基于R利用if语句套嵌进行多重条件判断

我们知道在R中if语句可以帮助我们进行条件判断，常用于修改变量，做出条件选择等等，对于条件为二分类的判断非常有帮助，

比如我们想判断学生的成绩是否及格，60分以上算是及格

ifelse(n>60,paste("及格"),paste("及格"))

但是如果条件是多个选择的，比如我们想把学生的成绩分成100-90分的为优，90-80为良，80-60的为及格，60以下的为不及格。如果在python中可以使用if, elif语句进行分类，在但是R中就不这么好弄了。
其实我们可以通过ifelse的格式套嵌解决这个问题，写成代码就是

if(boolean_expression 1) {
   // Executes when the boolean expression 1 is true.
} else if( boolean_expression 2) {
   // Executes when the boolean expression 2 is true.
} else if( boolean_expression 3) {
   // Executes when the boolean expression 3 is true.
} else {
   // executes when none of the above condition is true.
}

带入我们的案例就是

p<-65
if (n>=90)
  paste("优") else if (p<90 & p >=80)
    paste("良") else if (p<80 & p>=60)
      paste("及格") else if (p<60)
        paste("不及格")

我们可以制作成function可以随时进行判断

g2<-function(p){
  if (n>=90)
    paste("优") else if (p<90 & p >=80)
      paste("良") else if (p<80 & p>=60)
        paste("及格") else if (p<60)
          paste("不及格")
}

有人想问这样有啥用，我们可以把它做成一个大循环的条件判断语句，进行判断。下面我们上一个实际数据来演示一下

states<-read.csv("E:/r/test/Murder.csv",sep=',',header=TRUE)

该数据为美国各个州的谋杀犯罪率数据（公众号回复：谋杀数据，可以获得数据），Population：人数；Income：收入；Illiteracy：文盲率；Life Exp：寿命；Murder：凶杀案发生率（每10万人）；HS Grad：高中毕业率；Frost：气温低于冰冻的天数；Area：每平方英里的陆地面积。
假设我们想知道凶杀案发生和什么原因有关，然后相关的因素用号表示出来，而且号越多，相关程度越大。
我们使用统计值来表示相关程度，P来表示号，假设P小于0.1为，P小于0.05为**，P小于0.01为***，P大于0.1为无统计学意义，那么R的表达式为

g1<-function(p){
  if (p<=0.01)
    paste("***") else if (p<=0.05 & p>0.01)
      paste("**") else if (p<=0.1 & p>0.05)
        paste("*") else
          paste("无统计学意义")
}

OK，设计好这个判断之后，我们只要把和Murder：凶杀案发生率相关因素的P值求出来，然后直接使用这个function（程序）来判断就可以了
先设计两个空值

result2<-c()
result3<-c()

做个循环

var<-c("Population","Illiteracy","Life.Exp","Area")
for(i in 1:4){
  fit<-lm(substitute(Murder~x+Frost+Income,list(x=as.name(var[i]))),data = states)##建立线性回归模型
  p<-g1(p<-coef(summary(fit))[2,c(4)])
  result2<-rbind(result2,c(colnames(states)[i],coef(summary(fit))[2,c(1,2,4)]))
  result3<-cbind(result2,p)
}

如图所示，result3就是我们需要的结果

从上图我们可以看出，每个指标的系数，P值相关性都列出来了，我们在后面添加了号表示相关程度，这在数据挖掘中十分有用，假设您刚拿到一个庞大的数据，里面有上百个变量，或者是基因数据，您不知道哪个变量（基因）和结果相关，做个筛查看看哪个基因标有号就可以进行快速的初筛，后面可以在慢慢仔细研究。