日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

R語言將變量分組的3種方法實例(含cut函數說明）_R語言

作者：AhaBob ? 更新時間： 2022-10-04 編程語言

前言

在數據處理的過程中，我們有時候需要將連續的數值數據轉換為類別數據，比如將收入分成高、中和低三組，將學生成績分為優、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；第一種是對變量直接進行重新賦值，第二種是使用within函數對語句進行組織，第三種是cut函數。

首先我們定義一個數據框，這個數據框包括學生姓名和數學成績兩個變量。

#定義數據框
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，將學生的數學成績分為優、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$group1[math>=90]="優"
mathScore$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函數可能會出現一些意想不到的問題，因此我們可以采用within函數，對代碼進行優化，即方法二

方法二：使用within函數對變量進行分組

#方法二：使用within函數對變量進行分組
mathScore <- within(mathScore,{
  group2 <- NA
  group2[math>=90]="優"
  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

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

在cut函數中：

  • 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則表示左閉右開區間（默認是這種情形）

我們執行mathScore代碼，就可以看到三種方法得到的結果是一致的。

關于cut函數參數的補充說明：

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

  • right參數：right=TRUE表示左閉右開區間，right=FALSE表示左開右閉區間
  • include.lowest參數：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，我們把數據再重新定義一下，比原數據加入兩行：

#重新定義一下數據框
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"), right=FALSE)
mathScore

我們可以看到輸出的結果如下:

name math group
1 劉文濤 85 良
2 王宇翔 91 優
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 >

此結果有問題，因為100分不包括在內，因為 right=FALSE是左閉右開區間，這時就要改寫代碼，加上參數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"), right=FALSE, include.lowest=TRUE)
mathScore

這時的結果如下，我們發現是結果正確的：

name math group
1 劉文濤 85 良
2 王宇翔 91 優
3 田思雨 74 中
4 徐麗娜 100 優
5 丁文彬 82 良
6 李志國 84 良
7 王智強 78 中
8 宋麗芳 100 優
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是左閉右開區間，加上參數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的關系，我們嘗試動下如下兩段代碼：

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

此代碼為左閉右開區間，不包括最小值左側端點；

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

此代碼為左閉右開區間，包括最小值區間左側端點。

因此，right和include.lowest總結如下：

right參數 include.lowest參數 備注
FALSE TRUE 左閉右開，包括最大值端點
TRUE TRUE 左開右閉，包括最小值端點
TRUE FALSE 左開右閉，不包括最小值端點
FALSE FALSE 左閉右開，包括最小值端點

其中，cut函數默認為right = TRUE, include.lowest=FALSE;

在實際的數據分析中，一般是將參數設置為right=FALSE, include.lowest=TRUE，即含下限不含上限，包括最大值區間右側端點。

總結

原文鏈接：https://blog.csdn.net/AhaBob/article/details/120639097

欄目分類
最近更新