r语⾔各形状编号_R语⾔⼊门第⼋讲：编码分类变量（factor）今天第⼋篇~~~~~~
在第⼀讲中我给⼤家介绍了read.table函数的使⽤。最近我在处理⼀个⼀百万左右的数据，发现read.table函数出了问题。我不知道是在excel转成txt时出的问题还是因为R在读取数据时出了问题------应该不是操作的问题，可能因为数据过于庞⼤(⾄少在参考书中⽬前应该没有⼀百万的例⼦介绍)，在转换的过程中我读不出来数据。它会提⽰我某某⾏数据不全。即使是我⽤了参数fill=T，也不管⽤，因为它会提⽰我⾏名称重复。我并不知道为什么会这样------我确信我的数据在excel表中是完整的，可是就是读不出来。(当然还有⼀种可能就是我的计算机不够⾼级，所以在转换的时候出错了------因为在运⾏的时候还是会卡，退出R都会等半天------师兄们说是我的电脑不⾏了)另外⼀个数据⼤概18万个样本量，也出现类似错误，或者少读取那么⼀两⾏，或者读取的⾮常混乱。于是我在想，实践就是和理论⼀样啊！还是要多实践才能进步。
好了，前⾯做了这么多铺垫，⽬的就是想告诉⼤家read.table在读取excel表格转化的制表分隔符⽂件时出错了。介绍⼀个更好⽤⽽且⾄少⽬前我成功读出数据的函数read.csv。
它的使⽤和read.table⼀模⼀样，参数也⼀模⼀样。不同的⼀点就是参数的默认值。read.table中你需要设置header=T来确定变量名，设置fill=T来使⾏有空缺的数据读⼊R中，但是在read.csv中，⾃动设置了这些项⽬，以及p=”,”，因为excel本来就是逗号分隔。在读取之前，你需要做的就是先把excel表格转
化为csv的格式：在另存为的⽂件类型中找到CSV(逗号分隔)(*.csv)这⼀选项保存就可以了。之后写代码就OK：
> twd("E:/Rstore/")
> wq=read.csv("wq.csv")
滑模施工动画演示> wq
A B C D
1 1
2 65 78 98
2 56 89 87 78
3 78 87 56 98
4 98 89 24 56
5 78 87 87 12
6 96 89 33 45
7 23 78 69 65
8 23 98 82 86
9 65 87 12 45
可以看到，什么都没有设置，wq⽂件就被读出来了，很⽅便。read.table的所有参数都可以在这⾥使⽤。
上⼀讲我给⼤家介绍了参数stringsAsFactors。留了⼀个⼩⼩的疑问，就是什么是“factor”。在R中，它表⽰因⼦。说成因⼦可能⼤家不是很明⽩。实际上我⾃⼰也并不名明⽩。但是重要的仍然是运⽤。因⼦在R中起到的是分类变量的作⽤。这⾥稍微介绍⼏个名词。我们在统计分析中，通常都是选整体的⼀⼩部分观察单位作为数据进⾏分析，⽽不是那个“整体”。这个整体我们称为总体，⽽选择的其中某些⽤来分析的这⼀⼩部分观察单位称作样本。样本包含的数量⼤⼩称作样本含量。 每个样本的某个属性特征是不相同的，这种不同被称作变异，正因为有了变异的存在，所以我们将观察单位的某种反映变异的特征称为变量。举个例⼦：某个省的全体男性是⼀个总体，那么我们选择该省⼀部分男性做调查，这⼀部分男性就是样本。选择的这⼀部分男性的数量就是样本含量。我们想了解这些男性的平均⾝⾼和体重，那么⾝⾼和体重就是变量，其测量值的⼤⼩称为变量值。
变量的分类有很多种⽅法，这⾥⾯我只说其中的⼀种就⾜够了：定量变量与定性变量。定量变量简单说来就是可以⽤实数表⽰的变量，⽐如我们说的⾝⾼，体重，能够确切的说出⼀个实数来代表它------如某个男性的⾝⾼为183cm，体重为70kg，是很明确的。定性变量⼜被称作分类变量，即对该变量只能下⼀个定义，但是⼀般不能⽤确切的数值表⽰，⽐如性别(男，⼥)，民族(回，汉)，吸烟(是，否)。当然，我们在实际处理数据的时候会把它们变成某个数值(如1，2)，但是这仅仅是为了适应统计软件，实际上它们还是分类变量。介于定量变量与定性变量之间的是等级变量(有序变量)，所以也可以称为半定量变量，⽐如⾼⾎压，有1级，2级，3级，这些本质上是分类变量，但是它们有先后顺序(等级)差别，所以处理的时候就是另外的⽅法。
好了，下⾯我们介绍函数factor：
> ID=1:5
> x=c(1,2,2,1,1)
> age=c(12,50,30,44,62)
> dia=c("malaria","hypertension","diabetes","hypertension","diabetes")
> degree=c("mild","vere","moderate","vere","moderate")
> patient=data.frame(ID,x,age,dia,degree)
> patient
ID x age dia degree
1 1 1 1
2 malaria mild
2 2 2 50 hypertension vere
3 3 2 30 diabetes moderate
不仅仅是
4 4 1 44 hypertension vere
5 5 1 62 diabetes moderate
金狗我随意编写了⼏个数据，第⼀⾏代码⽣成了5位病⼈的ID，第⼆⾏是性别(1为男、2为⼥)，第三⾏年龄，第四⾏为疾病(疟疾、⾼⾎压、糖尿病)，第四⾏⽣成疾病的严重程度(轻度、重度、中等)。
在这⾥，年龄是⼀个定量变量，ID是编号，实际上并没有什么分析意义。剩下的性别、疾病以及疾病的程度都属于分类变量，在R中它们被称作因⼦。虽然我们是以字符输⼊的，但是默认的stringsAsFactors函数会帮我们进⾏转化。要想了解该数据框的变量都是什么类型的，我们需要⼀个函数str()：
> str(patient)
'data.frame': 5 obs. of 5 variables:
$ ID : int 1 2 3 4 5
$ x : num 1 2 2 1 1
$ age : num 12 50 30 44 62
$ dia: Factor w/ 3 levels "diabetes","hypertension",..: 3 2 1 2 1
$ degree : Factor w/ 3 levels "mild","moderate",..: 1 3 2 3 2
