その後のJoe Armstrongのオブジェクト指向に対する見解

Erlangはオブジェクト指向か？

Joe Armstrongは「オブジェクト指向はクソか？」という発言の後で「Erlangはオブジェクト指向」であるという興味深い発言をしています。

この発言は2010年６月８日にJoe ArmstrongとRalph Johnsonの間のインタビューの中で発言していますが、その部分を掲載します。

オリジナルのインタビュー記事は次のURLにあります。 Ralph Johnson, Joe Armstrong on the State of OOP http://www.infoq.com/interviews/johnson-armstrong-oop

この中でJoeはErlangの言語の設計者で、RalphはGoFデザインパターンの共著者でGang of Fourと呼ばれています。

Erlangはオブジェクト指向であることに気がついた

　Smalltalkはたくさんのやるべきことを行いました。そして、もし私に対する質問が「オブジェクト指向プログラミングに対してどのように考えるか」と問わるならば、私はこの質問に対して以前と少し考え方を変えました。私は１年前にブログのようなものに対してある記事を書きました。「なぜオブジェクト指向はクソなのか？」です。私がこの記事を書いた理由はある特定の種類の人々を刺激したかったからです。彼らは私の記事に対してとても興味深い反応をしました。そして私はうまく多くの人々を悩ませることができましたが、それは私の意図通りだったのです。それから私は「オブジェクト指向プログラミングとは何なのか」、「Erlangがオブジェクト指向でない」ということに関して疑いを持ち始めました。

　そしてある時「お前は間違っている。Erlangは極めてオブジェクト指向なのだ！」という声が聞こえたのです。彼は「オブジェクト指向言語こそオブジェクト指向ではないのだ！」ともいいました。

それは自分すらこんなことを信じられるかどうか分かりませんが、Erlangこそただひとつのオブジェクト指向プログラミングということです。それはErlangがオブジェクト指向プログラミングであるための３つの信条である「メッセージパッシング」、「オブジェクト同士の隔離(isolation)」「ポリモフィズム」を基礎としているからです。

オブジェクト指向はメッセージングが一番重要

アラン・ケイが書いた有名な話の中で彼は「オブジェクト指向プログラミングの概念は完全に間違って理解されているのだ。オブジェクト指向プログラミングの正しい概念とはオブジェクトとクラスに関してではなく、すべてがメッセージングということなのだ。」と言っています。 彼はオブジェクト指向プログラミングではクラスとメソッドに関することがあまりに強調されすぎて、メッセージについては強調されないことが問題だと言っています。そして、もしメッセージ関してその性質やメリットをもっと多く語ることができれば状況は今より状況がよくなるのだと主張しています。オリジナルのSmalltalkはオブジェクト自身に関して、また、これらのオブジェクトに対してメッセージを送って、これらオブジェクトが送り返されたメッセージによってどのように反応するかについて常にそのメリットを語っています。

　もし、このようなメッセージをやり取りするオブジェクト同士を「隔離(isolate)」できないのであれば、それは問題となります。Dan Ingallsは昨日次のように話しました（そして素晴らしい発言だと私は思います）。「もし、オブジェクトがメッセージを取得したならば、それはどこから来たかを気にする必要がない、本当に気にすることはないのだ。ランタイムシステムがメッセージの配信を取り扱うので、我々はどのように処理されるかを気にすることがないのだ。これはある種の送信側と受信側の相互に「隔離」されていることだ。このことが私がメッセージングを愛している理由なのだ。」

オブジェクト指向における３つの重要事項

　オブジェクト指向プログラミングがもつ３つの性質の中ではおそらく「メッセージング」が最も重要です。

その次に重要な性質はすでにお話した「隔離」です。「隔離」の意味は私のプログラムがあなたのプログラムを破壊してしまわないということです。それは私のプログラムがどこか誤っていてもあなたのプログラムを壊してしまわないことです。 確かにJavaはこの性質に該当しません。たとえば２つのJavaアプリケーションを取り出して、ひとつのJVMに放り込んでみましょう。そして一つのアプリケーションがマシン（JVM)を停止させてしまうと、もうひとつのアプリケーションも止まります。このようにあなたのアプリケーションは他のアプリケーションクラッシュさせることとができます。ということでJavaの世界では「隔離」はできていないことになります。

３つ目は「ポリモフィズム」です。「ポリモフィズム」はまさにメッセージングに関してプログラマーの利便性のために存在します。すべてのオブジェクトやプロセスもしくはあなたが呼び出したいあらゆるのものが"printMe"というメソッドを持っていて、あなたが"自分自身でプリントしなさい"といったときにそれらが自分たちでプリントするのであれば本当にすばらしいことなんです。もし、これらが"printMe"でなくばらばらの名前であればプログラマーは記憶することはできません。それゆえにポリモフィズムが存在して、すべてのオブジェクトは"printMe"メソッドをもっていればなんの問題もないのです。すべてのオブジェクトがわかりやすい名前のメソッドを持っていればすばらしいことなんです。

