一、因子与水平
1、简单直接的认识因子和水平
因子可以简单的理解为包含了更多信息的向量。即因子=向量 + 水平。(当然实际上它们内部机理不同)。水平是对于向量中不同值的记录,以下面代码为例:
> x <- c(5, 12, 13, 12) > x [1] 5 12 13 12 > xf <- factor(x) > xf [1] 5 12 13 12 Levels: 5 12 13
但是我们说到因子的长度时,则定义为数据的长度,而非水平的个数。
> length(xf) [1] 4
2、因子的增,删,改,查(好了这里其实只有增)
在增加因子的水平时,我们需要提前插入,不能像矩阵或是列表那样随加随到。
> x <- c(5,12,13,12) > xf <- factor(x) > xff <- factor(x, levels = c(5, 12, 13, 88)) > xff [1] 5 12 13 12 Levels: 5 12 13 88
比如用下面的方法,就会提示非法插入。
xff[3] <- 6 Warning message: In `[<-.factor`(`*tmp*`, 3, value = 6) : invalid factor level, NA generated > xff
二、因子的常用函数
1、tapply函数
典型的tapply函数用法为tapply(x, f, g), x为向量,f为因子或因子列表,g()为所需要对x运用的函数。
tapply函数的执行操作的流程:先将x按照因子f来分组,得到若干个子向量,然后针对每个子向量使用g()函数,最后返回一个分好类的矩阵。
> 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
这个例子就是分别针对每个不同的党派(民主党,共和党,无党派)的人的年龄进行了求平均数。
然后下面的一个例子更进一步,在有两个或两个以上因子存在的情况下,也就是需要用因子列表来进行操作。
d <- data.frame(list(gender = c("M", "M", "F", "M", "F", "F"), + age = c(47, 59, 21, 32, 33, 24), + income = c(55000, 88000, 32450, 76500, 123000, 45650))) > d gender age income 1 M 47 55000 2 M 59 88000 3 F 21 32450 4 M 32 76500 5 F 33 123000 6 F 24 45650 > d$over25 <- ifelse(d$age > 25, 1, 0) > d gender age income over25 1 M 47 55000 1 2 M 59 88000 1 3 F 21 32450 0 4 M 32 76500 1 5 F 33 123000 1 6 F 24 45650 0 > tapply(d$income, list(d$gender, d$over25), mean) 0 1 F 39050 123000.00 M NA 73166.67
上面的程序实现的功能是:分别按照性别和年龄(两个因子)来求收入的平均水平。所以就分成了四个子向量:
- 25岁以下男性
- 25岁以下女性
- 25岁以上男性
- 25岁以上女性
而这里比较巧妙的就是在于对加了一列“over 25”来对年龄做一个简单的区分,这就极大的方便了后面的tapply()使用。
2、split ()函数
split()执行的功能是将向量按照因子水平分组,然后返回一个列表。继续对上面的数据框d操作。
split(d$income, list(d$gender, d$over25)) $F.0 [1] 32450 45650 $M.0 numeric(0) $F.1 [1] 123000 $M.1 [1] 55000 88000 76500
另一个关于鲍鱼性别的问题,我们可以通过split函数快速知道哪几个位置分别是什么性别的鲍鱼。
split(1:7, g) $F [1] 2 3 7 $I [1] 4 $M [1] 1 5 6
3、by() 函数
by() 函数和tapply()的作用方式类似,但是它的作用对象不仅仅是向量,可以说矩阵或数据框。下面一个就是利用by()函数做回归分析的例子。读取的文件来自于课本附属的链接(可惜的是数据太太太残缺了)
> aba2 <- read.csv("E:/files_for_R/abalone.data", header = F) > #read.table vs .csv :.table默认文件内容用“/”分隔,“.csv"默认为"," > colnames(aba2) <- c("gender", "length", "diameter","height","wholewt", "shuckedwt", "viscwt", "shellwt", "rings") > by(aba2, aba2$gender, function(m) lm(m[,2]~m[,3])) aba2$gender: F Call: lm(formula = m[, 2] ~ m[, 3]) Coefficients: (Intercept) m[, 3] 0.04288 1.17918 --------------------------------------------------------- aba2$gender: I Call: lm(formula = m[, 2] ~ m[, 3]) Coefficients: (Intercept) m[, 3] 0.02997 1.21833 --------------------------------------------------------- aba2$gender: M Call: lm(formula = m[, 2] ~ m[, 3]) Coefficients: (Intercept) m[, 3] 0.03653 1.19480
书里边给的数据不完整,少了一个header,所以自己给加了一段。自己发挥的如下。
colnames(aba2) <- c("gender", "length", "diameter","height","wholewt", "shuckedwt", "viscwt", "shellwt", "rings")三
三、表的操作
1、关于R语言中的table函数
到目前为止我们一共遇到过两个与table有关的函数: 一个是read.table(),另一个是table()。read.table()用以读取数据文件,默认分隔符为“ ”;table()函数则是对因子或因子的列表进行处理,从而获得一个列联表,也就是一种记录频数的方法。
2、table()函数详细操作
首先我们先得到这样子一个数据框
> ct <- data.frame( + Vote.for.X = factor(c("yes", "yes", "no", "not sure", "no")), + Voted.for.X = factor(c("yes", "no", "no", "yes", "no")) + ) > ct Vote.for.X Voted.for.X 1 yes yes 2 yes no 3 no no 4 not sure yes 5 no no
使用table()函数进行处理之后,就得到了如下的频数表。
> cttab <- table(ct) > cttab Voted.for.X Vote.for.X no yes no 2 0 not sure 0 1 yes 1 1
同样的,若果你有三维的数据,table() 可以以两维的表格的形式打出来。这里并不想再举例了(懒。。。。。)
3、表中有关矩阵和类似数组的操作
3.1 访问单元格频数
这里的操作其实和列表一样。依然以上面的cttab为例。
> class(cttab) [1] "table" > cttab[,1] no not sure yes 2 0 1 > class(cttab) [1] "table" > cttab[,1] no not sure yes 2 0 1 > cttab[1,1] [1] 2
3.2 等比例改变单元格频数
> cttab/5 Voted.for.X Vote.for.X no yes no 0.4 0.0 not sure 0.0 0.2 yes 0.2 0.2
3.3 得到表的边界值
- 变量的边界值:保持该变量为常数时对其他变量对应的数值求和所得到的值。
- 比较直接的方法是直接通过apply( )函数来实现。
> apply(cttab, 1, sum) no not sure yes 2 1 2
- 更加直接的方法是利用添加边界值的函数 addmargins( ),直接多出两个维度的边界值
> addmargins(cttab) Voted.for.X Vote.for.X no yes Sum no 2 0 2 not sure 0 1 1 yes 1 1 2 Sum 3 2 5
4、扩展案例:在表中寻找频数最高的单元格
整个函数的设计思路可以按照以下路径来:
- 添加新的一列Freq来表示各类数据的频数(这可以通过as.data.frame来实现)
- 对各行按照频数大小进行排序(通过order()函数来实现)
- 按照要求区前k行。
- 具体代码如下:
tabdom <- function(tbl, k){ #create a data frame representing tbl, add a Freq column tablframe <- as.data.frame(tbl) #determine the proper position of the frequencies in an ordered frequency #rearrange the data frame, get the first k rows tblfreord <- order(tablframe$Freq, decreasing = TRUE) dom <- tablframe[tblfreord,][1:k,] return(dom) }