Factor in R: Kategorinen muuttuja ja jatkuvat muuttujat

Mikä on tekijä R:ssä?

tekijä R:ssä on muuttuja, jota käytetään datan luokitteluun ja tallentamiseen, ja sillä on rajallinen määrä eri arvoja. Se tallentaa datan kokonaislukuarvojen vektorina. Factor R:ssä tunnetaan myös kategorisena muuttujana, joka tallentaa sekä merkkijono- että kokonaislukudata-arvoja tasoina. Factoria käytetään enimmäkseen tilastollisessa mallinnuksessa ja tutkivassa data-analyysissä R:n avulla.

Sisäisesti tekijä on kaksi yhdessä liikkuvaa oliota: koodien kokonaislukuvektori ja merkkiattribuutti nimeltä Jokainen koodi on sijainti kyseisessä tasovektorissa, minkä vuoksi tekijän tulostaminen näyttää sanat, kun taas luokittelematon() näyttää numeroita.

Tietojoukossa voimme erottaa kahdenlaisia ​​muuttujia: kategorinen ja jatkuva.

• R:n kategoristen muuttujien kuvaavissa tilastoissa arvo on rajoitettu ja perustuu yleensä tiettyyn äärelliseen ryhmään. Esimerkiksi R:n kategorinen muuttuja voi olla maat, vuosi, sukupuoli, ammatti.
• Jatkuva muuttuja voi kuitenkin saada minkä tahansa arvon kokonaisluvusta desimaalilukuun. Esimerkiksi meillä voi olla liikevaihto, osakkeen hinta jne.

Tätä eroa kannattaa varjella, koska R valitsee äänettömästi eri oletusarvot kullekin. Numeerinen sarake tiivistetään keskiarvolla ja mediaanilla, kun taas tekijä tiivistetään tasokohtaisilla lukumäärillä. Kategorian tallentaminen tekstinä tai numerona muuttaa siis saamaasi analyysia. Laajempi valikoima tallennustiloja käsitellään oppaassa R-tietotyypit ja operaattorit.

Kategoriset muuttujat

Kategoriset muuttujat sisään R tallennetaan faktoriin. Tarkistetaan alla oleva koodi, jolla merkkimuuttuja muunnetaan faktorimuuttujaksi R:ssä. Monet mallinnus- ja koneoppimisrutiinit eivät voi käsitellä raakatekstiä, joten kategoriat on koodattava tasoina tai numeroina ennen mallin sovittamista.

Syntaksi

factor(x = character(), levels, labels = levels, ordered = is.ordered(x))

R-viittauksen perusosassa on kaksi lisäargumenttia, jotka yllä oleva lyhennetty muoto jättää pois: sulkea, joka poistaa arvot ennen tasojoukon rakentamista, ja nmax, tasojen lukumäärän yläraja, joka nopeuttaa erittäin suurten vektorien muunnosta.

argumentit:

• xKategorisen datan vektori R:ssä. Sen on oltava merkkijono tai kokonaisluku, ei desimaaliluku.
• : Mahdollisten x-arvojen vektori. Tämä argumentti on valinnainen. Oletusarvo on vektorin x alkioiden yksilöllinen luettelo nousevaan järjestykseen lajiteltuna.
• tarratLisää R:n x-luokan luokkaan liittyvään dataan tunniste. Esimerkiksi 1 voi saada tunnisteen mies ja 0 tunnisteen nainen.
• sulkeaPoissuljettujen arvojen vektori, joka poistetaan, kun tasojoukko muodostetaan. Poissuljetut arvot muuttuvat tuloksessa NA-arvoiksi.
• tilasiLooginen merkintä, joka määrittää, pidetäänkö tasoja annetussa järjestyksessä.
• nmaxValinnainen yläraja tasojen lukumäärälle, hyödyllinen pitkille vektoreille.

Esimerkiksi:

Muunnetaan merkkivektori tekijäksi ja vahvistetaan muutos class():lla.

# Create gender vector
gender_vector <- c("Male", "Female", "Female", "Male", "Male")
class(gender_vector)
# Convert gender_vector to a factor
factor_gender_vector <-factor(gender_vector)
class(factor_gender_vector)

lähtö:

## [1] "character"
## [1] "factor"

Luokka vaihtoi merkistä tekijään, eikä tulostetuissa arvoissa muuttunut mitään. On tärkeää muuttaa a jono tekijämuuttujaksi R:ssä ennen koneoppimistehtävää, koska siinä vaiheessa kategorioista tulee kiinteä, validoitu joukko.

Kategorinen muuttuja R:ssä voidaan jakaa nimellinen kategorinen muuttuja ja järjestysluokan kategorinen muuttuja.

Nimellinen kategorinen muuttuja

Nominaalisella kategorisella muuttujalla on useita arvoja, mutta järjestyksellä ei ole merkitystä. Esimerkiksi mies tai nainen. Nominaalisilla kategorisilla muuttujilla R:ssä ei ole mitään järjestystä.

