前言

在數(shù)據(jù)處理的過程中，我們有時候需要將連續(xù)的數(shù)值數(shù)據(jù)轉(zhuǎn)換為類別數(shù)據(jù)，比如將收入分成高、中和低三組，將學生成績分為優(yōu)、良、中、及格和不及格五組。

本來將基于R語言，采用三種方法來實現(xiàn)；第一種是對變量直接進行重新賦值，第二種是使用within函數(shù)對語句進行組織，第三種是cut函數(shù)。

首先我們定義一個數(shù)據(jù)框，這個數(shù)據(jù)框包括學生姓名和數(shù)學成績兩個變量。

#定義數(shù)據(jù)框
mathScore <- data.frame(name=c("劉文濤","王宇翔","田思雨","徐麗娜","丁文彬","李志國","王智強","宋麗芳","袁芳芳","張建國"), math=c(85, 91, 74, 100, 82, 84, 78, 100, 51, 70))
head(mathScore)

接下來我們以90、80、70和60為界，將學生的數(shù)學成績分為優(yōu)、良、中、及格和不及格五類。

方法一：直接對分組變量進行賦值

#方法一：直接對分組變量進行賦值
attach(mathScore)
mathScore$group1[math>=90]="優(yōu)"
mathScore$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)

這種方法較易理解，但使用attach函數(shù)可能會出現(xiàn)一些意想不到的問題，因此我們可以采用within函數(shù)，對代碼進行優(yōu)化，即方法二

方法二：使用within函數(shù)對變量進行分組

#方法二：使用within函數(shù)對變量進行分組
mathScore <- within(mathScore,{
  group2 <- NA
  group2[math>=90]="優(yōu)"
  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函數(shù)的寫法，賦值語句要用大括號括起來，并且每條賦值語句占一行。此外，在第一行首先定義了 group2 <- NA這個變量。

方法三：采用cut函數(shù)

采用cut函數(shù)也是較為常用的一種方法，但要注意的是需要對間段點的開閉進行設定。

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

在cut函數(shù)中：

• breaks表示分界點，Inf表示無窮大； labels表示每個類別的名稱；
• right=FALSE表示表示區(qū)間為左閉右開，即分段時不包括右邊的點，即良為[80,
  90)；right=TRUE則表示左閉右開區(qū)間（默認是這種情形）

我們執(zhí)行mathScore代碼，就可以看到三種方法得到的結(jié)果是一致的。

關于cut函數(shù)參數(shù)的補充說明：

cut函數(shù)有兩個和分界點相關的參數(shù)，一個是include.lowest，一個是right，下面對這兩個參數(shù)進行詳細說明。

• right參數(shù)：right=TRUE表示左閉右開區(qū)間，right=FALSE表示左開右閉區(qū)間
• include.lowest參數(shù)：表示包括最小值或包括最大值

下面通過例子說明：

為了說明問題，我們把數(shù)據(jù)再重新定義一下，比原數(shù)據(jù)加入兩行：

#重新定義一下數(shù)據(jù)框
mathScore <- data.frame(name=c("劉文濤","王宇翔","田思雨","徐麗娜","丁文彬","李志國","王智強","宋麗芳","袁芳芳","張建國","張志偉","李明"), math=c(85, 91, 74, 100, 82, 84, 78, 100, 51, 70, 0, NA))
head(mathScore)

我們把之前代碼改寫一下，把-Inf替換為0，把Inf替換為100，嘗試一下結(jié)果：

#問題代碼示例
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","優(yōu)"), right=FALSE)
mathScore

我們可以看到輸出的結(jié)果如下:

name math group
1 劉文濤 85 良
2 王宇翔 91 優(yōu)
3 田思雨 74 中
4 徐麗娜 100 < NA >
5 丁文彬 82 良
6 李志國 84 良
7 王智強 78 中
8 宋麗芳 100 < NA >
9 袁芳芳 51 不及格
10 張建國 70 中
11 張志偉 0 不及格
12 李明 NA < NA >

此結(jié)果有問題，因為100分不包括在內(nèi)，因為 right=FALSE是左閉右開區(qū)間，這時就要改寫代碼，加上參數(shù)include.lowest=TRUE

如下為正確代碼示例：

#正確代碼示例
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","優(yōu)"), right=FALSE, include.lowest=TRUE)
mathScore

這時的結(jié)果如下，我們發(fā)現(xiàn)是結(jié)果正確的：

name math group
1 劉文濤 85 良
2 王宇翔 91 優(yōu)
3 田思雨 74 中
4 徐麗娜 100 優(yōu)
5 丁文彬 82 良
6 李志國 84 良
7 王智強 78 中
8 宋麗芳 100 優(yōu)
9 袁芳芳 51 不及格
10 張建國 70 中
11 張志偉 0 不及格
12 李明 NA < NA >

因為right=FALSE是左閉右開區(qū)間，加上參數(shù)include.lowest=TRUE后，意為把最大值的右端點包括了。

為了深入了解兩個端點參數(shù)的關系，我們嘗試動下如下兩段代碼：

#對參數(shù)設置嘗試的代碼
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","優(yōu)"), right=TRUE, include.lowest=FALSE)
mathScore

此代碼為左閉右開區(qū)間，不包括最小值左側(cè)端點；

#對參數(shù)設置嘗試的代碼
mathScore$group <- cut(mathScore$math, breaks = c(0, 60, 70, 80, 90, 100), labels = c("不及格","及格","中","良","優(yōu)"), right=TRUE, include.lowest=TRUE)
mathScore

此代碼為左閉右開區(qū)間，包括最小值區(qū)間左側(cè)端點。

因此，right和include.lowest總結(jié)如下：

其中，cut函數(shù)默認為right = TRUE, include.lowest=FALSE;

在實際的數(shù)據(jù)分析中，一般是將參數(shù)設置為right=FALSE, include.lowest=TRUE，即含下限不含上限，包括最大值區(qū)間右側(cè)端點。

總結(jié)