Erlangはこのような性質をすべて持っています。Erlangは「隔離」の性質を持っています。また「ポリモフィズム」と純粋な「メッセージング」の性質も持っています。このような観点から我々はErlangがただひとつのオブジェクト指向言語だと考えています。おそらく私はオブジェクト指向言語に関するの以前の発言は少し早まってしまっていたのだと思います。ということで、あなたがたはご自身でErlangを試してみることでです。

オブジェクト指向はクソか？

はじめに

これは以前私がqiitaに投稿した記事です｡

オブジェクト指向はクソか？

私は長らくJavaを用いて開発を行なってきましたが、最近､関数型言語であるClojureにより魅力を感じています。 そして関数型言語であるClojureについてなぜ惹かれるのかをいろいろと考えを巡らせているときにこの記事を偶然に見つけました。

記事は「Why OO Sucks」という刺激的なタイトルですが、自ら理解したいという目的もあり､翻訳しました。

http://www.sics.se/~joe/bluetail/vol1/v1_oo.html

実は､この記事は関数型言語のひとつであるErlangの作者であるJoe Armstrongが書いたのです。そして翻訳したあとから知ったのですが、書かれてから少し時間が経っているため、何人かがすでに訳されているようです。そして数多いディスカッションがなされているようです。

誤訳やわかりづらいところがあるかと思いますが、お許し下さい。

Joe Armstrongのオブジェクト指向はクソだ！

オブジェクト指向について

実は私は最初にオブジェクト指向を知った時、オブジェクト指向に対して批判的でした。でも、直感的に誤っていると思っただけで「なぜか？」はわかりませんでした。

そして､オブジェクト指向がとても有名になってしまってからは、OOPを批判することは教会で罵ること（"swearing in church"）のように思われました。

かくしてオブジェクト指向であることはすべての尊敬されるべき言語が持つべき特質のようになってしまったのです。

私が開発したErlangが有名になってからは、Erlangがオブジェクト指向言語であるかどうかよく聞かれました。もちろん正しい答えは、「まったく違います！」です。しかし、この答えを大きな声ではあえて言わなかったのです。

そして、ついに我々はこの質問に対する素晴らしい回答を発明をしたのです。それは普通のひとにはErlangがOOの一種であるような印象を与えるように、しかしながら注意深く私の説明を聞いている人々には実はそうではないことが分かるような答えを思いついたのでした。

私はあるフランスで開催された第７回のIEEEのロジックプログラミングカンファレンスでのフランスIBMの社長のKeyノートスピーチを思い出しました。IBM Prologは多くのOOの拡張を追加したことについて質問されたのですが、それは顧客が要求したからであると答えたのでした。

私はその回答が何の良心の呵責や自己反省がない､すなわち「これが正しい道なのか」ということを考えてないなんて単純な対応だろうかと疑いを持ちました。

オブジェクト指向が"Suck"である理由

私のOOPに対する反対意見はOOの基本的なアイデアに対するものも含まれます。以下にそのアイデアのアウトラインと私の反対意見を述べます。

反論その１ - データ構造と機能は一緒にすべきではない

（Objection 1 - Data structure and functions should not be bound together）

オブジェクトは関数とデータ構造が分割出来ない単位としてひとつまとめにしています。しかし、私はこれこそが基本的でかつ大きな誤りであると考えています。なぜなら、関数とデータは異なる世界に存在するからです。なぜでしょう。関数は何かを実行します。そして関数はインプットとアウトプットを持ちます。関数の入力と出力はデータ構造であり、関数により変更されます。

多くの言語の関数は命令のシーケンスから作られます。すなわち、「まずはこれを実行して、次はこれを実行しなさい」という手順です。関数を理解するためにはどのような順序でものごとが実行されるかを理解しなければなりません（遅延評価をサポートする関数型言語と論理型言語ではこの制限は緩やかです）。

データ構造はそれそのものです。これらは何もしません。これらは本来宣言的なものなのです。データ構造を理解することは関数を理解することよりもはるかに簡単なことなのです。

関数は入力から出力へと変換するためのブラックボックスです。入力と出力を理解すれば関数を理解したことになります。でも理解したからと言って関数を記述できることにはなりません。

関数は通常、コンピュータシステムにおいてジョブがデータ構造をT1からT2に変換することの観察を通して理解したことになります。

このように関数とデータ構造は全く異なるタイプの生き物です。そしてそれを同じカゴの中に閉じ込めるのは全く持って間違っていることなのです。

反論その２ - すべてはオブジェクトではない

(Objection 2 - Everything has to be an object.)

