Skip to main content

数据科学中的 R 语言

第 18 章 因子型变量

本章介绍R语言中的因子类型数据。因子型变量常用于数据处理和可视化中，尤其在希望不以字母顺序排序的时候，因子就格外有用。

18.1 什么是因子

因子是把数据进行分类并标记为不同层级(level，有时候也翻译成因子水平， 我个人觉得翻译为层级，更接近它的特性，因此，我都会用层级来描述)的数据对象，他们可以存储字符串和整数。因子类型有三个属性：

  • 存储类别的数据类型
  • 离散变量
  • 因子的层级是有限的，只能取因子层级中的值或缺失(NA)

18.2 创建因子 

income <- c("low", "high", "medium", "medium", "low", "high",  "high")
factor(income)
## [1] low    high   medium medium low    high   high  
## Levels: high low medium

因子层级会自动按照字符串的字母顺序排序，比如high low medium。也可以指定顺序，

factor(income, levels = c("low", "high", "medium") )
## [1] low    high   medium medium low    high   high  
## Levels: low high medium

不属于因子层级中的值, 比如这里因子层只有c("low", "high")，那么income中的”medium”会被当作缺省值NA

factor(income, levels = c("low", "high") )
## [1] low  high <NA> <NA> low  high high
## Levels: low high

相比较字符串而言，因子类型更容易处理，因此很多函数会自动的将字符串转换为因子来处理，但事实上，这也会造成，不想当做因子的却又当做了因子的情形，最典型的是在R 4.0之前，data.frame()中stringsAsFactors选项，默认将字符串类型转换为因子类型，但这个默认也带来一些不方便，因此在R 4.0之后取消了这个默认。在tidyverse集合里，有专门处理因子的宏包forcats，因此，本章将围绕forcats宏包讲解如何处理因子类型变量，更多内容可以参考这里。

18.3 调整因子顺序

前面看到因子层级是按照字母顺序排序

x <- factor(income)
x
## [1] low    high   medium medium low    high   high  
## Levels: high low medium

也可以指定顺序

x %>% fct_relevel( c("high", "medium", "low"))
## [1] low    high   medium medium low    high   high  
## Levels: high medium low

或者让”medium” 移动到最前面

x %>% fct_relevel( c("medium"))
## [1] low    high   medium medium low    high   high  
## Levels: medium high low

或者让”medium” 移动到最后面

x %>% fct_relevel("medium", after = Inf)
## [1] low    high   medium medium low    high   high  
## Levels: high low medium

可以按照字符串第一次出现的次序

## [1] low    high   medium medium low    high   high  
## Levels: low high medium

按照其他变量的中位数的升序排序

x %>% fct_reorder(c(1:7), .fun = median)  
## [1] low    high   medium medium low    high   high  
## Levels: low medium high

18.4 应用

调整因子层级有什么用呢？

这个功能在ggplot可视化中调整分类变量的顺序非常方便。这里为了方便演示，我们假定有数据框

d <- tibble(
  x = c("a","a", "b", "b", "c", "c"),
  y = c(2, 2, 1, 5,  0, 3)
  
)
d
## # A tibble: 6 × 2
##   x         y
##   <chr> <dbl>
## 1 a         2
## 2 a         2
## 3 b         1
## 4 b         5
## 5 c         0
## 6 c         3

先画个散点图看看吧

d %>% 
  ggplot(aes(x = x, y = y)) +
  geom_point()

我们看到，横坐标上是a-b-c的顺序。

18.4.1 fct_reorder()

fct_reorder()可以让x的顺序按照x中每个分类变量对应y值的中位数升序排序，具体为

  • a对应的y值c(2, 2) 中位数是median(c(2, 2)) = 2
  • b对应的y值c(1, 5) 中位数是median(c(1, 5)) = 3
  • c对应的y值c(0, 3) 中位数是median(c(0, 3)) = 1.5

因此，x的因子层级的顺序调整为c-a-b

d %>% 
  ggplot(aes(x = fct_reorder(x, y, .fun = median), y = y)) +
  geom_point()

当然，我们可以加一个参数.desc = TRUE让因子层级变为降序排列b-a-c

d %>% 
  ggplot(aes(x = fct_reorder(x, y, .fun = median, .desc = TRUE), y = y)) +
  geom_point()

