今天第八篇~~~~~~

在第一講中我給大家介紹了read.table函數(shù)的使用。最近我在處理一個一百萬左右的數(shù)據(jù)，發(fā)現(xiàn)read.table函數(shù)出了問題。我不知道是在excel轉(zhuǎn)成txt時出的問題還是因為R在讀取數(shù)據(jù)時出了問題------應(yīng)該不是操作的問題，可能因為數(shù)據(jù)過于龐大(至少在參考書中目前應(yīng)該沒有一百萬的例子介紹)，在轉(zhuǎn)換的過程中我讀不出來數(shù)據(jù)。它會提示我某某行數(shù)據(jù)不全。即使是我用了參數(shù)fill=T，也不管用，因為它會提示我行名稱重復(fù)。我并不知道為什么會這樣------我確信我的數(shù)據(jù)在excel表中是完整的，可是就是讀不出來。(當然還有一種可能就是我的計算機不夠高級，所以在轉(zhuǎn)換的時候出錯了------因為在運行的時候還是會卡，退出R都會等半天------師兄們說是我的電腦不行了)另外一個數(shù)據(jù)大概18萬個樣本量，也出現(xiàn)類似錯誤，或者少讀取那么一兩行，或者讀取的非常混亂。于是我在想，實踐就是和理論一樣啊！還是要多實踐才能進步。

好了，前面做了這么多鋪墊，目的就是想告訴大家read.table在讀取excel表格轉(zhuǎn)化的制表分隔符文件時出錯了。介紹一個更好用而且至少目前我成功讀出數(shù)據(jù)的函數(shù)read.csv。

它的使用和read.table一模一樣，參數(shù)也一模一樣。不同的一點就是參數(shù)的默認值。read.table中你需要設(shè)置header=T來確定變量名，設(shè)置fill=T來使行有空缺的數(shù)據(jù)讀入R中，但是在read.csv中，自動設(shè)置了這些項目，以及sep=”,”，因為excel本來就是逗號分隔。在讀取之前，你需要做的就是先把excel表格轉(zhuǎn)化為csv的格式：在另存為的文件類型中找到CSV(逗號分隔)(*.csv)這一選項保存就可以了。之后寫代碼就OK：

> setwd("E:/Rstore/")

> wq=read.csv("wq.csv")

> wq

A ?B ?C ?D

1 12 65 78 98

2 56 89 87 78

3 78 87 56 98

4 98 89 24 56

5 78 87 87 12

6 96 89 33 45

7 23 78 69 65

8 23 98 82 86

9 65 87 12 45

可以看到，什么都沒有設(shè)置，wq文件就被讀出來了，很方便。read.table的所有參數(shù)都可以在這里使用。

上一講我給大家介紹了參數(shù)stringsAsFactors。留了一個小小的疑問，就是什么是“factor”。在R中，它表示因子。說成因子可能大家不是很明白。實際上我自己也并不名明白。但是重要的仍然是運用。因子在R中起到的是分類變量的作用。這里稍微介紹幾個名詞。我們在統(tǒng)計分析中，通常都是選整體的一小部分觀察單位作為數(shù)據(jù)進行分析，而不是那個“整體”。這個整體我們稱為總體，而選擇的其中某些用來分析的這一小部分觀察單位稱作樣本。樣本包含的數(shù)量大小稱作樣本含量。 每個樣本的某個屬性特征是不相同的，這種不同被稱作變異，正因為有了變異的存在，所以我們將觀察單位的某種反映變異的特征稱為變量。舉個例子：某個省的全體男性是一個總體，那么我們選擇該省一部分男性做調(diào)查，這一部分男性就是樣本。選擇的這一部分男性的數(shù)量就是樣本含量。我們想了解這些男性的平均身高和體重，那么身高和體重就是變量，其測量值的大小稱為變量值。