「時刻」について考えてみましょう。OO言語の立場での「時刻」はオブジェクトであるべきです。でも、非OO言語では「時刻」はデータタイプのインスタンスです。例えばErlangでは「時刻」の多くのバラエティがあります。これらはとても明白で曖昧さがありません。

-deftype day() = 1..31.
-deftype month() = 1..12.
-deftype year() = int().
-deftype hour() = 1..24.
-deftype minute() = 1..60.
-deftype second() = 1..60.
-deftype abstime() = {abstime, year(), month(), day(), hour(), min(), sec()}.
-deftype hms() = {hms, hour(), min(), sec()}.
...

これらの定義はどの特定のオブジェクトにも属していません。これらはどこでも利用できるデータ構造で「時刻」を表現しており、システムのどの関数からでも利用することができます。

そしてどのようなメソッドにも関連していません。

反論その３-オブジェクト指向言語ではデータタイプ定義はあちこちに散らばってしまう

(Objection 3 - In an OOPL data type definitions are spread out all over the place.)

オブジェクト指向ではデータタイプはオブジェクトとして定義されます。そうするとデータタイプは一箇所で見つけることができません。ErlangやCではすべての私のデータは一箇所であるinclude fileもしくはデータ辞書でみつけることができます。でも、OOPLではこのようなことができず、データタイプ定義はあちこちに散らばってしまいます。

この例を示しましょう。私が汎用的なデータ構造を定義したいとします。この汎用データタイプとはシステムのすべての場所で使えるものです。

LISPプログラマであれば「わずかな汎用データタイプと多くの小さな関数がこれらに作用すること」が「数多いデータタイプとこれらに作用する少ない数の関数よりも良いこと」という真実を知っています。

そして､汎用データ構造としてリンクリストや配列、ハッシュテーブルがあり、さらには時刻、日付、ファイル名などがあります。

OOPLでは私は汎用的なデータ構造を定義する際にはなにかベースオブジェクトの中から選択しなければならないというとても面倒くさいことをしなければなりません。そして､そのデータ構造はこのオブジェクトを継承して作る必要があります。もし何か「時刻」のオブジェクトを定義したい場合、これがどのベースオブジェクトに所属していて、それ自体、どのようなオブジェクトであるか考えなければならないのです｡

反論その４ - オブジェクトはプライベートな状態を持っている

（Objection 4 - Objects have private state.）

状態(state)は諸悪の根源です。特に関数の副作用は避けるべきです。しかしながらプログラミング言語において状態は好ましいものではないのに関わらず、実世界では状態は至るところに存在します。

例えば私は銀行口座の状態､すなわちに預金残高に大いなる関心があります。そしていつ私が入金や出金をする場合には銀行の口座が正しく更新されなければとても困ったことになります。

実世界でこのような状態が存在したとして、この状態を取り扱うためにはプログラミング言語はどのような仕組みを提供すればよいのでしょうか。

OOPLはプログラマから状態を隠しなさいといいます。状態は隠されてアクセス関数を通してしか見えません。

伝統的なプログラミング言語であるCやPasalでは状態変数の可視性は言語のスコープのルールによってコントロールされます。

でも､純粋に宣言的な言語では状態は存在しないことになっています。このような宣言的言語ではシステムのグローバルな状態はすべての関数の入力や出力になりうるのです。関数型言語におけるモナドや論理型言語におけるDCGでは「状態はあたかも関係のないように」プログラミングすることができます。にも関わらず必要な場合にはこれらのシステムの状態に完全にアクセスをすることができるのです。

ほんとうは「プログラマから状態を隠す」というOOPLで選択されたオプションはとても悪いものなのです。状態を公開して状態の厄介さを最小限にしようとする努力をすべきなのに､その代わりとしてOOPLではそれを隠し去ってしまったのです。

オブジェクトが広まった理由

オブジェクト指向が広まった理由は次のとおりだといわれています。

Reason 1 - It was thought to be easy to learn. （簡単に学べると思われていたから） Reason 2 - It was thought to make code reuse easier. （再利用がより簡単だと思われているから） Reason 3 - It was hyped. （売り込まれたから） Reason 4 - It created a new software industry. （新しいソフトウエア産業を作ったから）