# Create a color vector
color_vector <- c('blue', 'red', 'green', 'white', 'black', 'yellow')
# Convert the vector to factor
factor_color <- factor(color_vector)
factor_color

lähtö:

## [1] blue   red    green  white  black  yellow
## Levels: black blue green red white yellow

Factor_color-muuttujasta emme voi päätellä mitään järjestystä. Tasoluettelo on aakkosellinen vain, koska levels-argumenttia ei annettu, joten R lajitteli yksilölliset arvot itse. Tämä lajittelu seuraa aktiivista aluetta pelkän ASCII-koodiston sijaan, mikä on yksi syy ilmaista tasot eksplisiittisesti aina, kun järjestyksellä on merkitystä.

Ordinaal Kategorinen muuttuja

Järjestysjärjestyksen mukaisilla kategorisilla muuttujilla on luonnollinen järjestys. Järjestys määräytyy vektorin järjestyksen mukaan, joka välitetään muuttujalle. argumentti, ja jos järjestetty = TOSI, R:n tulee käsitellä kyseistä sekvenssiä ranking-arvona pelkän listan sijaan. Arvon järjestetty asettaminen = EPÄTOSI ei käännä ranking-arvoa; se yksinkertaisesti tuottaa tavallisen järjestämättömän tekijän. Jos haluat asettaa arvon korkeimmasta matalimpaan, käännä itse tasovektori.

Esimerkiksi:

Voimme käyttää yhteenvetoa laskeaksemme kunkin R:n tekijämuuttujan arvot.

# Create Ordinal categorical vector 
day_vector <- c('evening', 'morning', 'afternoon', 'midday', 'midnight', 'evening')
# Convert `day_vector` to a factor with ordered level
factor_day <- factor(day_vector, order = TRUE, levels =c('morning', 'midday', 'afternoon', 'evening', 'midnight'))
# Print the new variable
factor_day

lähtö:

## [1] evening   morning   afternoon midday    
midnight  evening

Konsoli tulostaa ensin arvot ja niiden alle sijoituksen. Seuraava lohko avautuu kyseisellä Levels-rivillä, joka on edelleen kommentoitu, joten sijoitus pysyy näkyvissä, kun summary()-kutsu liitetään edelliseen koodiin.

## Levels: morning < midday < afternoon < evening < midnight
# Append the line to above code
# Count the number of occurence of each level
summary(factor_day)

lähtö:

##   morning    midday afternoon   evening  midnight
##         1         1         1         2         1

R järjesti tason aamusta keskiyöhön levels-argumentin määrittämällä tavalla. Koska tekijä on järjestyksessä, vertailuoperaattorit, kuten < ja >, toimivat myös sen kanssa, mitä ne eivät tee yllä olevan nimellisen väritekijän kanssa.

Jatkuvat muuttujat

Jatkuvat luokkamuuttujat ovat R:n oletusarvo. Ne tallennetaan numeereina tai kokonaislukuina. Näemme tämän alla olevasta datasetistä. mtcars on sisäänrakennettu dataset. Se kerää tietoa erityyppisistä autoista. Voimme tuoda sen mtcars-funktion avulla ja tarkistaa mpg- eli mailia gallonaa kohden -muuttujan luokan. Se palauttaa numeerisen arvon, joka osoittaa jatkuvan muuttujan.

dataset <- mtcars
class(dataset$mpg)

ulostulo

## [1] "numeric"

Kaikki numeeriset sarakkeet eivät ole aidosti jatkuvia. Samassa tietojoukossa cyl sisältää vain luvut 4, 6 ja 8, ja am vain luvut 0 ja 1, joten molemmat ovat luokkia, jotka sattuvat olemaan tallennettu numeroina. Niiden muuntaminen factor()-funktiolla ennen mallinnusta estää R:ää käsittelemästä 4 ja 6 sylinterin välistä etäisyyttä mitattuna suureena. Käänteinen liike, jossa jatkuva sarake leikataan kaistoiksi, käsitellään cut():lla.

Tekijätasot ja -merkinnät R:ssä

levels-attribuutti on se osa tekijää, jonka säätämiseen käytät eniten aikaa, koska se ohjaa sekä tulostuvaa tietoa että sitä, mitä malli käsittelee perustasona. Neljä R-perusapufunktiota kattavat lähes kaikki tapaukset.

Alla oleva lohko soveltaa kaikkia neljää aiemmin luotuihin väri- ja sukupuolitekijöihin.

