R语言编程艺术_第六章_因子和表

Posted 2020-11-06 丁头零零

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)
}