tidyverse —— forcats包

作者简介

野菜团子，R语言中文社区专栏作者 

博客：https://ask.hellobi.com/blog/esperanca 

forcats包用于处理因子，可以更高效地对因子进行修改。

1. 生成因子

R语言的base包中函数如dataframe等默认因子在分类变量读入时就会生成，而tidyverse包中的readr等包则会保留数据读入时的原样不做改变，要生成因子则可以使用parse_factor函数进行处理。parse_factor函数更审慎一些，会对不在给定的因子水平中的变量取值一个警告，而base包中的factor则会直接将该值记为NA，不给出报错或警告。

x <- c("Dec", "Apr","Jam", "Mar")

month_levels <- c(

"Jan", "Feb", "Mar","Apr", "May", "Jun", "Jul","Aug", "Sep", "Oct", "Nov","Dec"

)

y <- parse_factor(x, levels = month_levels)

如下图，x中的“Jam”不在给定的因子水平中，所以返回一个警告。

 

2. 因子调序

实践中经常需要对因子进行重新排序，比如为了绘制的图形更美观等目的。fct_reorder函数即用于此。它可以将因子按照给定的数字向量进行调整。

以美国综合社会调查的数据gss_cat为例，它有9个变量，21483个观测值。我们想要绘制人口中不同宗教信仰的人每天看电视的时间的均值图：

relig <- gss_cat %>%

group_by(relig) %>%

summarize(

age = mean(age, na.rm = TRUE),

tvhours = mean(tvhours, na.rm = TRUE),

n = n()

)

ggplot(relig, aes(tvhours, relig)) + geom_point()

各宗教的排序散乱，我们想要宗教的顺序按照看电视的时间递减排序，就可以把tvhours作为排序的参数进行调整，再传入ggplot函数中作为纵轴：

ggplot(relig, aes(tvhours, fct_reorder(relig,tvhours))) +

geom_point()

如果想要递增排序，就再加上一个fct_rev函数：

ggplot(relig, aes(tvhours, fct_reorder(relig, tvhours)%>% fct_rev())) +

geom_point()

3. 修改因子水平

有的数据中的因子水平表述不清，我们需要将它们重新命名。这时候fct_recode函数就派上了用场。比如gss_cat数据中，记录的人们的政治倾向中，我们想把"Strongrepublican"改为"Republican, strong"、"Not str republican"改为"Republican,weak"，等等：

gss_cat %>% count(partyid)

gss_cat %>%

mutate(partyid = fct_recode(partyid,

"Republican, strong" = "Strongrepublican",

"Republican, weak" = "Not strrepublican",

"Independent, near rep" = "Ind,nearrep",

"Independent, near dem" = "Ind,neardem",

"Democrat, weak" = "Not strdemocrat",

"Democrat, strong" = "Strongdemocrat"

)) %>%

count(partyid)

进一步观察我们发现，partyid中有"Noanswer", "Don't know", "Other party"的记录，这样的细分没有太大意义，我们可以将它们全部改为"Other"，同样的，如果我们不在意他们是否是坚定的拥护者，只想知道他们的党派立场，还可以重新归纳为共和党、民主党、中立三个因子。这一任务用fct_recode函数可以实现，只要把它们都重命名为"Other"就可以。但是太过繁琐，我们可以使用fct_collapse函数：

gss_cat %>%

mutate(partyid = fct_collapse(partyid,

other = c("No answer", "Don'tknow", "Other party"),

rep = c("Strong republican", "Notstr republican"),

ind = c("Ind,near rep","Independent", "Ind,near dem"),

dem = c("Not str democrat", "Strongdemocrat")

) ) %>%

count(partyid)

如果以上的归类还是嫌很麻烦，想要将占比很小的一些分类自动归为一类，可以使用fct_lump函数，参数n表示想要保留的总类别的数目。例如我想要把宗教的分类只保留10个：

gss_cat %>%

mutate(relig = fct_lump(relig, n = 10)) %>%

count(relig, sort = TRUE)

如上图，原本从Orthodox到christian的分类都重新划归到Orthodox-christian这一类中了。

往期回顾

tidyverse —— dplyr包

tidyverse —— readr包

tidyverse —— readxl包

tidyverse —— stringr包

公众号后台回复关键字即可学习

回复 爬虫            爬虫三大案例实战  
回复 Python       1小时破冰入门

回复 数据挖掘     R语言入门及数据挖掘
回复 人工智能     三个月入门人工智能
回复 数据分析师  数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法