亲宝软件园·资讯

展开

R语言变量分组

AhaBob 人气:0

前言

在数据处理的过程中,我们有时候需要将连续的数值数据转换为类别数据,比如将收入分成高、中和低三组,将学生成绩分为优、良、中、及格和不及格五组。

本来将基于R语言,采用三种方法来实现;第一种是对变量直接进行重新赋值,第二种是使用within函数对语句进行组织,第三种是cut函数。

首先我们定义一个数据框,这个数据框包括学生姓名和数学成绩两个变量。

#定义数据框
mathScore <- data.frame(name=c("刘文涛","王宇翔","田思雨","徐丽娜","丁文彬","李志国","王智强","宋丽芳","袁芳芳","张建国"), math=c(85, 91, 74, 100, 82, 84, 78, 100, 51, 70))
head(mathScore)

接下来我们以90、80、70和60为界,将学生的数学成绩分为优、良、中、及格和不及格五类。

方法一:直接对分组变量进行赋值

#方法一:直接对分组变量进行赋值
attach(mathScore)
mathScore$group1[math>=90]="优"
mathScore$group1[math>= 80 & math < 90] = "良"
mathScore$group1[math>= 70 & math < 80] = "中"
mathScore$group1[math>= 60 & math < 70] = "及格"
mathScore$group1[math < 60] = "不及格"
detach(mathScore)
head(mathScore)

这种方法较易理解,但使用attach函数可能会出现一些意想不到的问题,因此我们可以采用within函数,对代码进行优化,即方法二

方法二:使用within函数对变量进行分组

#方法二:使用within函数对变量进行分组
mathScore <- within(mathScore,{
  group2 <- NA
  group2[math>=90]="优"
  group2[math>= 80 & math < 90] = "良"
  group2[math>= 70 & math < 80] = "中"
  group2[math>= 60 & math < 70] = "及格"
  group2[math < 60] = "不及格"
})
head(mathScore)

在方法二中,要注意within函数的写法,赋值语句要用大括号括起来,并且每条赋值语句占一行。此外,在第一行首先定义了 group2 <- NA这个变量。

方法三:采用cut函数

采用cut函数也是较为常用的一种方法,但要注意的是需要对间段点的开闭进行设定。

#方法三:采用cut函数
mathScore$group3 <- cut(mathScore$math, breaks = c(-Inf, 60, 70, 80, 90, Inf), labels = c("不及格","及格","中","良","优"), right=FALSE)

在cut函数中:

我们执行mathScore代码,就可以看到三种方法得到的结果是一致的。

关于cut函数参数的补充说明:

cut函数有两个和分界点相关的参数,一个是include.lowest,一个是right,下面对这两个参数进行详细说明。

下面通过例子说明:

为了说明问题,我们把数据再重新定义一下,比原数据加入两行:

#重新定义一下数据框
mathScore <- data.frame(name=c("刘文涛","王宇翔","田思雨","徐丽娜","丁文彬","李志国","王智强","宋丽芳","袁芳芳","张建国","张志伟","李明"), math=c(85, 91, 74, 100, 82, 84, 78, 100, 51, 70, 0, NA))
head(mathScore)

我们把之前代码改写一下,把-Inf替换为0,把Inf替换为100,尝试一下结果:

#问题代码示例
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","优"), right=FALSE)
mathScore

我们可以看到输出的结果如下:

name math group
1 刘文涛 85 良
2 王宇翔 91 优
3 田思雨 74 中
4 徐丽娜 100 < NA >
5 丁文彬 82 良
6 李志国 84 良
7 王智强 78 中
8 宋丽芳 100 < NA >
9 袁芳芳 51 不及格
10 张建国 70 中
11 张志伟 0 不及格
12 李明 NA < NA >

此结果有问题,因为100分不包括在内,因为 right=FALSE是左闭右开区间,这时就要改写代码,加上参数include.lowest=TRUE

如下为正确代码示例:

#正确代码示例
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","优"), right=FALSE, include.lowest=TRUE)
mathScore

这时的结果如下,我们发现是结果正确的:

name math group
1 刘文涛 85 良
2 王宇翔 91 优
3 田思雨 74 中
4 徐丽娜 100 优
5 丁文彬 82 良
6 李志国 84 良
7 王智强 78 中
8 宋丽芳 100 优
9 袁芳芳 51 不及格
10 张建国 70 中
11 张志伟 0 不及格
12 李明 NA < NA >

因为right=FALSE是左闭右开区间,加上参数include.lowest=TRUE后,意为把最大值的右端点包括了。

为了深入了解两个端点参数的关系,我们尝试动下如下两段代码:

#对参数设置尝试的代码
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","优"), right=TRUE, include.lowest=FALSE)
mathScore

此代码为左闭右开区间,不包括最小值左侧端点;

#对参数设置尝试的代码
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","优"), right=TRUE, include.lowest=TRUE)
mathScore

此代码为左闭右开区间,包括最小值区间左侧端点。

因此,right和include.lowest总结如下:

right参数include.lowest参数备注
FALSETRUE左闭右开,包括最大值端点
TRUETRUE左开右闭,包括最小值端点
TRUEFALSE左开右闭,不包括最小值端点
FALSEFALSE左闭右开,包括最小值端点

其中,cut函数默认为right = TRUE, include.lowest=FALSE;

在实际的数据分析中,一般是将参数设置为right=FALSE, include.lowest=TRUE,即含下限不含上限,包括最大值区间右侧端点。

总结

加载全部内容

相关教程
猜你喜欢
用户评论