變量的分類有很多種方法，這里面我只說其中的一種就足夠了：定量變量與定性變量。定量變量簡單說來就是可以用實數(shù)表示的變量，比如我們說的身高，體重，能夠確切的說出一個實數(shù)來代表它------如某個男性的身高為183cm，體重為70kg，是很明確的。定性變量又被稱作分類變量，即對該變量只能下一個定義，但是一般不能用確切的數(shù)值表示，比如性別(男，女)，民族(回，漢)，吸煙(是，否)。當然，我們在實際處理數(shù)據(jù)的時候會把它們變成某個數(shù)值(如1，2)，但是這僅僅是為了適應(yīng)統(tǒng)計軟件，實際上它們還是分類變量。介于定量變量與定性變量之間的是等級變量(有序變量)，所以也可以稱為半定量變量，比如高血壓，有1級，2級，3級，這些本質(zhì)上是分類變量，但是它們有先后順序(等級)差別，所以處理的時候就是另外的方法。

好了，下面我們介紹函數(shù)factor：

> ID=1:5

> sex=c(1,2,2,1,1)

> age=c(12,50,30,44,62)

> disease=c("malaria","hypertension","diabetes","hypertension","diabetes")

> degree=c("mild","severe","moderate","severe","moderate")

> patient=data.frame(ID,sex,age,disease,degree)

> patient

ID sex age ?????disease ??degree

1 ?1 ??1 ?12 ?????malaria ????mild

2 ?2 ??2 ?50 hypertension ??severe

3 ?3 ??2 ?30 ????diabetes moderate

4 ?4 ??1 ?44 hypertension ??severe

5 ?5 ??1 ?62 ????diabetes moderate

我隨意編寫了幾個數(shù)據(jù)，第一行代碼生成了5位病人的ID，第二行是性別(1為男、2為女)，第三行年齡，第四行為疾病(瘧疾、高血壓、糖尿病)，第四行生成疾病的嚴重程度(輕度、重度、中等)。

在這里，年齡是一個定量變量，ID是編號，實際上并沒有什么分析意義。剩下的性別、疾病以及疾病的程度都屬于分類變量，在R中它們被稱作因子。雖然我們是以字符輸入的，但是默認的stringsAsFactors函數(shù)會幫我們進行轉(zhuǎn)化。要想了解該數(shù)據(jù)框的變量都是什么類型的，我們需要一個函數(shù)str()：

> str(patient)

'data.frame': ??5 obs. of ?5 variables:

$ ID ????: int ?1 2 3 4 5

$ sex ???: num ?1 2 2 1 1

$ age ???: num ?12 50 30 44 62

$ disease: Factor w/ 3 levels "diabetes","hypertension",..: 3 2 1 2 1

$ degree : Factor w/ 3 levels "mild","moderate",..: 1 3 2 3 2

結(jié)果的第一行告訴我們該對象是一個數(shù)據(jù)框，有5個變量，其后用$連結(jié)的就是每一個變量的類型。結(jié)果的最后兩行disease和degree即被判定為因子，也就是分類變量，disease有三個水平，degree有三個水平。因子水平可以理解為分類變量的水平，或者說分類變量的類別。這里面性別給的是數(shù)值型變量，因為在錄入的時候我們指定1是“男”，2是“女”，這是為了在錄入數(shù)據(jù)時候方便而設(shè)置的。我們?nèi)绻雽⑺匦沦x值變?yōu)橐蜃?#xff0c;就需要使用factor函數(shù)：

> patient$sex2=factor( patient$sex,levels=c(1,2),labels=c("M","F"))

> patient

ID sex age ?????disease ??degree sex2

1 ?1 ??1 ?12 ?????malaria ????mild ???M

2 ?2 ??2 ?50 hypertension ??severe ???F

3 ?3 ??2 ?30 ????diabetes moderate ???F

4 ?4 ??1 ?44 hypertension ??severe ???M

5 ?5 ??1 ?62 ????diabetes moderate ???M

這行代碼中，等號左邊是對數(shù)據(jù)框patient添加一新的子集“Sex2”，上一講已經(jīng)說明了，等號后面是factor的使用，即將一個向量變換為一個因子。我們將sex轉(zhuǎn)變?yōu)橐蜃?#xff0c;參數(shù)levels設(shè)定因子的水平，參數(shù)labels設(shè)定因子水平的標簽為“M”(male)和“F”(female)。

