R学习：R for Data Science（六）使用forcats处理因子 / 四六文摘

R学习往期回顾：

简介
因子在R中用于处理分类变量。分类变量是在固定的已知集合中取值的变量。当想要以非字母表顺序显示字符向量时，也可以使用分类变量。

我们将使用 forcats 包来处理因子，这个包提供了能够处理分类变量（其实就是因子的另一种说法）的工具，其中还包括了处理因子的大量辅助函数。因为 forcats 不是 tidyverse 的核心 R 包，所以需要手动加载。

library(tidyverse)library(forcats)

创建因子
假设我们想要创建一个记录月份的变量：

x1 <- c("Dec", "Apr", "Jan", "Mar")

使用字符串来记录月份有两个问题

(1) 月份只有 12 个取值，如果输入错误，那么代码不会有任何反应

x2 <- c("Dec", "Apr", "Jam", "Mar")

(2) 其对月份的排序没有意义(按照字母排序的)。

sort(x1)

可以通过使用因子来解决以上两个问题。要想创建一个因子，必须先创建有效水平的一个列表

month_levels <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun","Jul", "Aug", "Sep", "Oct", "Nov", "Dec")

可以创建因子了

y1 <- factor(x1, levels = month_levels)y1

sort(y1)

不在有效水平集合内的所有值都会自动转换为 NA

y2 <- factor(x2, levels = month_levels)y2

如果省略了定义水平的这个步骤，那么会将按字母顺序排序的数据作为水平

factor(x1)

有时你会想让因子的顺序与初始数据的顺序保持一致。在创建因子时，将水平设置为unique(x)，或者在创建因子后再对其使用 fct_inorder() 函数，就可以达到这个目的，这个对我们平时画图展示坐标顺序很重要

f1 <- factor(x1, levels = unique(x1))f1

f2 <- x1 %>% factor() %>% fct_inorder()f2

如果想要直接访问因子的有效水平集合，那么可以使用 levels() 函数：

levels(f2)

综合社会调查
forcats::gss_cat 数据集，该数据集是综合社会调查数据的一份抽样，综合社会调查是美国芝加哥大学的独立研究组织 NORC 进行的一项长期美国社会调查。这项调查包括几千个问题，我们挑选了一些变量放在 gss_cat 数据集中，它们可以说明处理因子时经常遇到的一些问题：

gss_cat

当因子保存在 tibble 中时，其水平不是很容易看到的。查看因子水平的一种方法是使用count() 函数

gss_cat %>% count(race)

或者使用条形图

ggplot(gss_cat, aes(race)) + geom_bar()

默认情况下， ggplot2 会丢弃没有任何数据的那些水平，你可以使用以下代码来强制显示这些水平：

ggplot(gss_cat, aes(race)) + geom_bar() + scale_x_discrete(drop = FALSE)

这些水平表示的也是有效值，只是没有出现在这个数据集中

修改因子水平

修改水平不仅可以使得图形标签更美观清晰，还可以将水平汇集成更高层次的显示。修改水平最常用、最强大的工具是 fct_recode() 函数，它可以对每个水平进行修改或重新编码。例如，我们看一下 gss_cat$partyid：

gss_cat %>% count(partyid)

对水平的描述太过简单，而且不一致。我们将其修改为较为详细的排比结构

gss_cat %>% mutate(partyid = fct_recode(partyid, "Republican, strong" = "Strong republican", "Republican, weak" = "Not str republican", "Independent, near rep" = "Ind,near rep", "Independent, near dem" = "Ind,near dem", "Democrat, weak" = "Not str democrat", "Democrat, strong" = "Strong democrat" )) %>% count(partyid)

等号右边是原来的因子，左边是修改后的因子

你可以将多个原水平赋给同一个新水平，这样就可以合并原来的分类：

使用这种操作时一定要小心：如果合并了原本不同的分类，那么就会产生误导性的结果。

如果想要合并多个水平，那么可以使用fct_recode()函数的变体fct_collapse() 函数。对于每个新水平，你都可以提供一个包含原水平的向量

gss_cat %>% mutate(partyid = fct_collapse(partyid, other = c("No answer", "Don't know", "Other party"), rep = c("Strong republican", "Not str republican"), ind = c("Ind,near rep", "Independent", "Ind,near dem"), dem = c("Not str democrat", "Strong democrat") )) %>% count(partyid)

我们画图示范一下

rm(list = ls())library(tidyverse)library(forcats)gss_cat %>% count(partyid)

ggplot(gss_cat,aes(x=partyid,y=age,fill=partyid))+geom_boxplot()

改变因子内容

gss_cat$partyid<-fct_collapse(gss_cat$partyid, other = c("No answer", "Don't know", "Other party"), rep = c("Strong republican", "Not str republican"), ind = c("Ind,near rep", "Independent", "Ind,near dem"), dem = c("Not str democrat", "Strong democrat"))ggplot(gss_cat,aes(x=partyid,y=age,fill=partyid))+geom_boxplot()

这样就合并了一些分类

改变因子顺序

gss_cat$partyid<-factor(gss_cat$partyid,levels = c('dem','ind','rep','other'))ggplot(gss_cat,aes(x=partyid,y=age,fill=partyid))+geom_boxplot()

这样坐标顺序就变了

公众号“生信小课堂”

TCGA数据分析大全

R学习：R for Data Science（六） 使用forcats处理因子

相关推荐

R学习：R for Data Science（六）使用forcats处理因子