのか? ─ 有意確率と有意差検定
　　3.3.3：モデルはデータに当てはまっているか? ─ フィッティングと決定係数
　　3.3.4：モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度
　　3.3.5：残差の分布 ─ 線形回帰モデルと診断プロット
　　3.3.6：説明変数同士の相関 ─ 多重共線性
　　3.3.7：標準偏回帰係数
第4章：実践的なモデリング
　4.1：モデリングの準備
　　4.1.1：データの準備と加工
　　4.1.2：分析とモデリングの手法
　4.2：データの加工
　　4.2.1：データのクレンジング
　　4.2.2：カテゴリ変数の加工
　　4.2.3：数値変数の加工とスケーリング
　　4.2.4：分布の形を変える ─ 対数変換とロジット変換
　　4.2.5：欠損値の処理
　　4.2.6：外れ値の処理
　4.3：モデリングの手法
　　4.3.1：グループに分ける ─ クラスタリング
　　4.3.2：指標を集約する ─ 因子分析と主成分分析
　　4.3.3：一般化線形モデル（GLM）とステップワイズ法
　　4.3.4：2値データを目的変数とする分析 ─ ロジスティック回帰
　　4.3.5：セグメントの抽出とその特徴の分析 ─ 決定木
　4.4：因果推論
　　4.4.1：データから因果関係を明らかにする ─ 統計的因果推論
　　4.4.2：因果の有無の検証
　　4.4.3：因果効果の推定
　　4.4.4：因果関係の定式化 ─ 構造方程式モデリング
　　4.4.5：因果関係の定式化 ─ 構造的因果モデル
　　4.4.6：因果関係の定式化 ─ ベイズ統計モデリング
　　4.4.7：因果の探索
　　4.4.8：因果関係に基づく変数選択
第5章：機械学習とディープラーニング
　5.1：機械学習の基本とその実行
　　5.1.1：機械学習の基本
　　5.1.2：機械学習ライブラリの活用 ─ scikit-learn
　　5.1.3：機械学習の実行（教師あり学習）
　　5.1.4：機械学習の実行（教師なし学習）
　　5.1.5：スケーリングの実行（標準化・正規化）
　　5.1.6：次元の削減（主成分分析）
　コラム：機械学習と強化学習
　5.2：機械学習アルゴリズムの例
　　5.2.1：k近傍法
　　5.2.2：ランダムフォレスト
　　5.2.3：ロジスティック回帰とリッジ回帰
　　5.2.4：サポートベクターマシン（SVM）
　5.3：機械学習の手順
　　5.3.1：機械学習の主要な手順
　　5.3.2：ホールドアウト法による実行
　　5.3.3：クロスバリデーションとグリッドサーチ
　　5.3.4：閾値の調整
　　5.3.5：特徴量の重要度と部分従属プロット
　5.4：機械学習の実践
　　5.4.1：データの準備に関わる問題
　　5.4.2：特徴抽出と特徴ベクトル
　　5.4.3：機械学習の実行例
　5.5：ディープラーニング
　　5.5.1：ニューラルネットワーク
　　5.5.2：ディープラーニングを支える技術
　　5.5.3：ディープラーニング・フレームワーク
　　5.5.4：ディープラーニングの実行
　　5.5.5：生成モデル

第1章　機械学習入門
1.1　機械学習の起源
1.2　機械学習の利用と乱用
1.3　機械はどのように学習するか
1.4　実際の機械学習
1.5　Rによる機械学習
1.6　まとめ
第2章　データを管理し、理解する
2.1　Rのデータ構造
2.2　Rでのデータの管理
2.3　データを調べて理解する
2.4　まとめ
第3章　怠惰学習―最近傍法を使った分類
3.1　最近傍法分類を理解する
3.2　例：k最近傍法を使って乳がんを診断する
3.3　まとめ
第4章　確率論的学習―ナイーブベイズを使った分類
4.1　ナイーブベイズを理解する
4.2　例：ナイーブベイズを使ってSMSスパムをフィルタリングする
4.3　まとめ
第5章　分割統治―決定木と分類ルールに基づく分類
5.1　決定木を理解する
5.2　例：C5.0の決定木を使ってあぶない融資を特定する
5.3　分類ルールを理解する
5.4　例：分類ルール学習器を使って毒キノコを識別する
5.5　まとめ
第6章　数値データを予測する―回帰法
6.1　回帰を理解する
6.2　例：線形回帰を使って医療費を予測する
6.3　回帰木とモデル木を理解する
6.4　例：回帰木とモデル木を使ってワインの品質を予測する
6.5　まとめ
第7章　ブラックボックス手法―ニューラルネットワークとサポートベクトルマシン
7.1　ニューラルネットワークを理解する
7.2　例：人工ニューラルネットワークを使ってコンクリートの強度をモデル化する
7.3　サポートベクトルマシンを理解する
7.4　例：SVMを使って文字を認識する
7.5　まとめ
第8章　パターン検出―相関ルールを使ったバスケット分析
8.1　相関ルールを理解する
8.2　例：相関ルールを使って頻繁に購入される商品を特定する
8.3　まとめ
第9章　データのグループを特定する―k-means法
9.1　クラスタリングを理解する
9.2　例：k-means法を使ってマーケティングセグメントを特定する
9.3　まとめ
第10章　モデルの性能を評価する
10.1　分類の性能を計測する
10.2　将来の性能を推定する
10.3　まとめ
第11章　モデルの性能を改善する
11.1　定番のモデルの性能を向上させる
11.2　メタ学習でモデルの性能を改善する
11.3　まとめ
第12章　機械学習の専門的なトピック
12.1　現実のデータの管理と前処理
12.2　オンラインデータとオンラインサービスの操作
12.3　問題領域固有のデータを操作する
12.4　Rの性能を向上させる
12.5　まとめ

第1部　【理論編】ベイズ統計モデリングの基本
第1章 はじめよう！　ベイズ統計モデリング
第2章 統計学の基本
第3章 確率の基本
第4章 確率分布の基本
第5章 統計モデルの基本
第6章 ベイズ推論の基本
第7章 MCMCの基本
第2部　【基礎編】RとStanによるデータ分析
第1章 Rの基本
第2章 データの要約
第3章 ggplot2によるデータの可視化
第4章 Stanの基本
第5章 MCMCの結果の評価
第6章 Stanコーディングの詳細
第3部　【実践編】一般化線形モデル
第1章 一般化線形モデルの基本
第2章 単回帰モデル
第3章 モデルを用いた予測
第4章 デザイン行列を用いた一般化線形モデルの推定
第5章 brmsの使い方
第6章 ダミー変数と分散分析モデル
第7章 正規線形モデル
第8章 ポアソン回帰モデル
第9章 ロジスティック回帰モデル
第10章 交互作用
第4部　【応用編】一般化線形混合モデル
第1章 階層ベイズモデルと一般化線形混合モデルの基本
第2章 ランダム切片モデル
第3章 ランダム係数モデル
第5部　【応用編】状態空間モデル
第1章 時系列分析と状態空間モデルの基本
第2章 ローカルレベルモデル
第3章 状態空間モデルによる予測と補間
第4章 時変係数モデル
第5章 トレンドの構造
第6章 周期性のモデル化
第7章 自己回帰モデルとその周辺
第8章 動的一般化線形モデル：二項分布を仮定した例
第9章 動的一般化線形モデル：ポアソン分布を仮定した例