R语言表与因子（详细知识点，深入知识点后续会补充！）

(1) level表示额外的信息,包含向量中不同值的记录 

> x<-c(5,12,13,12)
> xf<-factor(x)
> xf
[1] 5  12 13 12
Levels: 5 12 13
#xf中不同数值(5,12,13)就是水平

>length(xf)
[1] 4
#因子的长度定义为数据的长度,而不是水平的长度


#可以提前插入新的水平
> x<-c(5,12,13,12)
> xff<-factor(x,levels = c(5,12,13,88))
> xff
[1] 5  12 13 12
Levels: 5 12 13 88
> xff[2]<-88
> xff
[1] 5  88 13 12
Levels: 5 12 13 88

但是不能添加非法的水平
> xff[2]<-28
Warning message:
In `[<-.factor`(`*tmp*`, 2, value = 28) : 因子层次有错，产生了NA

(2)tapply函数

> ages<-c(25,26,55,37,21,42)
> affils<-c("R","D","D","R","U","D")
> tapply(ages,affils,mean)
 D  R  U 
41 31 21 
这里返回的是mean(u[x]),mean(u[y]),mean(u[z])


#也可以使用自定义函数
x <- c(1, 2, 3, 4, 5, 6)

# 创建一个因子
f <- factor(c("A", "B", "A", "B", "A", "B"))

# 自定义函数，计算每个子集的标准差
my_function <- function(x) {
  return(sd(x))
}

# 使用tapply应用自定义函数
result <- tapply(x, f, my_function)
print(result)

#输出
     A      B 
1.632993 1.632993 

#多因子拆分

x <- c(1, 2, 3, 4, 5, 6)

# 创建两个因子
f1 <- factor(c("A", "A", "B", "B", "A", "B"))
f2 <- factor(c("X", "Y", "X", "Y", "Y", "X"))

# 使用tapply计算平均值
result <- tapply(x, list(f1, f2), mean)
print(result)

#输出
  X   Y
A 3.0 5.0
B 4.5 4.0

（3）split函数

#根据因子拆分向量

x <- c(1, 2, 3, 4, 5, 6)

# 创建一个因子
f <- factor(c("A", "B", "A", "B", "A", "B"))

# 使用 split() 函数拆分向量
result <- split(x, f)
print(result)

#输出
$A
[1] 1 3 5

$B
[1] 2 4 6

#根据向量拆分数据框
# 创建一个数据框
df <- data.frame(
  x = c(1, 2, 3, 4, 5, 6),
  y = c("A", "B", "A", "B", "A", "B")
)

# 使用 split() 函数根据向量拆分数据框
result <- split(df, df$y)
print(result)

#输出
$A
  x y
1 1 A
3 3 A
5 5 A

$B
  x y
2 2 B
4 4 B
6 6 B

#根据自定义函数拆分向量

x <- c(1, 2, 3, 4, 5, 6)

# 自定义函数，根据奇偶性拆分向量
my_function <- function(x) {
  ifelse(x %% 2 == 0, "Even", "Odd")
}

# 使用 split() 函数根据自定义函数拆分向量
result <- split(x, my_function(x))
print(result)

#输出
$Odd
[1] 1 3 5

$Even
[1] 2 4 6

（4）by()函数

by(data, INDICES, FUN, ...)

• data：要拆分的数据框、列表或向量。
• INDICES：用于拆分数据的因子、列表或向量。
• FUN：要应用于每个子集的函数。
• ...：传递给函数 FUN 的其他参数。

#对数据框的列进行拆分和求和
# 创建一个数据框
df <- data.frame(
  group = rep(c("A", "B", "C"), each = 3),
  value = 1:9
)

# 使用 by() 函数对数据框的 value 列按照 group 列进行拆分和求和
result <- by(df$value, df$group, sum)
print(result)

#输出
df$group: A
[1] 6
------------------------------------------------------------ 
df$group: B
[1] 15
------------------------------------------------------------ 
df$group: C
[1] 24

#对列表中的元素进行拆分和求平均值

list_data <- list(
  A = c(1, 2, 3),
  B = c(4, 5, 6),
  C = c(7, 8, 9)
)

# 使用 by() 函数对列表中的元素进行拆分和求平均值
result <- by(list_data, names(list_data), mean)
print(result)
#输出
names(list_data): A
[1] 2
------------------------------------------------------------ 
names(list_data): B
[1] 5
------------------------------------------------------------ 
names(list_data): C
[1] 8

#对向量进行拆分和自定义操作
# 创建一个向量
x <- c(1, 2, 3, 4, 5, 6)

# 创建一个因子
f <- factor(c("A", "B", "A", "B", "A", "B"))

# 自定义函数，计算每个子集的中位数
my_function <- function(x) {
  return(median(x))
}

# 使用 by() 函数对向量按照因子进行拆分和计算中位数
result <- by(x, f, my_function)
print(result)

#输出
f: A
[1] 2

------------------------------------------------------------ 
f: B
[1] 4

（5）表的操作

> u<-c(22,8,33,6,8,29,-2)
> f1<-list(c(5,12,13,12,13,5,13),c("a","bc","a","a","bc","a","a"))
> tapply(u,f1,length)
   a bc
5  2 NA
12 1  1
#根据以上学习的tapply,得到的分组如下,但是事实上NA应该为0,因为没有第一因子是5,第二银子为"bc"的例子
所以应该用table()建表
> table(f1)
    f1.2
f1.1 a bc
  5  2  0
  12 1  1
  13 2  1
#这里计算的是频数

