Faktor i R: Kategoriske variable og kontinuerlige variabler

Hva er faktor i R?

Faktor i R er en variabel som brukes til å kategorisere og lagre data, og har et begrenset antall forskjellige verdier. Den lagrer dataene som en vektor av heltallsverdier. Faktor i R er også kjent som en kategorisk variabel som lagrer både streng- og heltallsdataverdier som nivåer. Faktor brukes mest i statistisk modellering og utforskende dataanalyse med R.

Internt er en faktor to objekter som beveger seg sammen: en heltallsvektor av koder og et tegnattributt kalt nivåerHver kode er en posisjon i det nivåvektoren, og det er derfor det å skrive ut en faktor viser ord mens uklasse() viser tall.

I et datasett kan vi skille mellom to typer variabler: kategorisk og kontinuerlig.

• I beskrivende statistikk for kategoriske variabler i R er verdien begrenset og vanligvis basert på en bestemt begrenset gruppe. For eksempel kan en kategorisk variabel i R være land, år, kjønn, yrke.
• En kontinuerlig variabel kan imidlertid ta alle verdier, fra heltall til desimaltall. For eksempel kan vi ha omsetningen, prisen på en aksje osv.

Det er verdt å vokte over dette skillet, fordi R i stillhet velger forskjellige standardverdier for hver. En numerisk kolonne oppsummeres med et gjennomsnitt og en median, mens en faktor oppsummeres med antall per nivå. Å lagre en kategori som tekst eller som et tall endrer derfor analysen du får. Det bredere settet med lagringsmoduser er dekket i veiledningen til R-datatyper og operatorer.

Kategoriske variabler

Kategoriske variabler i R lagres i en faktor. La oss sjekke koden nedenfor for å konvertere en tegnvariabel til en faktorvariabel i R. Mange modellerings- og maskinlæringsrutiner kan ikke forbruke råtekst, så kategoriene må kodes som nivåer eller som tall før modellen tilpasses.

syntax

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

Basis-R-referansen dokumenterer to ytterligere argumenter som den forkortede formen ovenfor utelater: ekskludere, som fjerner verdier før nivåsettet bygges, og nmax, en øvre grense for antall nivåer som fremskynder konverteringen av veldig store vektorer.

argumenter:

• xEn vektor med kategoriske data i R. Må være en streng eller et heltall, ikke et desimal.
• nivåerEn vektor med mulige verdier tatt av x. Dette argumentet er valgfritt. Standardverdien er den unike listen over elementer i vektoren x, sortert i stigende rekkefølge.
• etiketterLegg til en etikett til de x kategoriske dataene i R. For eksempel kan 1 ta etiketten mann, mens 0 kan ta etiketten kvinne.
• ekskludereEn vektor med verdier som skal fjernes når nivåsettet dannes. Ekskluderte verdier blir NA i resultatet.
• bestiltEt logisk flagg som avgjør om nivåene skal anses som ordnet, i den gitte rekkefølgen.
• nmaxEn valgfri øvre grense for antall nivåer, nyttig for lange vektorer.

Eksempel:

La oss konvertere en tegnvektor til en faktor og bekrefte endringen med class().

# 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)

Utgang:

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

Klassen byttet fra tegn til faktor, og ingenting ved de utskrevne verdiene endret seg. Det er viktig å transformere en string til en faktorvariabel i R før en maskinlæringsoppgave, fordi det er på hvilket tidspunkt kategoriene blir et fast, validert sett.

En kategorisk variabel i R kan deles inn i nominell kategorisk variabel og ordinal kategorisk variabel.

Nominell kategorisk variabel

En nominell kategorisk variabel har flere verdier, men rekkefølgen spiller ingen rolle. For eksempel mannlig eller kvinnelig. Nominelle kategoriske variabler i R har ingen rekkefølge.

# 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

Utgang:

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

Fra factor_color kan vi ikke se noen rekkefølge. Nivålisten er alfabetisk bare fordi det ikke ble oppgitt noe nivåargument, så R sorterte de unike verdiene selv. Denne sorteringen følger den aktive språkinnstillingen i stedet for ren ASCII, noe som er en grunn til å angi nivåene eksplisitt når rekkefølgen er viktig.

Ordinal kategorisk variabel

Ordinale kategoriske variabler har en naturlig ordning. Rangeringen kommer fra rekkefølgen til vektoren som sendes til nivåer argumentet, og ordered = TRUE forteller R at den skal behandle den sekvensen som en rangering i stedet for en ren liste. Å sette ordered = FALSE reverserer ikke rangeringen; den produserer ganske enkelt en vanlig uordnet faktor. For å rangere fra høyest til lavest, reverser selve nivåvektoren.

Eksempel:

Vi kan bruke sammendrag for å telle verdiene for hver faktorvariabel i R.

# 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

Utgang:

## [1] evening   morning   afternoon midday    
midnight  evening

Konsollen skriver ut verdiene først og rangeringen under. Den neste blokken åpnes med Levels-linjen, fortsatt kommentert ut, slik at rangeringen forblir synlig mens summary()-kallet legges til i den forrige koden.

