R語言因子類型的實(shí)現(xiàn)

第R語言因子類型的實(shí)現(xiàn)目錄1.因子2.table()函數(shù)3.tapply()函數(shù)4.forcats包的因子函數(shù)

1.因子

R中用因子代表數(shù)據(jù)中分類變量,如性別、省份、職業(yè)。有序因子代表有序量度，如打分結(jié)果，疾病嚴(yán)重程度等。

用factor()函數(shù)把字符型向量轉(zhuǎn)換成因子，如

x-c("男","女","男","男","女")

sex-factor(x)

sex

返回：

attributes(sex)

返回：

因子有class屬性，取值為factor，還有一個(gè)levels(水平值)屬性，此屬性可以用levels()函數(shù)訪問，如

levels(sex)

返回：

因子的levels屬性可以看成是一個(gè)映射，把整數(shù)值1,2,...映射成這些水平值，因子在保存時(shí)會(huì)保存成整數(shù)值1,2,...等與水平值對(duì)應(yīng)的編號(hào)。這樣可以節(jié)省存儲(chǔ)空間，在建模計(jì)算的程序中也比較有利于進(jìn)行數(shù)學(xué)運(yùn)算。

事實(shí)上，read.csv()函數(shù)的默認(rèn)操作會(huì)把輸入文件的字符型列自動(dòng)轉(zhuǎn)換成因子，這對(duì)于性別、職業(yè)、地名這樣的列是合適的，但是對(duì)于姓名、日期、詳細(xì)地址這樣的列則不合適。所以，在read.csv()調(diào)用中經(jīng)常加選項(xiàng)stringsAsFactors=FALSE選項(xiàng)禁止這樣的自動(dòng)轉(zhuǎn)換，還可以用colClasses選項(xiàng)逐個(gè)指定每列的類型。

用as.numeric()可以把因子轉(zhuǎn)換為純粹的整數(shù)值，如

as.numeric(sex)

返回：

因?yàn)橐蜃訉?shí)際保存為整數(shù)值，所以對(duì)因子進(jìn)行一些字符型操作可能導(dǎo)致錯(cuò)誤。用as.character()可以把因子轉(zhuǎn)換成原來的字符型，如

as.character(sex)

返回：

為了對(duì)因子執(zhí)行字符型操作（如取子串），保險(xiǎn)的做法是先用as.character()函數(shù)強(qiáng)制轉(zhuǎn)換為字符型。

factor()函數(shù)的一般形式為

factor(x,levels=sort(unique(x),na.last=TRUE),

labels,exclude=NA,ordered=FALSE)

可以用選項(xiàng)levels自行指定各水平值,不指定時(shí)由x的不同值來求得?？梢杂眠x項(xiàng)labels指定各水平的標(biāo)簽,不指定時(shí)用各水平值的對(duì)應(yīng)字符串。可以用exclude選項(xiàng)指定要轉(zhuǎn)換為缺失值(NA)的元素值集合。如果指定了levels,則當(dāng)自變量x的某個(gè)元素等于第j個(gè)水平值時(shí)輸出的因子對(duì)應(yīng)元素值取整數(shù)j,如果該元素值沒有出現(xiàn)在levels中則輸出的因子對(duì)應(yīng)元素值取NA。ordered取真值時(shí)表示因子水平是有次序的(按編碼次序)。

在使用factor()函數(shù)定義因子時(shí)，如果知道自變量元素的所有可能取值，應(yīng)盡可能使用levels=參數(shù)指定這些不同可能取值，這樣，即使某個(gè)取值沒有出現(xiàn)，此變量代表的含義和頻數(shù)信息也是完整的。自己指定levels=的另一好處是可以按正確的次序顯示因子的分類統(tǒng)計(jì)值。

因?yàn)橐粋€(gè)因子的levels屬性是該因子獨(dú)有的，所以合并兩個(gè)因子有可能造成錯(cuò)誤，但在最新版本4.1.2沒有報(bào)錯(cuò)，應(yīng)跟版本有關(guān)，如

li1-factor(c('男','女'))

li2-factor(c('男','男'))

c(li1,li2)

返回：

如果結(jié)果不是因子的話，需要對(duì)其進(jìn)行轉(zhuǎn)換。則那樣正確的做法是

factor(c(as.character(li1),as.character(li2)))

就是先轉(zhuǎn)換為字符型，再進(jìn)行合并就可以了。

2.table()函數(shù)

用table()函數(shù)統(tǒng)計(jì)因子各水平的出現(xiàn)次數(shù)（稱為頻數(shù)或頻率）。也可以對(duì)一般的向量統(tǒng)計(jì)每個(gè)不同元素的出現(xiàn)次數(shù)。如

x-c("男","女","男","男","女")

sex-factor(x)

table(sex)

