因子factor()，str()

Posted 2020-06-21 Make_It_Fun

因子

如您所见，变量可归结为名义型，有序型或者连续型变量。名义型变量是没有顺序之分的类别变量。糖尿病类型diabetes（Type1,Type2）是名义型变量的一例。即使在数据中Type1编码为1而Type2编码为2，这也并不意味着二者是有序的。有序型变量表示一种顺序关系，而非数量关系。病情Status（poor,improved,excellent）是顺序型变量的一个上佳示例。我们明白，病情为poor(较差)病人的状态不如improved(病情好转)的病人，但并不知道相差多少。连续型变量可以呈现为某个范围内的任意值，并同时表示了顺序和数量。年龄Age就是一个连续型变量。

类别（名义型）变量和有序类别（有序型）变量在R中称为因子（factor）。因子在R中非常重要，因为它决定了数据的分析方式以及如何进行视觉呈现。

函数factor() 以一个整数向量的形式存储类别值，整数的取值范围是[1...k ](其中k是名义变量中唯一值得个数)，同时一个由字符串（原始值）组成的内部向量将映射在这些整数上。

举例来说，假设有向量：

diabetes<-c("Type1","Type2","Type1","Type1")

语句diabetes<-factor(diabetes)将此向量存储为(1,2,1,1)，并在内部将其关联为1=Type1和2=Type2（具体赋值根据字母顺序而定）。针对向量diabetes进行的任何分析都会将其作为名义型变量对待，并自动选择适合这一测量尺度的统计方法。

要表示有序型变量，需要为函数factor()指定参数ordered=TRUE。给定向量：

status<-c("Poor","Improved","Excellent","Poor")

语句status<-factor(status,ordered=TRUE)会将向量编码为（3,2,1,3），并在内部将这些值关联为1=Excellent、2=Improved以及3=Poor。另外，针对此向量进行的任何分析都会将其作为有序型变量对待，并自动选择合适的统计方法。

对于字符型向量，因子的水平默认依字母顺序创建。这对于因子status是有意义的，因为"Excellent"、"Improved"、"Poor"的排序方式恰好与逻辑相一致。如果“Poor”被编码为“Ailing”，会有问题，因为顺序将为“Ailing”、“Excellent”、“Improved”。如果理想中的顺序是“Poor”，“Improved”，“Excellent”，则会出现类似的问题。按默认的字母顺序排序的因子很好能够让人满意。

你可以通过指定levels选项来覆盖默认排序。例如：

status<-factor(status,order=TRUE,levels=c("Poor","Improved","Excellent"))

各水平的赋值将为1=Poor,2=Improved,3=Excellent。请保证指定的水平与数据中的真实值相匹配，因为任何在数据中出现而未在参数中列举的数据都将被设为缺失值。> patientID<-c(1,2,3,4)

> age<-c(25,34,28,52)
> diabetes<-c("Type1","Type2","Type1","Type1")
> status<-c("Poor","Improves","Excellent","Poor")
> diabetes<-factor(diabetes)
> status<-factor(status,order=TRUE)
> patientdata<-data.frame(patientID,age,diabetes,status)

> str(patientdata)
‘data.frame‘: 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 25 34 28 52
$ diabetes : Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$ status : Ord.factor w/ 3 levels "Excellent"<"Improves"<..: 3 2 1 3
> summary(patientdata)
patientID age diabetes status
Min. :1.00 Min. :25.00 Type1:3 Excellent:1
1st Qu.:1.75 1st Qu.:27.25 Type2:1 Improves :1
Median :2.50 Median :31.00 Poor :2
Mean :2.50 Mean :34.75
3rd Qu.:3.25 3rd Qu.:38.50
Max. :4.00 Max. :52.00

函数str(object)可提供R中某个对象（本例中为数据框）的信息。清楚显示diabetes是一个因子，而status是一个有序型因子，一次数据框在内部是如何进行编码的。