フルマラソンの完走タイム

あまりの運動不足から最近ランニングをはじめ、継続するための目標としてフルマラソンを走ってみたいと思っている。 フルマラソンをとても走れるとは思えなかったが、調べると意外と走れるようである。 走れるといってもそう簡単にできるものではないので、下調べをしていると 自分がどの程度で走れるのか、また、ほかの人がどの程度で走っているのかに興味が出てきた。

スポロクリザルトというサイトで一部マラソン大会の結果が公表されていたので、 一般市民が参加しそうで比較的有名そうな金沢マラソンの記録をもとに、マラソン大会出場者の完走タイムについて簡単に調べてみた。

# パッケージの読込
library(tidyverse)
library(rvest)
library(lubridate)

# データの取得
## 男子総合の結果を順次取得する
## 時間もかかるため、ここでは読み込んだ既に取得したデータを読み込むことにする
# # 男子
# adress = "https://sporoku.jp/result/kanazawa_20191027/list?race_id=696&div_id=584&page="
# pages = 1:209
# 
# 
# dt_male = list()
# for(i in pages){
#   dt_male[i] =
#   read_html(paste0(adress, pages[i])) %>%
#     html_table()
# }
# saveRDS(dt_male,"kanazawa_marathon_male.rds")
# 
# # 女子
# adress = "https://sporoku.jp/result/kanazawa_20191027/list?race_id=696&div_id=585&page="
# pages = 1:67
# 
# dt_female = list()
# for(i in pages){
#   dt_female[i] =
#   read_html(paste0(adress, pages[i])) %>%
#     html_table()
# }
# saveRDS(dt_female,"kanazawa_marathon_female.rds")


dt_male = 
  readRDS("kanazawa_marathon_male.rds")
dt_female =
  readRDS("kanazawa_marathon_female.rds")

data = 
  map(list(dt_male, dt_female), ~ do.call("rbind",.x)) %>% 
  map(~ .x[,1:4] %>% 
        as_tibble() %>% 
        mutate(time = lubridate::hms(タイム),
         ranking = str_replace(順位,"位","") %>% as.integer())) %>% 
  map2(c("male", "female"), ~ mutate(.x, gender = .y))

data =
  do.call("rbind",data)
data =
  group_by(data, gender) %>% 
  mutate(ranking_percentile = ranking/max(ranking)) %>% 
  ungroup()

# 順位パーセンタイル値と完走時間の関係をプロット
data %>% 
  ggplot(aes(ranking_percentile, time, color = gender))+
  geom_point()+
  scale_y_time()

4人に1人はサブ4を達成していることが分かる。 このままでは詳細が見ずらいので、順位のパーセンタイル値ごとに完走時刻をプロットする。

data %>% 
  mutate(percentile_factor = cut(ranking_percentile,breaks = seq(0,1,by=.1))) %>% 
  ggplot(aes(ranking_percentile, time, color=gender))+
  geom_point()+
  scale_y_time() +
  scale_x_continuous(breaks=seq(0,1,by=.1))+
  facet_wrap(~percentile_factor, scales = "free")

サブ3.5を達成すると上位10%に入ることができるようである。
また、サブ4, サブ5近辺でグラフの傾きが少し変わっていることが確認できる。 これは、それぞれの時間内で完走を目指すためだろう。

## 完走時間のパーセンタイル値
data %>% 
  select(time, gender) %>% 
  group_split(gender) %>%
  map(~ 
        pull(.x,time) %>% 
        as.numeric() %>% 
        quantile(seq(0,1,by=.05)) %>% 
        data_frame(percentage = names(.),value=.) %>% 
        mutate(h = floor(value/3600),
               m = floor((value-h*3600)/60),
               s = floor(value-h*3600-m*60)) %>% 
        mutate(time = paste(h,m,s, sep = ":") %>% hms()) %>% 
        select(percentage, time))  %>% 
  map2(.y=c("female","male"),~mutate(.x,gender=.y)) %>% 
  do.call(what="rbind",args=.) %>% 
  spread(gender, time, convert=T) %>% 
  mutate(num=str_extract(percentage,"\\d+") %>% as.integer()) %>% arrange(num) %>% select(-num) %>% 
  mutate_at(vars(ends_with("male")), hms) %>% 
  mutate(diff_time = as.duration(female - male)) %>% 
  knitr::kable(format="markdown")

percentage	female	male	diff_time
0%	2H 34M 52S	2H 11M 36S	1396s (~23.27 minutes)
5%	3H 44M 25S	3H 14M 22S	1803s (~30.05 minutes)
10%	4H 0M 18S	3H 30M 22S	1796s (~29.93 minutes)
15%	4H 15M 23S	3H 44M 18S	1865s (~31.08 minutes)
20%	4H 28M 6S	3H 54M 24S	2022s (~33.7 minutes)
25%	4H 37M 35S	4H 1M 3S	2192s (~36.53 minutes)
30%	4H 46M 56S	4H 12M 57S	2039s (~33.98 minutes)
35%	4H 55M 21S	4H 22M 52S	1949s (~32.48 minutes)
40%	5H 1M 54S	4H 29M 53S	1921s (~32.02 minutes)
45%	5H 13M 17S	4H 39M 50S	2007s (~33.45 minutes)
50%	5H 22M 27S	4H 48M 48S	2019s (~33.65 minutes)
55%	5H 30M 23S	4H 56M 20S	2043s (~34.05 minutes)
60%	5H 39M 5S	5H 4M 27S	2078s (~34.63 minutes)
65%	5H 47M 47S	5H 15M 21S	1946s (~32.43 minutes)
70%	5H 56M 13S	5H 26M 49S	1764s (~29.4 minutes)
75%	6H 6M 0S	5H 38M 33S	1647s (~27.45 minutes)
80%	6H 16M 25S	5H 49M 52S	1593s (~26.55 minutes)
85%	6H 28M 3S	6H 2M 59S	1504s (~25.07 minutes)
90%	6H 37M 51S	6H 19M 38S	1093s (~18.22 minutes)
95%	6H 49M 7S	6H 39M 38S	569s (~9.48 minutes)
100%	7H 0M 19S	7H 1M 55S	96s (~1.6 minutes)

上記の結果から、男子のタイムに30分を加えたタイムが、同じ走力を持つ女子と考えられる。