接下來我們再看看這個數(shù)據(jù)框的結(jié)構(gòu)：

> str(patient)

'data.frame': ??5 obs. of ?6 variables:

$ ID ????: int ?1 2 3 4 5

$ sex ???: num ?1 2 2 1 1

$ age ???: num ?12 50 30 44 62

$ disease: Factor w/ 3 levels "diabetes","hypertension",..: 3 2 1 2 1

$ degree : Factor w/ 3 levels "mild","moderate",..: 1 3 2 3 2

$ sex2 ??: Factor w/ 2 levels "M","F": 1 2 2 1 1

結(jié)果的最后一行告訴我們因子sex2有兩個水平，分別是M和F。

分類變量有等級(順序)差別時，我們稱作等級變量(有序變量)。比如對疾病嚴重程度的分級：

> degree=c("mild","severe","moderate","severe","moderate")

> factor(degree)

[1] mild ????severe ??moderate severe ??moderate

Levels: mild moderate severe

這里顯示疾病程度有三個水平，輕度(mild)、中度(moderate)、和重度(severe)，既然知道這是一個有等級差別的因子，我們在分析過程中肯定也要將它分等級，這時候我們會用到一個參數(shù)ordered=T，即排序：

> degree=c("mild","severe","moderate","severe","moderate")

> factor(degree,ordered=T)

[1] mild ????severe ??moderate severe ??moderate

Levels: mild < moderate < severe

結(jié)果中看到levels這一行有變化，R對嚴重程度進行排序并告訴我們輕度

> degree=c("slight","ailing","moderate","ailing","moderate")

> factor(degree,ordered=T)

[1] slight ??ailing ??moderate ailing ??moderate

Levels: ailing < moderate < slight

這種排序完全與我們的想法背離：重度(ailing)

> factor(degree,ordered=T,levels=c("slight","moderate","ailing"))

[1] slight ??ailing ??moderate ailing ??moderate

Levels: slight < moderate < ailing

這樣就和我們認為的相同了。

函數(shù)factor有一個默認參數(shù)exclude=NA，即排除含有NA的元素，意思就是缺失值NA不算作一個因子的水平。例如：

> degree=c("slight","ailing","moderate","ailing","moderate",NA)

> factor(degree)

[1] slight ??ailing ??moderate ailing ??moderate

Levels: ailing moderate slight

結(jié)果中NA沒有被算作一個水平。

> degree=c("slight","ailing","moderate","ailing","moderate",NA)

> factor(degree,exclude=NULL)

[1] slight ??ailing ??moderate ailing ??moderate

Levels: ailing moderate slight

令參數(shù)exclude等于空值(NULL)的話，則NA也被算作因子的一個水平。

當然，如果你想排除任意一個水平，只需把exclude的賦值更改即可：

> degree=c("slight","ailing","moderate","ailing","moderate")

> factor(degree,exclude="slight")

[1] ????ailing ??moderate ailing ??moderate

Levels: ailing moderate

這行代碼是將slight排除掉。原先的元素slight換成了缺失值，同時因子的水平也不存在slight。

str()函數(shù)可以窺探任何數(shù)據(jù)的結(jié)構(gòu)，用法也很簡單。雖然里面還有很多參數(shù)，但是應(yīng)該不妨礙我們直接對它的使用。我也在繼續(xù)研究該函數(shù)，如果有結(jié)果會和大家分享。

factor()函數(shù)目前本人僅了解到該水平，并且我認為還是夠用的。

對于任何函數(shù)，用法都是多樣的，如果有新的發(fā)現(xiàn)我會即時分享給大家。

最后，關(guān)于read.table函數(shù)在讀取大數(shù)據(jù)時候為什么會出現(xiàn)失誤，如果大家知道原因，或者有更好的辦法，可以和我討論。

本次就到這里~~~~

(圖片來源于網(wǎng)絡(luò))

總結(jié)

以上是生活随笔為你收集整理的r语言各形状编号_R语言入门第八讲：编码分类变量（factor）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。