#这里用一维的频数理解一下
> table(c(5,12,13,12,8,5))

 5  8 12 13 
 2  1  2  1 

#也可以建立三维表
> gender<-c("M","M","F","M","F","F")
> race<-c("W","W","A","O","B","B")
> pol<-c("L","L","C","L","L","C")
> v<-data.frame(gender,race,pol)
> v
  gender race pol
1      M    W   L
2      M    W   L
3      F    A   C
4      M    O   L
5      F    B   L
6      F    B   C
> vt<-table(v)
> vt
, , pol = C

      race
gender A B O W
     F 1 1 0 0
     M 0 0 0 0

, , pol = L

      race
gender A B O W
     F 0 1 0 0
     M 0 0 1 2

（6）对表的矩阵操作 

> ct<-read.table("D://ct.dat",header=T)
> ct
  Vote.for.X Voted.For.X.Last.Time
1        YES                   YES
2        YES                    NO
3         NO                    NO
4   Not Sure                   YES
5         NO                    NO
> cttab<-table(ct)
> cttab
          Voted.For.X.Last.Time
Vote.for.X NO YES
  NO        2   0
  Not Sure  0   1
  YES       1   1

#在R中，我们还是把表当作矩阵进行处理
> class(cttab)
[1] "table"
> cttab[1,1]
[1] 2
 NO YES 
  2   0 

#与标量进行运算
> cttab/5
          Voted.For.X.Last.Time
Vote.for.X  NO YES
  NO       0.4 0.0
  Not Sure 0.0 0.2
  YES      0.2 0.2

#以下为Vote.for.X变量的边际值：2+0=2，0+1=1，1+1=2
> apply(cttab,1,sum)
      NO Not Sure      YES 
       2        1        2 

#实际上可以用addmargins()解决边际值问题
> addmargins(cttab)
          Voted.For.X.Last.Time
Vote.for.X NO YES Sum
  NO        2   0   2
  Not Sure  0   1   1
  YES       1   1   2
  Sum       3   2   5
> 
#这样可以得到一个二维的边际数据

#dimnames可以得到边际值的名称和水平值
> dimnames(cttab)
$Vote.for.X
[1] "NO"       "Not Sure" "YES"     

$Voted.For.X.Last.Time
[1] "NO"  "YES"

（7）aggregate()函数

用于按照指定的因子变量对数据进行分组，并对每个组应用一个函数进行聚合操作

aggregate(formula, data, FUN, ...)

• formula 是一个公式对象，用于定义要聚合的变量和分组的因子变量。
• data 是一个数据框或数据集，包含要聚合的数据。
• FUN 是一个函数，用于指定要应用于每个分组的聚合操作。常见的函数有sum、mean、median、max、min等。

df <- data.frame(
  group = c("A", "A", "B", "B", "C", "C"),
  value = c(10, 15, 5, 8, 20, 25)
)

# 使用aggregate函数计算平均值
result <- aggregate(value ~ group, data = df, FUN = mean)
#计算每一组因子的平均值
> result
  group value
1     A  12.5
2     B   6.5
3     C  22.5

（8）cut()函数

cut()函数用于将连续型的数值变量划分为离散的区间

cut(x, breaks, labels = NULL, include.lowest = FALSE, right = TRUE, dig.lab = 3, ...)\

• x 是要进行切分的数值变量。
• breaks 是用于指定区间的断点。可以有多种不同的方式来指定断点，例如一个整数（表示分割成等宽的区间）、一个向量（表示自定义的断点）、一个数值表示分割的区间个数等。
• labels 是可选参数，用于指定每个区间的标签。如果未指定，则默认使用区间的范围作为标签。

  • 当labels = FALSE时，切分后的区间将使用数字表示。例如，如果将数值变量划分为3个区间，那么第一个区间将表示为1，第二个区间表示为2，以此类推。

  • 当labels = TRUE时，切分后的区间将使用字符型的标签表示。默认情况下，将使用区间的范围作为标签。例如，如果将数值变量划分为三个区间，范围分别为(0, 30]、(30, 60]和(60, 100]，则标签分别为(0, 30]、(30, 60]和(60, 100]。

• include.lowest 是一个逻辑值（TRUE或FALSE），表示是否包括最小值在内的左端点。
• right 是一个逻辑值，用于指定区间是否是右开的。
• dig.lab 是一个整数，表示标签的小数位数。

values <- c(10, 20, 30, 40, 50, 60, 70)

# 使用cut函数进行切分
cut_values <- cut(values, breaks = c(0, 30, 60, 100))

print(cut_values)
[1] (0,30]   (0,30]   (0,30]   (30,60]  (30,60]  (30,60]  (60,100]
Levels: (0,30] (30,60] (60,100]


> z<-c(0.88,0.28,0.58,0.42,0.46,0.24,0.0528,0.88)
> z<-c(0.88,0.28,0.58,0.42,0.46,0.24,0.0528,0.88035)
> seq(from=0.0,to=1.0,by=0.1)
 [1] 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
> binmarks<-seq(from=0.0,to=1.0,by=0.1)
> cut(z,binmarks,labels = F)
[1] 9 3 6 5 5 3 1 9
#例如z[1],0.88落在第九个区间,即(0.0,0.1]