しかし、１と２が事実であるという証拠はまったくを持って見たことがありません。それでも実際にオブジェクト指向が広まった理由はテクノロジーに対する逆向きの作用であると思われます。つまり、あるテクノロジーがひどすぎると、そのテクノロジー自体が作った問題を解決するための新たなビジネスが登場して、金儲けをしたい人たちのアイデアになるのです。実はこのことが実際のOOPに対する推進力になっているということなのです｡

Rを用いて大阪市住民投票のいろいろなデータを探して相関関係をみる

はじめに

今回はRを用いて先に行われた大阪市住民投票の結果からいくつかのデータを探して相関分析をしてみます｡今回は興味本位でいくつかのデータ探し､それらしいデータを取り込んで分析してみました｡ なお､サンプルソースとデータは以下のgithubにありますので､動かして確認いただければと思います｡コードはvote.Rです｡

https://github.com/tokomakoma123/my_R

投票データの処理

利用データ

以下に住民投票の速報データがありましたので､これを切り取ってCSV形式にしました｡

http://www.city.osaka.lg.jp/contents/wdu240/sokuho/tohyo_data_10.html

作成したCSVデータは以下の通りです｡

区名,賛成,反対
北区,"36,019","25,001"
都島区,"30,135","26,671"
福島区,"21,586","17,267"
此花区,"17,597","18,872"
中央区,"24,336","20,657"
西区,"26,094","19,160"
港区,"21,410","23,351"
大正区,"16,646","21,211"
天王寺区,"18,327","20,815"
浪速区,"13,563","12,189"
西淀川区,"23,670","28,337"
淀川区,"48,566","38,903"
東淀川区,"43,388","41,340"
東成区,"20,689","20,667"
生野区,"25,396","29,190"
旭区,"23,145","28,048"
城東区,"46,728","45,784"
鶴見区,"29,859","29,752"
阿倍野区,"30,434","32,446"
住之江区,"33,184","36,880"
住吉区,"38,623","45,950"
東住吉区,"34,079","37,322"
平野区,"46,072","56,959"
西成区,"25,298","28,813"

Rのプログラム

次にこのデータを用いてRを使って処理します｡

#
# 得票数のデータを処理する
#
vote = read.csv("data/vote.csv",header=TRUE,stringsAsFactor=FALSE)

vote$賛成 <- as.numeric(gsub(",", "",vote$賛成)) # 数値化する
vote$反対 <- as.numeric(gsub(",", "",vote$反対)) # 数値化する

vote <- transform(vote,
                  反対率 = (vote$差 / vote$小計) * 100)

# 賛成 - 反対のグラフを描く

barplot(t(vote[,5]), names.arg = vote[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,ylab="反対 - 賛成")

するとこんなグラフになりました｡

若干Rのプログラムは違いますが､ここまでは前回同じことをやりました｡

有権者数のデータを追加する

利用データ

投票データに有権者数のデータを追加します｡有権者数がなぜ必要かというと､得票数は すでにわかっているのですが､投票率を知りたいからです｡

実は得票率と有権者数が表になっているサイトがあることを後からしりました｡

http://ja.wikipedia.org/wiki/大阪市特別区設置住民投票

でもこの中から区名と有権者数のデータを手で抜き出します｡

区名     有権者数
北区     94,128
都島区   82,237
福島区   56,798
此花区   54,470
中央区   71,819
西区     70,287
港区     66,673
大正区   55,159
天王寺区  54,774
浪速区    48,936
西淀川区  75,827
淀川区    138,515
東淀川区  136,353
東成区    61,085
生野区    83,886
旭区     74,371
城東区    132,091
鶴見区    85,852
阿倍野区  85,354
住之江区  100,867
住吉区    123,549
東住吉区  105,456
平野区    155,527
西成区    90,062

Rプログラム

このデータをこれまで加工したデータにくっつけます｡merge関数を使うことで2つのデータフレームを結合します｡

# テーブル形式(スペース区切り)のデータを読み込む

yukensya <- read.table("data/yukensya.dat",header=T)

# カンマ(,)を取り除き､文字列->数値変換する

yukensya$有権者数 <- as.numeric(gsub(",","",yukensya$有権者数))

# 2つのデータフレームを結合する
# これまでのデータフレームと有権者のデータフレームを2つのキーでジョインする

vote <- merge(x = vote, y = yukensya, by.x = "区名", by.y = "区名", all = TRUE)

# 投票率を(賛成票 + 反対票) / 有権者数で計算する

vote <- transform(vote,
                   投票率 = (vote$小計 / vote$有権者数) * 100)

