R语言编程艺术_第六章_因子和表
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)
}
