R語言編程藝術_第六章_因子和表
一、因子與水平
1、簡單直接的認識因子和水平
因子可以簡單的理解為包含了更多信息的向量。即因子=向量 + 水平。（當然實際上它們內部機理不同）。水平是對於向量中不同值的記錄，以下面代碼為例：
> 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
但是我們說到因子的長度時，則定義為數據的長度，而非水平的個數。
> length(xf) [1] 4
2、因子的增，刪，改，查（好了這裏其實只有增）
在增加因子的水平時，我們需要提前插入，不能像矩陣或是列表那樣隨加隨到。
> 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，就會提示非法插入。
xff[3] <- 6 Warning message: In `[<-.factor`(`*tmp*`, 3, value = 6) : invalid factor level, NA generated > xff
二、因子的常用函數
1、tapply函數
典型的tapply函數用法為tapply(x, f, g)， x為向量，f為因子或因子列表，g（）為所需要對x運用的函數。
tapply函數的執行操作的流程：先將x按照因子f來分組，得到若幹個子向量，然後針對每個子向量使用g（）函數，最後返回一個分好類的矩陣。
> 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
這個例子就是分別針對每個不同的黨派（民主黨，共和黨，無黨派）的人的年齡進行了求平均數。
然後下面的一個例子更進一步，在有兩個或兩個以上因子存在的情況下，也就是需要用因子列表來進行操作。
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$over25), mean)
0 1
F 39050 123000.00
M NA 73166.67
上面的程序實現的功能是：分別按照性別和年齡（兩個因子）來求收入的平均水平。所以就分成了四個子向量：
- 25歲以下男性
- 25歲以下女性
- 25歲以上男性
- 25歲以上女性
而這裏比較巧妙的就是在於對加了一列“over 25”來對年齡做一個簡單的區分，這就極大的方便了後面的tapply（）使用。
2、split ()函數
split()執行的功能是將向量按照因子水平分組，然後返回一個列表。繼續對上面的數據框d操作。
split(d$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
另一個關於鮑魚性別的問題，我們可以通過split函數快速知道哪幾個位置分別是什麽性別的鮑魚。
split(1:7, g) $F [1] 2 3 7 $I [1] 4 $M [1] 1 5 6
3、by() 函數
by() 函數和tapply()的作用方式類似，但是它的作用對象不僅僅是向量，可以說矩陣或數據框。下面一個就是利用by()函數做回歸分析的例子。讀取的文件來自於課本附屬的鏈接（可惜的是數據太太太殘缺了）
> aba2 <- read.csv("E:/files_for_R/abalone.data", header = F)
> #read.table vs .csv ：.table默認文件內容用“/”分隔，“.csv"默認為","
> colnames(aba2) <- c("gender", "length", "diameter","height","wholewt", "shuckedwt", "viscwt", "shellwt", "rings")
> by(aba2, aba2$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$gender: M
Call:
lm(formula = m[, 2] ~ m[, 3])
Coefficients:
(Intercept) m[, 3]
0.03653 1.19480
書裏邊給的數據不完整，少了一個header，所以自己給加了一段。自己發揮的如下。
colnames(aba2) <- c("gender", "length", "diameter","height","wholewt", "shuckedwt", "viscwt", "shellwt", "rings")三
三、表的操作
1、關於R語言中的table函數
到目前為止我們一共遇到過兩個與table有關的函數: 一個是read.table()，另一個是table()。read.table()用以讀取數據文件，默認分隔符為“ ”；table()函數則是對因子或因子的列表進行處理，從而獲得一個列聯表，也就是一種記錄頻數的方法。
2、table()函數詳細操作
首先我們先得到這樣子一個數據框
> ct <- data.frame(
+ Vote.for.X = factor(c("yes", "yes", "no", "not sure", "no")),
+ Voted.for.X = factor(c("yes", "no", "no", "yes", "no"))
+ )
> ct
Vote.for.X Voted.for.X
1 yes yes
2 yes no
3 no no
4 not sure yes
5 no no
使用table（）函數進行處理之後，就得到了如下的頻數表。
> cttab <- table(ct)
> cttab
Voted.for.X
Vote.for.X no yes
no 2 0
not sure 0 1
yes 1 1
同樣的，若果你有三維的數據，table() 可以以兩維的表格的形式打出來。這裏並不想再舉例了（懶。。。。。）
3、表中有關矩陣和類似數組的操作
3.1 訪問單元格頻數
這裏的操作其實和列表一樣。依然以上面的cttab為例。
> class(cttab)
[1] "table"
> cttab[,1]
no not sure yes
2 0 1
> class(cttab)
[1] "table"
> cttab[,1]
no not sure yes
2 0 1
> cttab[1,1]
[1] 2
3.2 等比例改變單元格頻數
> cttab/5
Voted.for.X
Vote.for.X no yes
no 0.4 0.0
not sure 0.0 0.2
yes 0.2 0.2
3.3 得到表的邊界值
- 變量的邊界值：保持該變量為常數時對其他變量對應的數值求和所得到的值。
- 比較直接的方法是直接通過apply( )函數來實現。
> apply(cttab, 1, sum)
no not sure yes
2 1 2
- 更加直接的方法是利用添加邊界值的函數 addmargins( ),直接多出兩個維度的邊界值
> addmargins(cttab)
Voted.for.X
Vote.for.X no yes Sum
no 2 0 2
not sure 0 1 1
yes 1 1 2
Sum 3 2 5
4、擴展案例：在表中尋找頻數最高的單元格
整個函數的設計思路可以按照以下路徑來：
- 添加新的一列Freq來表示各類數據的頻數（這可以通過as.data.frame來實現）
- 對各行按照頻數大小進行排序（通過order()函數來實現)
- 按照要求區前k行。
- 具體代碼如下：
tabdom <- function(tbl, k){
#create a data frame representing tbl, add a Freq column
tablframe <- as.data.frame(tbl)
#determine the proper position of the frequencies in an ordered frequency
#rearrange the data frame, get the first k rows
tblfreord <- order(tablframe$Freq, decreasing = TRUE)
dom <- tablframe[tblfreord,][1:k,]
return(dom)
}
R語言編程藝術_第六章_因子和表