R语言学习——因子

变量可分为名义型变量、有序型变量或者连续型变量。名义型变量是没有顺序之分的类别变量，如糖尿病类型Diabetes（Type1、Type2），即使在数据中Type1编码为1而Type2编码为2，这也并不表示二者有序。有序变量表示一种顺序关系，而非数量关系，如病情S Status(poor、improved、excellent），显然病情为poor（较差）的病人的状态不如improved（病情好转）的病人，但我们并不知道相差多少。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，例如年龄，他能够表示14或者30这样的值以及期间的其他任意值，很清楚15岁的人比14岁的人年长1岁。

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，它决定了数据的分析方式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，取值范围是[1...k]（其中k是名义型变量中唯一值的个数），同时一个由字符串（原始值）组成的内部向量将映射到这些整数上，例如：

> diabetes<-c("Type1","Type2","Type1","Type2")
> diabetes<-factor(diabetes)
> diabetes
[1] Type1 Type2 Type1 Type2
Levels: Type1 Type2

语句diabetes<-factor(diabetes)将向量存储为（1,2,1,1），并在内部将其关联为1=Type1,和2=Type2（具体赋值顺序根据字母顺序而定）。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。

若果要表示有序向量，则需要为函数factor（）指定参数ordered=TRUE。给定向量：

> status<-c("Poor","Improved","Excellent","Poor")
> status<-factor(status,ordered = T)
> status
[1] Poor Improved Excellent Poor
Levels: Excellent < Improved < Poor

语句status<-factor(status,ordered = T)将此向量编码为（3,2,1,3），并在内部将其关联为1=Excellent、2=Improved以及3=Poor。但这里对于字符型向量，因自水平默认以字母顺序创建，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顺序一致。如果“Poor”被编码为“Ailing”则顺序将为“Ailing”“Excellent”“Improved”，与逻辑不符；如果理想中的顺序是“Poor”“Improved”“Excellent”，则会出现类似问题。因此可以通过制定levels选项来覆盖默认排序。例如：

> status<-factor(status,ordered = T,levels=c("Poor","Improved","Excellent"))
> status
[1] Poor Improved Excellent Poor
Levels: Poor < Improved < Excellent

数值型变量可用levels和labels参数来编码成因子。如果男性编码被编码成1，女性被编码成2，则代码如下：

> sex<-c(1,2)
> sex<-factor(sex,levels=c(1,2),labels = c("Male","Female"))#注意标签的顺序必须与水平一致
> sex
[1] Male Female
Levels: Male Female

以下代码显示了普通因子与有序因子的不同是如何影响数据分析的

> patientID<-c(1,2,3,4)
> ge<-c(25,34,28,52)
> diabetes<-c("Type1","Type2","Type1","Type1")
> status<-c("Poor","Improved","Excellent","Poor")
> diabetes<-factor(diabetes)
> status<-factor(status,ordered = T)
> patientdata<-data.frame(patientID,age,diabetes,status)
> str(patientdata)#显示对象的结构
'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"<"Improved"<..: 3 2 1 3
> summary(patientdata)#显示对象的统计概要

> diabetes2<-c("Type1","Type2","Type1","Type1")
> status2<-c("Poor","Improved","Excellent","Poor")
> patientdata2<-data.frame(patientID,age,diabetes2,status2)
> str(patientdata2)#显示对象的结构
'data.frame': 4 obs. of 4 variables:
$ patientID: num 1 2 3 4
$ age : num 25 34 28 52
$ diabetes2: Factor w/ 2 levels "Type1","Type2": 1 2 1 1
$ status2 : Factor w/ 3 levels "Excellent","Improved",..: 3 2 1 3
> summary(patientdata2)#显示对象的统计概要
 

> status<-factor(status,ordered = T,levels=c("Poor","Improved","Excellent"))
> patientdata<-data.frame(patientID,age,diabetes,status)
> str(patientdata)#显示对象的结构
'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 "Poor"<"Improved"<..: 1 2 3 1
> summary(patientdata)#显示对象的统计概要

首先，以向量形式输入数据；然后，将diabetes和status分别指定为一个普通因子和一个有序型因子；最后，将数据合并为一个数据框。函数str（object）可以提供R中的某个对象（本例为数据框）的信息，它清楚的显示diabetes是一个因子，而status是一个有序型因子，以及此数据框在内部是如何进行编码的。函数summary（）会区别对待各个变量，它显示了连续型变量age的最小值、最大值、均值和四分位数，并显示了类别型变量diabetes和status（各水平）的频数值。