R入门Day6:数据类型5---因子

20200511·Kony·Win10
因子
因子(factor):是名义型变量或有序型变量,比较特殊。一个因子不仅包括分类变量本身还包括变量不同的可能水平(即使它们在数据中不出现)。

1. factor()的用法

factor(x = character(), levels, labels = levels,
       exclude = NA, ordered = is.ordered(x), nmax = NA)
#factor (x,levels=sort(unique(x),na.last=TRUE), labels=lebels, exclude=NA, ordered=is.order (x))
  • levels用于指定因子的可能水平;
  • labels用于定义水平的名字;
  • exclude指从向量x中剔除的水平值;
  • ordered指因子的水平是否要排序
a <- factor(1:3)
a  ###3个数据,3个水平
## [1] 1 2 3
## Levels: 1 2 3

b<-factor(1:3, levels=1:5)
b ###3个数据,5个水平,数据数比水平数大,其中两个水平没有出现
## [1] 1 2 3
## Levels: 1 2 3 4 5

2. factor 数据的名称

c<-factor(1:3,labels=c("a","b","c"))
c
## [1] a b c
## Levels: a b c

d<-factor(1:3,levels=1:5,labels=c("a","b","c","d","e"))
d
## [1] a b c
## Levels: a b c d e

str()函数

str(c) #str即structure,紧凑的显示对象内部结构,即对象里有什么

# Factor w/ 3 levels "a","b","c": 1 2 3
 #c有三个水平,名字分别为a,b,c

3. 将factor转化为其他类型

3.1 数值型

d<-c(1,10) #建立向量a,值为1,10
d
## [1]  1 10
fac<-factor(d)
fac #提取向量a的因子数,并赋给fac
## [1] 1  10
## Levels: 1 10
fac_value<-as.numeric(fac) #将fac转化为数值
fac
## [1] 1  10
## Levels: 1 10

3.2 字符型

e<-c("Male","Female")
e  #建立向量e,为字符型
## [1] "Male"   "Female"
fac_e<-factor(e);fac_e #提取向量e的因子,并且赋给fac_e
## [1] Male   Female
## Levels: Female Male
fac_e_value<-as.numeric(fac_e)#将fac_e转化为数值型
fac_e_value
## [1] 2 1

3.3 将factor转化为数值

as.numeric(as.character(fac))
## [1]  1:10

4. 将其他数据转化为factor

4.1将字符转换为因子

a<-c("RE","GR","BL")
a<-factor(a)
a
## [1] RE GR BL
## Levels: BL GR RE
levels(a)<-c(1,2,3,4)
a
## [1] 3 2 1
## Levels: 1 2 3 4

f<-factor(c("A","B","C",labels=c(1,2,3)))
f
##                         labels1 labels2 labels3 
      A       B       C       1       2      3 
## Levels: 1 2 3 A B C

4.2 将数值转换为因子

b <- c(1,2,3,1)
b <- factor(b)
b
## [1] 1 2 3 1
## Levels: 1 2 3

4.3 提取可能的因子

ff <- factor(c(2,4),levels=2:5)
ff
## [1] 2 4
## Levels: 2 3 4 5
levels(ff)
## [1] "2" "3" "4" "5"

4.4 将连续型数据转换为因子

以PlantGrowth数据集为例说明,先看一下这个数据集:

pg <- PlantGrowth[c(1,2,11,21,22),]
pg
# weight group
# 1    4.17  ctrl
# 2    5.58  ctrl
# 11   4.81  trt1
# 21   6.31  trt2
# 22   5.12  trt2

在这个案例中,我们使用cut()函数把一个连续型变量weight转化为分类变量wtclass

pg$wtclass <- cut(pg$weight,breaks=c(0,5,6,Inf))
pg
# weight group wtclass
# 1    4.17  ctrl   (0,5]
# 2    5.58  ctrl   (5,6]
# 11   4.81  trt1   (0,5]
# 21   6.31  trt2 (6,Inf]
# 22   5.12  trt2   (5,6]

我们为三个类设定了四个边界值,边界值可以包括正无穷(Inf)和负无穷(-Inf),如果一个值落在我们规定的区间外,它的类别将被设定为NA(缺失值),cut()函数的结果是一个因素,并且因子水平的名称是以生成的区间命名的

 str(pg)
'data.frame':   5 obs. of  3 variables:
 $ weight : num  4.17 5.58 4.81 6.31 5.12
 $ group  : Factor w/ 3 levels "ctrl","trt1",..: 1 1 2 3 3
 $ wtclass: Factor w/ 3 levels "(0,5]","(5,6]",..: 1 2 1 3 2

但是这个区间名称明显不太方便,我们可以更改一下

pg$wtclass <-cut(pg$weight,breaks=c(0,5,6,Inf),
                labels=c("Small","Medium","Large"))
# > pg
# weight group wtclass
# 1    4.17  ctrl   Small
# 2    5.58  ctrl  Medium
# 11   4.81  trt1   Small
# 21   6.31  trt2   Large
# 22   5.12  trt2  Medium

cut()函数生成的区间是左开右闭的,换句话说,它们不会包含最小值,但是它们包含了最大值,对于值最小的一类,可以通常设置参数include.lowest=TRUE来实现,这样它们就能同时包含最小值和最大值了,如果要让生成的区间是左闭右开的,需要设定参数right=FALSE

pg$wtclass <- cut(pg$weight,breaks=c(0,5,6,Inf),right=FALSE)
#     weight group wtclass
#  1    4.17  ctrl   [0,5)
#  2    5.58  ctrl   [5,6)
#  11   4.81  trt1   [0,5)
#  21   6.31  trt2 [6,Inf)
#  22   5.12  trt2   [5,6)

