R语言-因子和表

一、因子与水平

在R中可以简单地看作一个附加了更多信息的向量（它们内部机理不同）。额外的信息包括向量中不同值得记录，称为“水平”：

> x<-c(5,12,13,12)
> xf<-factor(x)
> xf
[1] 5  12 13 12
Levels: 5 12 13

xf中的不同数值（5、12、13）就是水平

> str(xf)
 Factor w/ 3 levels "5","12","13": 1 2 3 2
> unclass(xf)
[1] 1 2 3 2
attr(,"levels")
[1] "5"  "12" "13"

这里xf的核心不是（5，12，13，12）而是（1，2，3，2）
后者意味着我们的数据是由水平1的值、接着水平2和水平3的值，最后是水平2的值构成。

• 因子的长度定义为数据的长度，而不是水平的个数

> xf
[1] 5  12 13 12
Levels: 5 12 13
> length(xf)
[1] 4

• 可以提前插入新的水平

> x<-c(5,12,13,12)
> xff<-factor(x,levels = c(5,12,13,88))
> xff
[1] 5  12 13 12
Levels: 5 12 13 88
> xff[2]<-88
> xff
[1] 5  88 13 12
Levels: 5 12 13 88

二、因子的常用函数

1、tapply函数

来一个例子：

> ages <- c(25,26,55,37,21,42)
> affils <- c("R","D","D","R","U","D")
> tapply(ages,affils,mean)
 D  R  U 
41 31 21 

函数tapply()把向量(“R”,“D”,“D”,“R”,“U”,“D”)作为具有水平"D"、"R"和"U"的因子。注意到“D”出现在索引2、3、6的位置；"R"出现在索引1、4的位置，“U"出现在索引5的位置tapply()分别计算三个索引向量的mean()，并将这些均值返回到三元向量，该向量的元素名称分别为"D”、“R”、“U”,反映出tapply()函数所调用的因子水平。
如果有两个或者两个以上的因子呢？

> d <- data.frame(list(gender=c("M","M","F","M","F","F"),
+ age=c(47,59,21,32,33,24),income=c(55000,88000,33000,77000,11000,66000)))
> d
  gender age income
1      M  47  55000
2      M  59  88000
3      F  21  33000
4      M  32  77000
5      F  33  11000
6      F  24  66000
> d$over25<-ifelse(d$age>25,1,0)
> d
  gender age income over25
1      M  47  55000      1
2      M  59  88000      1
3      F  21  33000      0
4      M  32  77000      1
5      F  33  11000      1
6      F  24  66000      0
> tapply(d$income,list(d$gender,d$over25),mean)
      0        1
F 49500 11000.00
M    NA 73333.33

我们设定了两个因子，一个是性别，另一个是指示变量，表征年龄是否大于25。由于这两个因子每个都有两个水平，tapply()会将收入数据分为四组，每一组代表性别和年龄的一种组合，然后对每一组应用函数mean()。

2、split()函数

tapply()是将向量分割为组，然后针对每个组应用指定的函数，split()只是形成分组
基本形式：split(x,f)，x为向量或数据框，f为因子或因子的列表。该函数可以把x划分为组，并返回分组的列表（注意，x在split()中可以是数据框，而在tapply()中不可以）

> d
  gender age income over25
1      M  47  55000      1
2      M  59  88000      1
3      F  21  33000      0
4      M  32  77000      1
5      F  33  11000      1
6      F  24  66000      0
> split(d$income,list(d$gender,d$over25))
$F.0
[1] 33000 66000

$M.0
numeric(0)

$F.1
[1] 11000

$M.1
[1] 55000 88000 77000

split()的输出是一个列表

3、by()函数

tapply()函数的第一个参数必须是向量，然而回归的的输入是一个至少两列的矩阵（或数据框）：一列是被预测的变量，另一列或多列是预测变量。
这里可以使用by()函数。它与tapply()（实际上它是在内部调用）的运作方式类似，但by()应用于对象而不仅是向量

• by()的调用方式看上去与tapply()非常相似，第一个参数指定数据，第二个为分组因子，第三个是应用于每组的函数

三、表的操作

举个例子

> u<-c(22,8,33,6,8,29,-2)
> fl<-list(c(5,12,13,12,13,5,13),c("a","bc","a","a","bc","a","a"))
> tapply(u, fl, length)
   a bc
5  2 NA
12 1  1
13 2  1

函数tapply()临时将向量划分成6个子向量，然后把函length()应用到每个子向量（求长度的运算不依赖于u有什么元素，所以只用关注因子），那些子向量的长度是两个因子的6种组合中每种情况的出现次数
然而，在此例子中存在一个问题：缺失值NA，事实上这个值应该为0，用table()函数创立表：

> table(fl)
    fl.2
fl.1 a bc
  5  2  0
  12 1  1
  13 2  1

1、表中有关矩阵和类似数组的操作

正如大多数（非数学的）矩阵/数组运算可以用在数据框上，这些运算也能用在表中

• 可以使用矩阵符号来访问表的单元格频数
• 可以用标量乘以这个矩阵
• R提供一个函数addmargins()来解决计算边际值得问题
• 函数dimnames()获得维度得名称和水平值

四、其他与因子和表有关的函数

1、aggregate()函数

aggregate()函数对分组中的每一个变量调用tapply()函数

2、cut()函数