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10月21日; {gt} 0.11.1)、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。

{gt}の公式ホームページ

　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。

　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』")

Variable	Mean	SD	Min	Max	Obs
タイトル
サブタイトル
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』")

Variable	Mean	SD	Min	Max	Obs
タイトル
サブタイトル
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/)』")

Variable	Mean	SD	Min	Max	Obs
タイトル
サブタイトル
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/)』"))

Variable	Mean	SD	Min	Max	Obs
タイトル
サブタイトル
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
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

　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
Variable	Mean	SD	Min	Max	Obs
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
Variable	Mean	SD	Min	Max	Obs
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
	Mean	SD	Min	Max	Obs
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()

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	Logo	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	Logo	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	Logo	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	Logo	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
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

　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
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

df1_tbl |>
  gt_theme_espn()

Variable	Mean	SD	Range		Obs
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

df1_tbl |>
  gt_theme_nytimes()

Variable	Mean	SD	Range		Obs
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

df1_tbl |>
  gt_theme_guardian()

Variable	Mean	SD	Range		Obs
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

df1_tbl |>
  gt_theme_dot_matrix()

Variable	Mean	SD	Range		Obs
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

# 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
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

df1_tbl |>
  gt_theme_excel()

Variable	Mean	SD	Range		Obs
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

df1_tbl |>
  gt_theme_pff()

Variable	Mean	SD	Range		Obs
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

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10月21日; {gt} 0.11.1）、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

Variable	Mean	SD	Min	Max	Obs
タイトル
サブタイトル
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30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。

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