如果要更改不同因子的名称,例如将Small改为A,Medium改为B,Large改为C,那么就需要car中的recode函数

head(pg)
# weight group wtclass
# 1    4.17  ctrl   Small
# 2    5.58  ctrl  Medium
# 11   4.81  trt1   Small
# 21   6.31  trt2   Large
# 22   5.12  trt2  Medium
library(car)
pg$wtclass <- recode(pg$wtclass,"'Small'='A';'Medium'='B';'Large'='C'")
head(pg)
# weight group wtclass
# 1    4.17  ctrl       A
# 2    5.58  ctrl       B
# 11   4.81  trt1       A
# 21   6.31  trt2       C
# 22   5.12  trt2       B

4.5生成指定的因子

seq()

在R的向量笔记中,提到了seq()函数用来生成某一条件的向量,这个函数在生成特定因子方面也有很重要的作用,用法为seq(length=, from=, to=),其中,length:指定生成个数,from:是指开始生成的点,to:截止点

seq(length=10,from=10,to=100) # 生成从10到100的向量,一共10个
##  [1]10  20  3040  50  6070  80  90 100
# 上述命令等价于
seq(10,100,10)
##  [1]10  20  3040  50  6070  80  90 100
seq(1,10,by=2)
## [1] 1 3 5 7 9
seq(1,10,length=6)
## [1]  1.02.8  4.6  6.48.2 10.0
sequence(2:3) #产生以 2 和 3 结尾的序列数据
## [1] 1 2 1 2 3

rep()

用法:rep(P,N),表示重复生成P值N次,例如rep(a1:a2,a1:a2) #重复a1到a2,按a1产生a1次,按a2产生a2次,当rep(a1:a2,a1:a2)这种结构,后边的a1:a2要小于前者

rep(1,10)
##  [1] 1 1 1 1 1 1 1 1 1 1
rep(1:5,each=2, times=2) #重复1到5,每个元素重复二次,整个数列重复两次
##  [1] 1 1 2 2 3 3 4 4 5 5 1 1 2 2 3 3 4 4 5 5
rep(1:3,1:3) # 1重复1次,2重复2次,3重复3次
## [1] 1 2 2 3 3 3

gl()

生成规则的因子序列,gl(k,n):k为水平数据,n是每个水平重复的次数

gl(3,5) #生成5个1,5个2,5个3,
##  [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3
## Levels: 1 2 3
gl(3,5,length=30) #生成5个1,5个2,5个3,循环到30个,即:
##  [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3
## Levels: 1 2 3
gl(2,6,label=c("Male","Female")) #生成Male与Female两个因子,各6个,共12个数据:
##  [1] Male Male   Male   Male Male   Male   Female Female Female Female
## [11] Female Female
## Levels: Male Female

5. 有序因子

因子没有顺序,但也可以人为指定顺序。例如糖尿病类型Diabetes(Type1,Type2),就是2种类型没有顺序,但病人状态status(Poor,Imporved,Excellent)是有顺序的

patientID<-c(1,2,3,4)
age<-c(25,34,28,52)
diabetes<-c("Type1","Type2","Type1","Type1")
status<-c("Poor","Improved","Excellent","Poor")
diabetes<-factor(diabetes) #提取不同糖尿病类型的因子
status<-factor(status,order=TRUE) # 提取因子,并且有序
patientdata<-data.frame(patientID,age,diabetes,status)
patientdata
##   patientID age diabetes    status
## 11  25    Type1Poor
## 22  34    Type2Improved
## 33  28    Type1 Excellent
## 44  52    Type1Poor

注:字符型向量的因子水平默认依字母顺序创建。但在实际情况中并不常用,而是通过levels选项来指定因子顺序,使用
factor(status, order = TRUE, levels = c(“Poor”, “Improved”, “Excellent”)),
各个水平的赋值就为1 = Poor, 2 = Improved, 3 = Excellent
或是通过以下代码实现

## [1] Poor      ImprovedExcellent Poor     
## Levels: Poor < Improved < Excellent
str(patientdata)#显示数据框的结构
## 'data.frame':    4 obs. of  4 variables:
##  $ patientID: num  1 2 3 4
##  $ age      : num25 34 28 52
##  $ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
##  $ status   : Ord.factor w/ 3 levels "Excellent"<"Improved"<..: 3 2 1 3
summary(patientdata)
##    patientID         age         diabetes       status 
##  Min.   :1.00Min.   :25.00   Type1:3Excellent:1  
##  1st Qu.:1.75   1st Qu.:27.25   Type2:1Improved :1  
##  Median :2.50   Median :31.00             Poor     :2  
##  Mean   :2.50Mean   :34.75                          
##  3rd Qu.:3.25   3rd Qu.:38.50                          
##  Max.   :4.00Max.   :52.00

6. factor的统计

如果一组数据有多个重复值,例如美国的每一个州都位于4个区域的中某一个,分别为东北,南、中北和西,则我们看一下内置的state数据集:

head(state.region)
## [1] South West  West  South WestWest 
## Levels: Northeast South North Central West
table(state.region)
## state.region
##Northeast         South North Central          West 
##9            16            12            1

R语言基础--数据类型之因子

你可能感兴趣的:(R入门Day6:数据类型5---因子)