返回：

對(duì)一個(gè)變量用table函數(shù)計(jì)數(shù)的結(jié)果是一個(gè)特殊的有元素名的向量，元素名是自變量的不同取值，結(jié)果的元素值是對(duì)應(yīng)的頻數(shù)。單個(gè)因子或單個(gè)向量的頻數(shù)結(jié)果可以用向量的下標(biāo)訪問方法取出單個(gè)頻數(shù)或若干個(gè)頻數(shù)的子集。

3.tapply()函數(shù)

可以按照因子分組然后每組計(jì)算另一變量的概括統(tǒng)計(jì)。如

x-c("男","女","男","男","女")

sex-factor(x)

h-c(165,170,168,172,159)

tapply(h,sex,mean)

返回：

4.forcats包的因子函數(shù)

如果使用此函數(shù)，需要先進(jìn)行載入：

library(forcats)

在分類變量類數(shù)較多時(shí)，往往需要對(duì)因子水平另外排序、合并等，forcats包提供了一些針對(duì)因子的方便函數(shù)。

orcats::fac_reorder()可以根據(jù)不同因子水平分成的組中另一數(shù)值型變量的統(tǒng)計(jì)量值排序。如：

set.seed(1)

fac-sample(c("red","green","blue"),30,replace=TRUE)

fac-factor(fac,levels=c("red","green","blue"))

x-round(100*(10+rt(30,2)))

res1-tapply(x,fac,sd);res1

返回：

對(duì)上面數(shù)值畫條形圖：

barplot(res1)

返回：

如果希望按照統(tǒng)計(jì)量次序?qū)σ蜃优判?，可以用forcats::fct_reorder()函數(shù)，并畫圖條形圖，如

fac2-fct_reorder(fac,x,sd)

res2-tapply(x,fac2,sd)

barplot(res2)

返回：

新的因子fac2的因子水平次序已經(jīng)按照變量x的標(biāo)準(zhǔn)差從小到大排列。

有時(shí)在因子水平數(shù)較多時(shí)僅想將特定的一個(gè)或幾個(gè)水平次序放到因子水平最前面，可以用forcats::fct_relevel()函數(shù)，如：

levels(fac)

返回：

fac3-fct_relevel(fac,"blue");levels(fac3)

返回：

fct_relevel()第一個(gè)參數(shù)是要修改次序的因子，后續(xù)可以有多個(gè)字符型參數(shù)表示要提前的水平。

forcats::fct_reorder2(f,x,y)也調(diào)整因子f的水平的次序，但是根據(jù)與每組中最大的x值相對(duì)應(yīng)的y值大小調(diào)整次序，這樣在作多個(gè)因子水平對(duì)應(yīng)的曲線圖時(shí)可以比較容易地區(qū)分多條曲線。

forcats::fct_recode()可以修改每個(gè)水平的名稱，如：

fac4-fct_recode(

"紅"="red","綠"="green","藍(lán)"="blue")

table(fac4)

返回：

fct_recode()在修改水平名時(shí)允許多個(gè)舊水平對(duì)應(yīng)到一個(gè)新水平，從而合并原來的水平。如果合并很多，可以用fct_collapse()函數(shù)，記得要先導(dǎo)入forcats包的因子函數(shù)，如

compf-fct_collapse(

comp,

"其它"=c("","無名","無應(yīng)答"),

"聯(lián)想"=c("聯(lián)想","聯(lián)想集團(tuán)"),

"百度"=c("百度","百度集團(tuán)"))

如果某個(gè)因子頻數(shù)少的水平很多，在統(tǒng)計(jì)時(shí)有過多水平不易展示主要的類別，可以用forcats::fct_lump(f)合并，缺省地從最少的類合并一直到其它類超過其它最小的類之前，可以用n=參數(shù)指定要保留多少個(gè)類。

練習(xí)

設(shè)文件class.csv中包含如下內(nèi)容:

name,sex,age,height,weight

Alice,F,13,56.5,84

Becka,F,13,65.3,98

Gail,F,14,64.3,90

Karen,F,12,56.3,77

Kathy,F,12,59.8,84.5

Mary,F,15,66.5,112

Sandy,F,11,51.3,50.5

Sharon,F,15,62.5,112.5

Tammy,F,14,62.8,102.5

Alfred,M,14,69,112.5

Duke,M,14,63.5,102.5

Guido,M,15,67,133

James,M,12,57.3,83

Jeffrey,M,13,62.5,84

John,M,12,59,99.5

Philip,M,16,72,150

Robert,M,12,64.8,128

Thomas,M,11,57.5,85

William,M,15,66.5,112

用如下程序把該文件讀入為R數(shù)據(jù)框d.class,其中的sex列已經(jīng)自動(dòng)轉(zhuǎn)換為因

子。取出其中的sex和age