年齢データを追加する

今回の投票で高齢者では反対票が多いということだったので､実際にどうかを調べるために､平均年齢の情報を探して､これまでのデータに追加します｡

利用データ

データを切り出したあとで､データの出所を探したのですが､見つかりませんでした｡見つかったら､このサイトを更新します｡

自治体名    平均年齢           15才未満     15～64才     65才以上
大阪市西成区    52.19才         9,071人    69,435人    41,285人
大阪市生野区    47.12才        14,205人    82,742人    36,102人
大阪市旭区      46.62才        10,378人    57,478人    24,263人
大阪市大正区    46.36才        8,513人     43,058人    17,585人
大阪市東住吉区  46.19才        15,842人    80,731人    33,635人
大阪市阿倍野区  45.68才        12,864人    67,213人    25,630人
大阪市住之江区  45.35才        15,445人    82,120人    28,911人
大阪市此花区    45.30才        7,961人     41,950人    15,545人
大阪市住吉区    45.22才        19,112人    98,097人    37,393人
大阪市東成区    45.19才        9,078人     51,820人    18,577人
大阪市港区      45.04才        9,967人     54,559人    19,896人
大阪市平野区    44.42才        28,494人    122,469人    48,180人
大阪市都島区    44.24才        11,617人    69,011人    20,718人
大阪市城東区    44.08才        21,903人    106,951人    36,210人
大阪市淀川区    43.80才        18,256人    117,819人    34,061人
大阪市浪速区    43.76才        3,609人     43,967人    11,548人
大阪市西淀川区  43.76才        13,488人    62,777人    20,685人
大阪市北区      43.62才        9,077人     78,636人    20,032人
大阪市東淀川区   43.14才        19,980人    118,866人    35,775人
大阪市福島区     43.01才        7,611人     46,011人    12,785人
大阪市中央区     42.94才        6,129人     59,337人    13,215人
大阪市天王寺区    42.74才        8,588人    46,849人    12,680人
大阪市鶴見区     41.48才        18,308人    70,672人    21,539人
大阪市西区       41.04才        8,597人     61,864人    12,585人

Rのプログラム

Rでスペース区切りのデータを読み込んで処理します｡結合するために区名の"大阪市"を削除したり､数値データの"才"､"人"などの文字を取り除き､数値化します｡そして同じように結合しますが､ 平均年齢と65才以上の人数のみ利用します｡

#
# 年齢データを読み込む
#

age <-read.table("data/age.txt",stringsAsFactor=FALSE,header=T)
names(age) <- c("区","平均年齢","年齢15才未満","年齢15から64才未満","年齢65才以上")

# 区のデータを整形する("大阪市"を削除する)

age$区 <- substr(age$区,4,nchar(age$区))

# 不要なカンマがある場合は取り除き､数値データに変換する

age$平均年齢 <- as.numeric(substr(age$平均年齢,1,nchar(age$平均年齢)-1))

age$年齢15才未満 <-
  as.numeric(gsub(",","",substr(age$年齢15才未満,1,nchar(age$年齢15才未満)-1)))

age$年齢15から64才未満 <-
  as.numeric(gsub(",","",substr(age$年齢15から64才未満,1,nchar(age$年齢15から64才未満)-1)))

age$年齢65才以上 <-
  as.numeric(gsub(",","",substr(age$年齢65才以上,1,nchar(age$年齢65才以上)-1)))

#でもやっぱり平均年齢と年齢65才以上しか使わないので､不要な項目は削除する

age <- age[,c(1,2,5)]

#これまでのデータフレームと結合する

vote <- merge(x = vote, y = age, by.x = "区名", by.y = "区", all = TRUE)

生活保護データを追加する

今の市長は生活保護に厳しいと言われているのでそのデータでも分析してみます｡

利用データ

http://www.city.osaka.lg.jp/fukushi/page/0000086901.html

区　    世帯数    人員    保護率（‰）
北区    2,175    2,598    21.4
都島区    2,695    3,345    32.1
福島区    762    939    13.0
此花区    2,104    2,871    43.5
中央区    1,871    2,207    24.5
西区    1,330    1,603    17.6
港区    3,313    4,298    52.5
大正区    2,835    3,856    58.3
天王寺区    1,278    1,596    21.4
浪速区    5,130    6,138    90.3
西淀川区    2,854    3,775    39.3
淀川区    5,165    6,610    37.9
東淀川区    8,025    10,993    62.8
東成区    2,990    3,781    47.3
生野区    7,462    9,330    72.2
旭区    3,648    4,743    52.5
城東区    4,198    5,500    33.3
鶴見区    2,102    3,126    27.9
阿倍野区    2,640    3,277    30.1
住之江区    4,891    6,957    56.5
住吉区    7,392    9,926    64.2
東住吉区    6,751    8,588    66.7
平野区    9,535    13,738    69.9
西成区    25,293    27,793    235.6