但这样会造成x坐标标签一大串，因此建议可以写mutate()函数里

d %>% 
  mutate(x = fct_reorder(x, y, .fun = median, .desc = TRUE)) %>% 
  ggplot(aes(x = x, y = y)) +
  geom_point()

我们还可以按照y值中最小值的大小降序排列

d %>% 
  mutate(x = fct_reorder(x, y, .fun = min, .desc = TRUE)) %>% 
  ggplot(aes(x = x, y = y)) +
  geom_point()

18.4.2 fct_rev()

按照因子层级的逆序排序

d %>% 
  mutate(x = fct_rev(x)) %>% 
  ggplot(aes(x = x, y = y)) +
  geom_point()

18.4.3 fct_relevel() 

d %>% 
  mutate(
    x = fct_relevel(x, c("c", "a", "b"))
  ) %>% 

  ggplot(aes(x = x, y = y)) +
  geom_point()

18.5 可视化中应用

可能没说明白，那就看企鹅柱状图吧

ggplot(penguins, aes(y = species)) +
  geom_bar()
ggplot(penguins, aes(y = fct_rev(species))) +
  geom_bar()
penguins %>% 
  count(species) %>% 
  pull(species)

penguins %>% 
  count(species) %>% 
  mutate(species = fct_relevel(species, "Chinstrap", "Gentoo", "Adelie")) %>% 
  pull(species)
# Move "Chinstrap" in front, rest alphabetic
ggplot(penguins, aes(y = fct_relevel(species, "Chinstrap"))) +
  geom_bar()
# Use order "Chinstrap", "Gentoo", "Adelie"
ggplot(penguins, aes(y = fct_relevel(species, "Chinstrap", "Gentoo", "Adelie"))) +
  geom_bar()
penguins %>%
  mutate(species = fct_relevel(species, "Chinstrap", "Gentoo", "Adelie")) %>%
  ggplot(aes(y = species)) +
  geom_bar()
ggplot(penguins, aes(y = fct_relevel(species, "Adelie", after = Inf))) +
  geom_bar()
# Use the order defined by the number of penguins of different species
# The order is descending, from most frequent to least frequent

penguins %>%
  mutate(species = fct_infreq(species)) %>%
  ggplot(aes(y = species)) +
  geom_bar()
penguins %>%
  mutate(species = fct_rev(fct_infreq(species))) %>%
  ggplot(aes(y = species)) + 
  geom_bar()
# Reorder based on numeric values
penguins %>%
  count(species) %>%
  mutate(species = fct_reorder(species, n)) %>%
  ggplot(aes(n, species)) + 
  geom_col()

18.6 作业

  • 画出的2007年美洲人口寿命的柱状图，要求从高到低排序
library(gapminder)
gapminder %>%
   filter(
     year == 2007,
     continent == "Americas"
)
## # A tibble: 25 × 6
##    country            continent  year lifeExp       pop gdpPercap
##    <fct>              <fct>     <int>   <dbl>     <int>     <dbl>
##  1 Argentina          Americas   2007    75.3  40301927    12779.
##  2 Bolivia            Americas   2007    65.6   9119152     3822.
##  3 Brazil             Americas   2007    72.4 190010647     9066.
##  4 Canada             Americas   2007    80.7  33390141    36319.
##  5 Chile              Americas   2007    78.6  16284741    13172.
##  6 Colombia           Americas   2007    72.9  44227550     7007.
##  7 Costa Rica         Americas   2007    78.8   4133884     9645.
##  8 Cuba               Americas   2007    78.3  11416987     8948.
##  9 Dominican Republic Americas   2007    72.2   9319622     6025.
## 10 Ecuador            Americas   2007    75.0  13755680     6873.
## # ℹ 15 more rows
  • 这是四个国家人口寿命的变化图
gapminder %>%
  filter(country %in% c("Norway", "Portugal", "Spain", "Austria")) %>%
  ggplot(aes(year, lifeExp)) + geom_line() +
  facet_wrap(vars(country), nrow = 1)

  • 要求给四个分面排序，按每个国家寿命的中位数

  • 要求给四个分面排序，按每个国家寿命差（最大值减去最小值）