结果的第⼀⾏告诉我们该对象是⼀个数据框，有5个变量，其后⽤$连结的就是每⼀个变量的类型。结
果的最后两⾏dia和degree即被判定为因⼦，也就是分类变量，dia有三个⽔平，degree有三个⽔平。因⼦⽔平可以理解为分类变量的⽔平，或者说分类变量的类别。这⾥⾯性别给的是数值型变量，因为在录⼊的时候我们指定1是“男”，2是“⼥”，这是为了在录⼊数据时候⽅便⽽设置的。我们如果想将它重新赋值变为因⼦，就需要使⽤factor函数：
> patient$x2=factor( patient$x,levels=c(1,2),labels=c("M","F"))
> patient
ID x age dia degree x2
1 1 1 1
2 malaria mild M
2 2 2 50 hypertension vere F
3 3 2 30 diabetes moderate F
4 4 1 44 hypertension vere M
5 5 1 62 diabetes moderate M
这⾏代码中，等号左边是对数据框patient添加⼀新的⼦集“Sex2”，上⼀讲已经说明了，等号后⾯是factor的使⽤，即将⼀个向量变换为⼀个因⼦。我们将x转变为因⼦，参数levels设定因⼦的⽔平，参数labels设定因⼦⽔平的标签为“M”(male)和“F”(female)。
接下来我们再看看这个数据框的结构：
> str(patient)
'data.frame': 5 obs. of 6 variables:
$ ID : int 1 2 3 4 5
$ x : num 1 2 2 1 1
$ age : num 12 50 30 44 62
$ dia: Factor w/ 3 levels "diabetes","hypertension",..: 3 2 1 2 1
$ degree : Factor w/ 3 levels "mild","moderate",..: 1 3 2 3 2
象$ x2 : Factor w/ 2 levels "M","F": 1 2 2 1 1
结果的最后⼀⾏告诉我们因⼦x2有两个⽔平，分别是M和F。
山坑螺分类变量有等级(顺序)差别时，我们称作等级变量(有序变量)。⽐如对疾病严重程度的分级：
> degree=c("mild","vere","moderate","vere","moderate")
> factor(degree)
[1] mild vere moderate vere moderate
Levels: mild moderate vere
这⾥显⽰疾病程度有三个⽔平，轻度(mild)、中度(moderate)、和重度(vere)，既然知道这是⼀个有等级差别的因⼦，我们在分析过程中肯定也要将它分等级，这时候我们会⽤到⼀个参数ordered=T，即排序：
> degree=c("mild","vere","moderate","vere","moderate")
> factor(degree,ordered=T)
[1] mild vere moderate vere moderate
Levels: mild < moderate < vere
结果中看到levels这⼀⾏有变化，R对严重程度进⾏排序并告诉我们轻度
> degree=c("slight","ailing","moderate","ailing","moderate")
> factor(degree,ordered=T)
[1] slight ailing moderate ailing moderate
Levels: ailing < moderate < slight
这种排序完全与我们的想法背离：重度(ailing)
表决心的诗句> factor(degree,ordered=T,levels=c("slight","moderate","ailing"))
[1] slight ailing moderate ailing moderate
Levels: slight < moderate < ailing
这样就和我们认为的相同了。
函数factor有⼀个默认参数exclude=NA，即排除含有NA的元素，意思就是缺失值NA不算作⼀个因⼦的⽔平。例如：
> degree=c("slight","ailing","moderate","ailing","moderate",NA)
> factor(degree)
[1] slight ailing moderate ailing moderate
Levels: ailing moderate slight
结果中NA没有被算作⼀个⽔平。
> degree=c("slight","ailing","moderate","ailing","moderate",NA)
> factor(degree,exclude=NULL)
[1] slight ailing moderate ailing moderate
Levels: ailing moderate slight
令参数exclude等于空值(NULL)的话，则NA也被算作因⼦的⼀个⽔平。
当然，如果你想排除任意⼀个⽔平，只需把exclude的赋值更改即可：
> degree=c("slight","ailing","moderate","ailing","moderate")
> factor(degree,exclude="slight")
[1] ailing moderate ailing moderate
快乐的词语Levels: ailing moderate
这⾏代码是将slight排除掉。原先的元素slight换成了缺失值，同时因⼦的⽔平也不存在slight。
str()函数可以窥探任何数据的结构，⽤法也很简单。虽然⾥⾯还有很多参数，但是应该不妨碍我们直接对它的使⽤。我也在继续研究该函数，如果有结果会和⼤家分享。
factor()函数⽬前本⼈仅了解到该⽔平，并且我认为还是够⽤的。
对于任何函数，⽤法都是多样的，如果有新的发现我会即时分享给⼤家。
岁序最后，关于read.table函数在读取⼤数据时候为什么会出现失误，如果⼤家知道原因，或者有更好的办法，可以和我讨论。
本次就到这⾥~~~~
(图⽚来源于⽹络)