# Inspect the levels of an existing factor
levels(factor_color)          # the level names, in the order R stored them
nlevels(factor_color)         # how many distinct levels exist

# Rename the levels in place (the new vector must follow the same order)
levels(factor_color) <- c('Black', 'Blue', 'Green', 'Red', 'White', 'Yellow')

# Attach labels at creation time instead of renaming afterwards
gender_coded <- factor(c(1, 0, 0, 1, 1), levels = c(0, 1), labels = c('female', 'male'))

# Make 'male' the reference level that modelling functions compare against
gender_coded <- relevel(gender_coded, ref = 'male')

# Remove levels that survived a subset but no longer occur in the data
subset_color <- droplevels(factor_color[1:3])

Kaksi yksityiskohtaa on syytä muistaa. Levels()-funktiolle määrittäminen nimeää uudelleen sijainnin mukaan, joten yhteensopimaton vektori nimeää hiljaa väärän kategorian uudelleen. Ja osajoukko säilyttää kaikki alkuperäiset tasot, kunnes droplevels()-funktiota kutsutaan, minkä vuoksi suodatettu datakehys voi silti piirtää tyhjiä palkkeja. tarrat argumentti on jälleen erilainen: se nimeää tasot luontihetkellä ja kahdennetut otsikot yhdistävät useita syötearvoja yhdeksi tasoksi.

Kuinka muuntaa tekijä numeeriseksi tai merkiksi R:ssä

Tämä on yleisin yksittäinen tekijävirhe R:ssä. Koska tekijä tallentaa kokonaislukukoodeja, as.numeric()-kutsun käyttäminen palauttaa nämä koodit näytöllä näkyvien arvojen sijaan. Vuosien 2021–2023 tekijät palautuvat arvoina 1, 2 ja 3.

# A factor whose labels happen to look like numbers
year_factor <- factor(c('2021', '2023', '2022', '2023'))

# WRONG: this returns the internal codes 1, 3, 2, 3 - not the years
as.numeric(year_factor)

# RIGHT: read the label through the levels attribute first
as.numeric(levels(year_factor))[year_factor]

# Equivalent and easier to remember, but slightly slower
as.numeric(as.character(year_factor))

# Back to plain text
as.character(year_factor)

R:n perusdokumentaatio suosittelee oikeaksi ja hieman nopeammaksi reitiksi as.numeric(levels(f))[f] ja helpommin luettavaksi vastineeksi as.numeric(as.character(f)). Molemmat lukevat ensin otsikon ja muuntavat sen vasta sen jälkeen.

• Hahmoon vaikuttava tekijä: as.character(f) palauttaa otsikot pelkkää tekstiä.
• Kokonaislukukoodien tekijöihin: as.integer(f) tai unclass(f), kun koodit ovat sitä mitä todella haluat.
• Merkki, joka on otettava huomioon: factor(x) tai nopeampi as.factor(x)-oikotie.
• Numeerinen tekijä: factor(x) diskreeteille koodeille, cut(x, breaks) jatkuville arvoille, jotka tarvitsevat kaistanleveyttä.

Yksi suojatoimi koskee niitä kaikkia. Jos x:n arvoa ei esiinny tasovektorissa, factor() asettaa kyseisen elementin arvoon NA virheen aiheuttamisen sijaan, joten irrallinen välilyönti tai isojen kirjainten ero voi hiljaisesti poistaa rivejä. Yksilöllisten arvojen vertaaminen ennen ja jälkeen muunnoksen tai datakehyksen lajittelu uudessa sarakkeessa paljastaa ongelman nopeasti.

Tekijä vs. merkki vs. numeerinen R:ssä: Milloin kutakin käytetään

Tallennustilan valitseminen ajoissa säästää paljon virheenkorjausta myöhemmin. Taulukossa vertaillaan kolmea tilaa, joita teksti- tai koodisarakkeella voi olla.

Käyttää tekijä kun arvot tulevat tunnetusta, suljetusta luettelosta, kun näyttö- tai sijoitusjärjestyksellä on merkitystä tai kun sarake syöttää tietoa mallille tai kuvaajan selitteelle. Käytä. merkki vapaata tekstiä, tunnisteita ja kaikkea, mitä jäsennät tai liität, kuten nimiä, muistiinpanoja ja koodeja, jotka saapuvat jatkuvasti uusilla arvoilla. Käytä numeerinen vain silloin, kun kahden arvon välinen etäisyys on merkityksellinen.

Alla oleva lohko näyttää nopeimmat tavat tarkistaa, mitä sinulla todellisuudessa on.

# Ask R what each column of a data frame actually is
sapply(mtcars, class)

# Direct membership tests
is.factor(factor_day)
is.ordered(factor_day)

# unclass() exposes the integer codes hiding behind the labels
unclass(factor_color)

Kaksi tapaa pitävät valinnan rehellisenä. Suorita sapply(df, class) jokaisen tuonnin jälkeen, koska yksikin satunnaismerkki numeerisessa sarakkeessa muuttaa koko sarakkeen tekstiksi. Ja muunna tekijäksi mahdollisimman myöhään, sen jälkeen, kun tiedot on puhdistettu ja yhdistetty, jotta dplyr Liitokset ja suodattimet vertailevat edelleen tavallisia merkkijonoja yhteensopimattomien tasojoukkojen sijaan.

UKK