Rプログラム

保護人員数と有権者数で保護率を算出します｡そして結合します｡

#
# 各区の生活保護データを読む
# http://www.city.osaka.lg.jp/fukushi/page/0000086901.html

hogo <-read.table("data/hogo.txt",head=T)
names(hogo) <- c("区","保護世帯数", "保護人員数", "保護率")
hogo <- hogo[,1:4]

#カンマを削除し､数値データに変換する
hogo$保護世帯数 <- as.numeric(gsub(",","",hogo$保護世帯数))
hogo$保護人員数 <- as.numeric(gsub(",","",hogo$保護人員数))
hogo$保護率 <- as.numeric(gsub(",","",hogo$保護率))

#これまでのデータフレームにマージする
vote <- merge(x = vote, y = hogo[,c(1,3)], by.x = "区名", by.y = "区", all = TRUE)

vote <- transform(vote,
                   保護率 = (vote$保護人員数 / vote$有権者数) * 100)

人口の統計データを追加する

利用データ

人口に関するデータを以下のサイトから取り出します｡

http://www.city.osaka.lg.jp/shimin/cmsfiles/contents/0000130/130263/shiryou05-1.pdf

区名 世帯数 総数 男 女 １世帯あたり人員 人口密度 面積
北区 59,377 105,204 50,937 54,267 1.77 10,184 10.33
都島区 48,769 102,062 49,720 52,342 2.09 16,870 6.05
福島区 31,819 63,670 30,271 33,399 2.00 13,634 4.67
此花区 29,142 64,914 31,518 33,396 2.23 3,997 16.24
中央区 45,349 73,259 34,131 39,128 1.62 8,250 8.88
西区 46,431 78,342 37,180 41,162 1.69 15,066 5.20
港区 39,255 83,796 40,969 42,827 2.13 10,607 7.90
大正区 31,115 71,433 35,170 36,263 2.30 7,575 9.43
天王寺区 32,838 66,772 31,019 35,753 2.03 13,911 4.80
浪速区 37,432 57,936 29,911 28,025 1.55 13,258 4.37
西淀川区 41,957 96,142 47,550 48,592 2.29 6,756 14.23
淀川区 88,844 170,949 84,794 86,155 1.92 13,524 12.64
東淀川区 91,973 177,952 88,643 89,309 1.93 13,430 13.25
東成区 37,714 78,951 37,664 41,287 2.09 17,352 4.55
生野区 62,669 134,988 64,514 70,474 2.15 16,108 8.38
旭区 44,188 93,732 44,900 48,832 2.12 14,878 6.30
城東区 74,931 164,824 78,909 85,915 2.20 19,575 8.42
鶴見区 44,677 110,148 53,097 57,051 2.47 13,499 8.16
阿倍野区 48,934 107,779 50,063 57,716 2.20 17,993 5.99
住之江区 55,758 127,892 61,456 66,436 2.29 6,158 20.77
住吉区 73,491 157,085 73,780 83,305 2.14 16,819 9.34
東住吉区 61,637 133,985 63,679 70,306 2.17 13,742 9.75
平野区 86,791 200,483 95,527 104,956 2.31 13,103 15.30
西成区 74,297 129,801 76,573 53,228 1.75 17,660 7.35

Rプログラム

同様に男女で賛成､反対の票と関係があるかを分析するために男女比率を求めます｡あと､1世帯あたりの人員数､人口密度も分析に利用するので､これらのデータをこれまでのデータにマージします｡

# 人口の統計データをマージする
#http://www.city.osaka.lg.jp/shimin/cmsfiles/contents/0000130/130263/shiryou05-1.pdf

# 遅まきながら､数値データからカンマを取り去って数値化する関数を追加する
to.numeric <- function(str) {
  return (as.numeric(gsub(",","",str)))
}
city <- read.table("data/city.dat",header=T)

city$世帯数 = to.numeric(city$世帯数)
city$総数 = to.numeric(city$総数)
city$男 = to.numeric(city$男)
city$女 = to.numeric(city$女)
city$１世帯あたり人員 = to.numeric(city$１世帯あたり人員)
city$人口密度 = to.numeric(city$人口密度)
city$面積 = to.numeric(city$面積)

city <- transform(city,
                   男性比率 = (city$男 /city$総数) * 100)
city <- city[,c(1,3,6,7,9)]

vote <- merge(x = vote, y = city, by.x = "区名", by.y = "区名", all = TRUE)

収入のデータを追加する

利用データ

大阪府の年収1000万円世帯比率と平均年収(2014/6/23記事)というのがあるのでこのデータを利用します｡ http://media.yucasee.jp/posts/index/14177/2

