R语言变量分组

时间:2022-09-28 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：

breaks表示分界点，Inf表示无穷大； labels表示每个类别的名称；
right=FALSE表示表示区间为左闭右开，即分段时不包括右边的点，即良为[80,
90)；right=TRUE则表示左闭右开区间（默认是这种情形）

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。

right参数：right=TRUE表示左闭右开区间，right=FALSE表示左开右闭区间
include.lowest参数：表示包括最小值或包括最大值

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
FALSE	TRUE	左闭右开，包括最大值端点
TRUE	TRUE	左开右闭，包括最小值端点
TRUE	FALSE	左开右闭，不包括最小值端点
FALSE	FALSE	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