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

Utgang:

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

R ordnet nivået fra «morgen» til «midnatt» som spesifisert i nivåargumentet. Fordi faktoren er ordnet, fungerer sammenligningsoperatorer som < og > også på den, noe de ikke gjør på den nominelle fargefaktoren ovenfor.

Kontinuerlige variabler

Kontinuerlige klassevariabler er standardverdien i R. De lagres som numeriske eller heltallsvariabler. Vi kan se det fra datasettet nedenfor. mtcars er et innebygd datasett. Det samler informasjon om ulike typer biler. Vi kan importere det ved å bruke mtcars og sjekke klassen til variabelen mpg, mile per gallon. Den returnerer en numerisk verdi, som indikerer en kontinuerlig variabel.

dataset <- mtcars
class(dataset$mpg)

Produksjon

## [1] "numeric"

Ikke alle numeriske kolonner er genuint kontinuerlige. I samme datasett inneholder cyl bare 4, 6 og 8, og am inneholder bare 0 og 1, så begge er kategorier som tilfeldigvis er lagret som tall. Konvertering av dem med factor() før modellering hindrer R i å behandle gapet mellom 4 og 6 sylindere som en målt mengde. Den motsatte bevegelsen, å kutte en kontinuerlig kolonne i bånd, håndteres av cut().

Faktornivåer og etiketter i R

Levels-attributtet er den delen av en faktor du vil bruke mest tid på å justere, fordi det styrer både hva som skrives ut og hva en modell behandler som grunnlinjen. Fire base R-hjelpere dekker nesten alle tilfeller.

Blokken nedenfor gjelder alle fire for farge- og kjønnsfaktorene som ble opprettet tidligere.

# 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])

To detaljer er verdt å huske på. Tildeling til levels() endrer navn etter posisjon, slik at en uoverensstemmende vektor i stillhet omdøper feil kategori. Og et delsett beholder hvert opprinnelige nivå inntil droplevels() kalles, og det er derfor en filtrert Dataramme kan fortsatt plotte tomme søyler. etiketter argumentet er annerledes igjen: det navngir nivåene ved opprettelse, og dupliserte etiketter slår sammen flere inngangsverdier til ett nivå.

Slik konverterer du en faktor til numerisk eller tegn i R

Dette er den vanligste faktorfeilen i R. Fordi en faktor lagrer heltallskoder, returnerer et kall med as.numeric() på den disse kodene i stedet for verdiene du kan se på skjermen. En faktor for årene 2021 til 2023 kommer tilbake som 1, 2 og 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)

Den grunnleggende R-dokumentasjonen anbefaler as.numeric(levels(f))[f] som den riktige og litt raskere ruten, med as.numeric(as.character(f)) som den enklere å lese ekvivalenten. Begge leser etiketten først og konverterer etterpå.

• Faktor til karakteras.character(f) returnerer etikettene som ren tekst.
• Faktorisering til heltallskoderas.integer(f) eller unclass(f) når kodene er det du faktisk ønsker.
• Karakter å faktorisere: factor(x) eller den raskere snarveien as.factor(x).
• Numerisk til faktor: faktor(x) for diskrete koder, kutt(x, pauser) for kontinuerlige verdier som trenger bånding.

Én sikkerhetsforanstaltning gjelder for alle. Hvis en verdi i x ikke vises i nivåvektoren, setter factor() elementet til NA i stedet for å generere en feil, slik at et spredt mellomrom eller en forskjell i store bokstaver kan slette rader i det stille. Sammenligning av unike verdier før og etter konverteringen, eller sortering av datarammen på den nye kolonnen, avslører problemet raskt.

Faktor vs. tegn vs. numerisk i R: Når du skal bruke hver av dem

Å velge lagringsmodus tidlig sparer mye feilsøking senere. Tabellen sammenligner de tre modusene en tekstkolonne eller koder kan ha.

Bruk faktor når verdiene kommer fra en kjent, lukket liste, når visnings- eller rangeringsrekkefølgen har betydning, eller når kolonnen mater en modell eller en plottforklaring. karakter for fritekst, identifikatorer og alt du vil analysere eller bli med på, for eksempel navn, notater og koder som stadig kommer med nye verdier. Bruk numerisk bare når avstanden mellom to verdier er meningsfull.

Blokken nedenfor viser de raskeste måtene å sjekke hva du faktisk har.

# 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)

To vaner holder valget ærlig. Kjør sapply(df, class) etter hver import, fordi et enkelt bortkomment tegn i en numerisk kolonne gjør hele kolonnen om til tekst. Og konverter til en faktor så sent som mulig, etter at dataene er renset og slått sammen, slik at dplyr Sammenføyninger og filtre sammenligner fortsatt vanlige strenger i stedet for nivåsett som ikke samsvarer.

Spørsmål og svar