区名 平均年収 高額年収比率
天王寺区 509万円 9.85％
福島区 455万円 5.17％
西区 451万円 5.94％
都島区 443万円 6.46％
鶴見区 443万円 4.39％
旭区 441万円 6.76％
西淀川区 436万円 3.81％
北区 433万円 4.96％
阿倍野区 426万円 9.40％
淀川区 426万円 4.76％
中央区 423万円 5.05％
城東区 423万円 5.05％
東成区 416万円 5.19％
住之江区 411万円 4.77％
東住吉区 402万円 5.40％
住吉区 393万円 4.14％
港区 389万円 3.26％
大正区 382万円 3.27％
東淀川区 371万円 3.09％
浪速区 369万円 4.12％
平野区 366万円 3.22％
此花区 365万円 2.93％
生野区 356万円 3.31％
西成区 266万円 1.13％

Rプログラム

平均収入と高額年収比率を分析で利用するために追加します｡

income <- read.table("data/income.dat",stringsAsFactor=FALSE,header=T)
income$平均年収 <- to.numeric(substr(income$平均年収,1,nchar(income$平均年収)-2))
income$高額年収比率 <- to.numeric(substr(income$高額年収比率,1,nchar(income$高額年収比率)-1))

vote <- merge(x = vote, y = income, by.x = "区名", by.y = "区名", all = TRUE)

利用するデータを個別にグラフ化する

利用するデータを視覚化します｡分かりやすくするために順番にソートしてから表示します｡

反対票 - 賛成票

x <- vote[with(vote,order(-vote$差)),] 
barplot(x$差, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,main='差')

平野区､住吉区､旭区が反対票が多く､北区､淀川区､西区が賛成票が多いです｡

反対票率

x <- vote[with(vote,order(-vote$反対率)),] 
barplot(x$反対率, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,main='反対率')

有権者数で割って率に直すと､反対は大正区､平野区､旭区になり､賛成は北区､西区､福島区となります｡

保護率

x <- vote[with(vote,order(-vote$保護率)),] 
barplot(x$保護率, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,main='保護率')

生活保護率は圧倒的に西成区が多く､浪速区､生野区､平野区になります｡ 少ないのは福島区､西区､北区です｡

投票率

x <- vote[with(vote,order(-vote$投票率)),] 
barplot(x$投票率, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='投票率',main='投票率')

投票率はさほど大きな差は見られませんが､阿倍野区､天王寺区､城東区が高く､浪速区､西成区､東淀川区が低いです｡

平均年齢

x <- vote[with(vote,order(-vote$平均年齢)),]
barplot(x$平均年齢, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='平均年齢',main='平均年齢')

平均年齢は西成区が突出して高く､そのあとは生野区､旭区､大正区が続きます｡若いのは西区､鶴見区､天王寺区です｡

年齢65才以上の人口

x <- vote[with(vote,order(-vote$年齢65才以上)),]
barplot(x$年齢65才以上, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='年齢65才以上',main='年齢65才以上')

平均年齢よりも65才以上の数には差が見られます｡平野区､西成区､住吉区でこの年齢層の数が多いです｡浪速区､西区､天王寺区は少ないです｡

1世帯あたりの人員数

x <- vote[with(vote,order(-vote$１世帯あたり人員)),]
barplot(x$１世帯あたり人員, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='１世帯あたり人員',main='１世帯あたり人員')

世帯あたりの人員数は鶴見区､平野区､大正区が多いです｡少ないのは浪速区､中央区､西区です｡

人口密度

x <- vote[with(vote,order(-vote$人口密度)),] 
barplot(x$人口密度, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='人口密度',main='人口密度')

人口密度は城東区､阿倍野区､西成区が高く､此花区､住之江区､西淀川区が低いです｡

男性比率

x <- vote[with(vote,order(-vote$男性比率)),] 
barplot(x$男性比率, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='男性比率',main='男性比率')

こちらは西成区､浪速区､東淀川区が高いですが､東淀川区以降はさほど変わりません｡低いのは阿倍野区､天王寺区､中央区です｡

平均年収

x <- vote[with(vote,order(-vote$平均年収)),] 
barplot(x$平均年収, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='平均年収',main='平均年収')

平均年収の突出しているのは天王寺区でその後､福島区､西区が続きます｡ 逆に低いのは西成区､生野区､此花区です｡

年収1000万以上の高額年収比率

x <- vote[with(vote,order(-vote$高額年収比率)),] 
barplot(x$高額年収比率, names.arg = x[,1],
        col = c("#eeeeee"), beside = TRUE,las = 2,xlab='区',ylab='高額年収比率',main='高額平均比率')

