怎么在R语言中对数据进行重新编码?很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。
(1)现假设我们需要将下面的连续型变量x按照10与20分成三个组,新的分组名称为1、2、3:
> x2=1*(x<=10)+2*(x>10&x<=20)+3*(x>20) > x2 [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3
将上述变量的数字编码改为字符编码
> labels=c("A","B","C") > x3=labels[x2] > x3 [1] "A" "B" "C" "B" "C" "C" "C" "C" "A" "C" "C" "B" "A" "B" "C" "C" "C" "B" "C" "C"
假设如下将以下范例月收入数据分成“低收入”,“中等收入”,“高收入”三个组:
> income<-c(130065,82961,133076,123028,108945,173466,17477) > income [1] 130065 82961 133076 123028 108945 173466 17477 > newcodes=c("低收入","中等收入","高收入") Error: unexpected input in "newcodes=c("低收入"? > newcodes=c("低收入","中等收入","高收入") > index=1*(income<20000)+2*(income>=20000&income<=60000)+3*(income>60000) > income=newcodes[index] > income [1] "高收入" "高收入" "高收入" "高收入" "高收入" "高收入" "低收入"
(2)使用ifelse函数
基本语法:ifelse(逻辑判断式,TRUE-表达式,FALSE-表达式)
编码成两个分组:
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > (x2=ifelse(x<=30,1,2)) [1] 1 1 2 1 2 1 1 2 1 2 2 1 1 1 2 2 1 1 1 1 > (x3=ifelse(x<=30,"A","B")) [1] "A" "A" "B" "A" "B" "A" "A" "B" "A" "B" "B" "A" "A" "A" "B" "B" "A" "A" "A" "A"
搭配%int%运算符,将"A",“C"重编码为"Group1”,“B”,“D"重编码为"Group2”:
> y [1] "B" "A" "C" "C" "B" "A" "D" "B" "C" "D" > (y2=ifelse(y %in% c("A","C"),"Group1","Group2")) [1] "Group2" "Group1" "Group1" "Group1" "Group2" "Group1" "Group2" "Group2" "Group1" "Group2"
当编码成三个或者三个以上的组时需要多次使用ifelse 函数:
将x按照10与20两个分割点分成1、2、3三组:
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > (x2=ifelse(x<=10,1,ifelse(x<20,2,3))) [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3
将“A”“E”编码为1,"C"编码为2,“B”“D”编码为3:
> y [1] "B" "A" "C" "C" "B" "A" "D" "B" "C" "D" > y2=ifelse(y%in%c("A","E"),1,ifelse(y=="C",2,3)) > y2 [1] 3 1 2 2 3 1 3 3 2 3
cut函数可以根据我们设置的分割点(breaks)将数据重编码,将一个数值向量变量转换为分组形态的factors变量。
基本语法:
cut(x,breaks,labels,include.lowest=F,right=T)
其中
x为数值向量
breaks为分割点信息。若breaks为向量,则根据向量中的数字进行分割。若breaks为大于1正整数k,则将
x分成均等的k组。
labels为分割后各组的名称,若为null,则输出数字向量,否则输出factor变量。
include.lowest=FALSE表示分割时不含各区间端点的最小值。
right=T表示各区间为左端open,右端closed的区间
使用cut函数将x向量依照0、10、20,max(x)分成3组
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > x2=cut(x,breaks = c(0,10,20,max(x)),labels = c(1,2,3)) > x2 [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3 Levels: 1 2 3 > as.vector(x2) [1] "1" "2" "3" "2" "3" "3" "3" "3" "1" "3" "3" "2" "1" "2" "3" "3" "3" "2" "3" "3"
若没有给定labels参数,cut函数自动按照分割点生成分组名称:
x3=cut(x,breaks = c(0,10,20,max(x))) > x3 [1] (0,10] (10,20] (20,50] (10,20] (20,50] (20,50] (20,50] (20,50] (0,10] (20,50] (20,50] (10,20] (0,10] [14] (10,20] (20,50] (20,50] (20,50] (10,20] (20,50] (20,50] Levels: (0,10] (10,20] (20,50]
现在我们模拟产生10个N(60,10)的随机成绩,并且使用cut函数的breaks选项将其分成5个组:
> score=round(rnorm(10,60,10)) > score [1] 39 65 60 69 58 69 70 62 61 75 > score.cut=cut(score,breaks=5) > score.cut [1] (39,46.2] (60.6,67.8] (53.4,60.6] (67.8,75] (53.4,60.6] (67.8,75] (67.8,75] (60.6,67.8] [9] (60.6,67.8] (67.8,75] Levels: (39,46.2] (46.2,53.4] (53.4,60.6] (60.6,67.8] (67.8,75]
由以上结果可知,cut()函数默认输出一个factor变量,并且自动将五个分组命名为“ (39,46.2]”…“ (67.8,75]”。如果cut()的选项labels=FALSE,则输出的结果是数字编码的一半向量变量:
> score.cut=cut(score,breaks=5,labels = F) > score.cut [1] 1 4 3 5 3 5 5 4 4 5 > score.cut=as.factor(score.cut) > score.cut [1] 1 4 3 5 3 5 5 4 4 5 Levels: 1 3 4 5
car程序包的recode函数可以将数值或者字符向量、factor变量重新编码。
基本语法:recode(x,recodes,as.factor.result,levels)
其中:
x为数值向量,字符向量或者factor 变量。
recode为设定重新编码规则的字符串。
as.factor.result为是否输出factor变量。若是则为TRUE,不是为FALSE。
levels为排序向量。指定新的编码分组的顺序(默认是按照分组名称排序)。
recodes参数编码规则的写法
recodes参数的值是一个字符串,字符串里面是以分号分隔的编码规则:
recodes=“规则1;规则2…”
每一个编码规则的格式为旧码列表=新码,“旧码列表”部分可用lo代表旧码的最小值(low)、hi代表旧码的最大值(high)撰写规则如下:
(1)旧码=新码 旧码只有单一数值。例如:“0=NA”表示将0改为NA。
(2)旧码向量=新码 多个旧码改为一个新码。例如:“c(7,8,9)=‘high'”,将7,8,9改为high。
(3)start:end=新码 有序数字改码。例如:“lo:19=‘C'”。
(4)else=新码 所有其他情况。例如:“else=NA”。
程序范例:
> library(carData) > library(car) > x [1] 1 2 3 1 2 3 1 2 3 > recode(x,"c(1,2)='A';else='B'") [1] "A" "A" "B" "A" "A" "B" "A" "A" "B"
将成绩0~40分之间的分数编码为1,41-60分之间为2,61-80分为3,81以上为4,其他情况为NA
> score [1] 75 70 66 65 55 69 75 69 82 83 > recode(score,"lo:40=1;41:60=2;61:80=3;81:hi=4;else=NA") [1] 3 3 3 3 2 3 3 3 4 4
上例改用‘A'‘B'‘C''‘D'
> recode(score,"lo:40='A';41:60='B';61:80='C';81:hi='D';else=NA") [1] "C" "C" "C" "C" "B" "C" "C" "C" "D" "D"
补充:R语言字符串处理时的编码的一些问题问题(Windows环境)
R在windows中文系统时默认使用GB编码字符,而许多函数是只支持UTF-8的,例如
不作任何处理读入数据时,数据会以系统默认编码读入,tolower()函数工作失败
如果有干预的读入数据,即指定字符串的编码,则不会出错
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注亿速云行业资讯频道,感谢您对亿速云的支持。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。