R语言学习之基础知识二

4. 因子

        因子提供一种简单而又紧凑的形式来处理分类数据。因子用level来表示所有可能的取值。对于数据集中取值个数固定的分类数据，因子特别有用，图形函数和汇总函数就充分利用了因子这种优点。

        R软件内部以数值编码方式来存储因子值，这将提高内存利用率。举例说明R如何创建因子，假设一个10人的性别向量:

> g <- c("f", "m", "m", "m", "f", "m", "f", "m", "f", "f")
> g
 [1] "f" "m" "m" "m" "f" "m" "f" "m" "f" "f"
> 
> g <- factor(g)
> g
 [1] f m m m f m f m f f
Levels: f m

        R是一种函数型编程语言，最常见的应用方式之一是函数复合方式。假设另外5个人需要把性别信息存储在另一个因子对象中。假设都是男性，且与g有相同的因子水平,则必须使用以下命令：

> other.g <- factor(c("f", "f", "f", "f", "f"), levels = c("f", "m"))
> other.g
[1] f f f f f
Levels: f m

上例中把函数c()应用到函数factor()的结果。显然，可以先把函数c()的结果先赋值给一个对象，然后，再用该对象调用factor()函数。这样做有利有弊，好处是避免创建多余的对象浪费内存；缺点是不易阅读。

        因子类型数据可做的事情之一是计算每个可能值的发生次数，利用table()函数进行计算：

> table(g)
g
f m 
5 5
> table(other.g)
other.g
f m 
5 0

        table()函数可以获取多个因子的交叉表。假设一个向量a存储10个人所属的年龄，那么可以得到这两个向量的交叉表：

> a <- factor(c('adult', 'adult', 'juvenile', 'juvenile', 'adult', 'adult', 'adult', 'juvenile', 'adult', 'juvenile'))
> table(a, g)
          g
a          f m
  adult    4 2
  juvenile 1 3

       计算交叉表的边际和相对概率。首先计算上面数据集中性别和年龄因子的总计：

> t <- table(a, g)
> t
          g
a          f m
  adult    4 2
  juvenile 1 3
> margin.table(t, 1)
a
   adult juvenile 
       6        4 
> margin.table(t, 2)
g
f m 
5 5

函数中输入参数“1”和“2”分别代表交叉表t的行和列，即表格t的第一维度和第二维度。然后计算表格t中每个维度的边际和的相对概率：

> prop.table(t, 1)
          g
a                  f         m
  adult    0.6666667 0.3333333
  juvenile 0.2500000 0.7500000
> prop.table(t, 2)
          g
a            f   m
  adult    0.8 0.4
  juvenile 0.2 0.6
> prop.table(t)
          g
a            f   m
  adult    0.4 0.2
  juvenile 0.1 0.3

注意：如果需要的是百分比，可以在调用函数时乘以100。

5. 生成序列

        R有多种生成序列的方法，归纳起来两大类：

1)     直接设定序列值，并赋值给对象

> x <- 1:10
> x
 [1]  1  2  3  4  5  6  7  8  9 10

2)    利用函数生成序列，包括生成有序序列的函数和生成随机序列的函数

用seq( )函数生成有序序列：

> seq(1, 10)
 [1]  1  2  3  4  5  6  7  8  9 10
> seq(1, 10, 2)
[1] 1 3 5 7 9
> seq(from = 1, to = 5, length = 4)
[1] 1.000000 2.333333 3.666667 5.000000
> seq(from = 1, to = 5, length = 2)
[1] 1 5
> seq(from = 1, by = 2, length = 10)
 [1]  1  3  5  7  9 11 13 15 17 19

seq( )函数中，from为序列起始值，to为序列结束值，length为序列长度（非负值），by为序列增量值。其中from，to，length，by的关系为：

by = (to – from)/(length - 1)

        用rep( )函数生成有序序列：

> rep(5)      // 不指定重复次数，默认为1
[1] 5
> rep(5, 10)  // 指定重复次数为10，相当于times = 10ss
 [1] 5 5 5 5 5 5 5 5 5 5
> rep(5, times = 5)   // 用times参数指定重复次数s
[1] 5 5 5 5 5
> rep("hi", 4)
[1] "hi" "hi" "hi" "hi"
> rep(1:2, 3) // 参数1相当于一个子序列(1:2s)，然后重复生成三次s
[1] 1 2 1 2 1 2
> rep(1:2, each = 3) // each指定子序列(1:2)中每个元素重复生成三次s
[1] 1 1 1 2 2 2

        用gl( )函数生成带有因子的序列。函数语法是gl(k, n, length,labels, ordered = FALSEs)，其中k是因子水平的个数，n是每个因子重复的次数, length是序列总长度， labels是因子水平向量：

