我们先从因子的起源说起。
我们生活中经常会遇到分类的问题,比如从性别上分能分成两类:男人和女人。如果从年龄上划分,又可将人群分为青年人(60岁)。我们可以将这一表示类别的数据称为分类数据。
分类数据有着重要的意义,比如我们可以对现在流行的共享单车用户按下面的类别进行分组研究。
对数据进行分组研究后,我们会发现90%用户在目的地与地铁/公交站相距3000米内时选择使用共享单车,共享单车成为最有效的“最后一公里”解决方案。
类别数据对于分组数据研究非常有用。那么,在数据分析中是如何来表示类别数据呢?
这个问题也源自大数据社群的内部讨论。今天我们以数据分析R语言为例,看下在R中是如何表示类别数据的。
1. 如何表示分类数据?
在R中数据的分类是用因子数据类型(factor)来表示的。那么什么是因子呢?
因子被用来表示类别数据,因此也被称为“类别变量”。举个具体的例子吧,你所在工作单位老板特别变态,要求每天上班打卡(我个人是非常痛恨上班打卡这种变态的行为的)。
你的老板电脑里就有所有员工每天打卡的记录数据,其中有姓名(name),性别(sex),是否打卡(card)等列。
这里的性别(男,女)有2个类别,就可以把姓名这一列作为因子变量来处理。而姓名这一列因为不是类别,毕竟每个人的姓名是不一样的,即使