天王寺区､阿倍野区が突出しており､旭区が続きます｡低いのは西成区が抜けており､此花区､東淀川区になります｡

相関を計算してグラフ化する

これらのデータから相関のグラフを描きます｡相関はcor(x,y)で求めることが出来ます｡相関は一般的に0.7以上が強い相関､0.4以上は相関がある､0.2以上で弱い相関関係となります｡

parで3 x 3のプロット領域を確保し､その中に9個の相関グラフを描きます｡

par(mfrow=c(3,3)) 

# 1. 反対率と平均年齢の相関グラフを描く

x <- vote$反対率
y <- vote$平均年齢
plot(x, y,xlab='反対率',ylab='平均年齢',pch=16, main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))


# 2. 反対率と65才以上の比率の相関グラフを描く

x <- vote$反対率
y <- vote$年齢65才以上/vote$総数

plot(x, y,xlab='反対率',ylab='年齢65才以上',pch=16, main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))


# 3. 反対率と平均年齢の相関グラフを描く

x <- vote$反対率
y <- vote$保護率
plot(x, y, xlab='反対率',ylab='保護率',pch=16, main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 4. 反対率と生活保護率の相関グラフを描く

x <- vote$反対率
y <- vote$投票率
plot(x, y, pch=16, xlab='反対率',ylab='投票率',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 5. 反対率と世帯あたりの人員数の相関グラフを描く

x <- vote$反対率
y <- vote$１世帯あたり人員
plot(x, y, pch=16, xlab='反対率',ylab='１世帯あたり人員',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 6. 反対率と人口密度の相関グラフを描く

x <- vote$反対率
y <- vote$人口密度
plot(x, y, pch=16, xlab='反対率',ylab='人口密度',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 7. 反対率と男性比率の相関グラフを描く

x <- vote$反対率
y <- vote$男性比率
plot(x, y, pch=16, xlab='反対率',ylab='男性比率',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 8. 反対率と平均年収の相関グラフを描く

x <- vote$反対率
y <- vote$平均年収
plot(x, y, pch=16, xlab='反対率',ylab='平均年収',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

# 9.反対率と高額年収比率(年収1000万円以上の割合)の相関グラフを描く

x <- vote$反対率
y <- vote$高額年収比率
plot(x, y, pch=16, xlab='反対率',ylab='高額年収比率',main=sprintf("相関係数 = %5.3f",cor(x,y))); abline(lm(y ~ x))

年齢65才以上の人口/総人口つまり年齢65才以上の占める割合の多い区で反対票が多いことが分かりました｡この相関係数は0.7近いもので強い相関が認められます｡

つぎに家族の人員構成も0.636とそれなりに強い相関があることにあります｡大きな家族を持つ区ほど反対の割合が多いことになるということです｡

平均年齢と反対率もそれなりの相関をもつことが分かりました｡ その後､保護率､投票率が続きます｡

逆相関が見られるのは平均年収です｡つまり年収が高い区ほど賛成に投じた割合が高いのです｡

おわりに

今回ははじめてRを使って実際のデータの分析を行いました｡統計の初学者でRもはじめたばかりですので､分析結果にはおかしいところがあるかも知れません｡でも興味のある事象に関して自分でデータを収集して実際に分析を行うことは好奇心がそそられます｡また､実践力の観点でもプラスになるかと思います｡今後もこのような取り組みを行なって行きたいと思います｡

砂糖の弊害

世の中には様々な砂糖を含んだ食べ物があります。これらの弊害はなんでしょうか。まず、糖類過多による肥満、虫歯の原因、しいては糖尿病の元凶です。それに砂糖には恐ろしい依存症があります。

以下の図を見て下さい。ブドウ糖、果糖、砂糖などの単糖類・２糖類と穀物などの多糖類の血糖値の推移です。お腹が空いた時にブドウ糖、砂糖を取ると血糖値は急上昇して、それを阻止するために体からは過剰なインシュリンを分泌して、血糖値を低下させ、低血糖を招きます。この低血糖は体のダルさ、震えを招き、さらなる糖類を要求します。

それと引き換え、穀物などの多糖類を食べると血糖値の変化は少なくなり、低血糖における問題は回避できます。

私も夕方４時、５時あたりには体がだるくて間食にお菓子を食べる習慣がありましたが、それを我慢してやめるとこの時間帯の糖質の欲求がなくなりました。

糖質は脳の働きを高める説がありますが、どうか分かりません。甘いものを食べたときの充実感はありますが、それに依存することはよくないことであると思います。 

以下の本はいまは絶版になっていて、中古でも探すのが難しいですが、砂糖の正体を暴くものです。

砂糖病―甘い麻薬の正体