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