> gl(3 ,5)  // 因子水平采用默认向量(1, 2, 3)
 [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3
Levels: 1 2 3
> gl(2, 5, labels = c("female", "male"))  // 指定因子水平向量
 [1] female female female female female male   male   male   male   male  
Levels: female male
> gl(2, 1, 20)
 [1] 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
Levels: 1 2
> gl(2, 2, 20)
 [1] 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
Levels: 1 2

        R提供多个根据不同概率密度函数来生成不同随机序列的函数。这些函数的通用结构是rfunc(n, par1, par2, …)，其中func是概率分布的名称，如正太分布，t分布等；n是要生成的随机数的个数；par1,par2，…是概率密度函数需要的一些参数。如生成10个服从均值为0，标准差为1的正太分布的随机数：

> rnorm(10)
 [1]  1.26721972  0.52197054 -0.37588640  0.45649095  0.53208132  0.58825602  0.25304735 -0.14886216 
0.77378155  0.03471966

生成4个服从均值为10，标准差为3的正太分布的随机数：

// mean表示均值，默认为0，sd(standard deviation)表示标准偏差，默认为1
> rnorm(4, mean = 10, sd = 3)  
[1]  2.768331 15.189744 11.272716 10.329443ss

生成5个服从自由度为10的t分布的随机数：

> rt(5, df = 10)  // df(degree of freedom)表示自由度
[1] 0.05874764 0.26098078 1.61894155 0.86475793 1.19027904

6. 数据子集

        所谓数据子集就是通过位置、名称等条件，从原来的数据集合中索引出符合条件的数据组成的集合。

        除了常规的像数组一样，直接指定位置来获取向量中的某个元素外，R还有多种类型的向量索引：

1)     逻辑值向量索引

> x <- c(0, -3, 4, -1, 45, 90, -5)
> x > 0
[1] FALSE FALSE  TRUE FALSE  TRUE  TRUE FALSE
> x[x > 0]
[1]  4 45 90

        x为整数向量，语句2利用循环规则，将每个元素都与0进行比较，生成长度与向量x相同的逻辑值向量。语句3则是利用该逻辑值向量对x进行索引，可以得到TRUE值位置的向量x的元素，也可以理解为：给出逻辑表达式为真的向量x的值。

2)     逻辑索引

        利用逻辑运算符及其符合逻辑对向量x中的元素进行索引。

> x[x < -1 | x > 5]   // 取并集运算
[1] -3 45 90 -5
> x[x > 40 & x < 100] // 取交集运算
[1] 45 90

3)     整数向量索引

        R支持用整数向量来索引向量中的多个元素。整数向量中的数字表示要提取的目标向量的元素的位置，见如下命令：

> x[c(4, 6)]
[1] -1 90
> x[1:3]
[1]  0 -3  4
> y <- c(1, 4)
> x[y]
[1]  0 -1

另外，也可以用一个负值的向量来表示哪些位置的元素可以排除，如：

> x[-1]       // 位置1元素排除
[1] -3  4 -1 45 90 -5
> x[-c(4, 6)] // 位置4和位置6元素排除
[1]  0 -3  4 45 -5
> x[-(1:3)]   // 位置1、2、3元素排除
[1] -1 45 90 -5

4)     字符串向量索引

        欲使用字符串向量索引，首先要使用R提供的names( )函数来给向量中的元素命名。且命名后的元素位置更容易记住，所以有时候命名元素更受欢迎。如下例所示：

> pH <- c(4.5, 7, 7.3, 8.2, 6.3)
> names(pH) <- c("area1", "area2", "mud", "dam", "middle")
> pH
 area1  area2    mud    dam middle 
   4.5    7.0    7.3    8.2    6.3

如果向量创建之时，就已经知道向量中位置的名称，则可以用以下方式创建：

> pH <- c(area1 = 4.5, area2 = 7.0, mud = 7, dam = 8.2, middle = 6.3)

现在可通过元素名称字符串向量对pH向量进行索引：

> pH["mud"]
mud 
  7
> pH[c("area1", "middle")]
 area1 middle 
   4.5    6.3

5)     空索引

        当向量x的索引为空时，被视为无任何限制条件，结果就是所有元素都被选中，如下：

> x[]
[1]  0 -3  4 -1 45 90 -5
> pH[]
 area1  area2    mud    dam middle 
   4.5    7.0    7.0    8.2    6.3

空索引在我们需要给向量中的所有元素统一赋值时，非常有用，如将向量x中的所有元素赋值为0，可简单写成：

> x[]<- 0   // 向量x的所有元素赋值为0
> x
[1] 0 0 0 0 0 0 0

注意：x[]<- 0区别与x <- 0，后者是创建单一元素（元素值为0）向量，然后赋值给x。