R 中的因子：分类变量与连续变量

作者： Evelyn Clarke Evelyn Clarke
小时 - 权威教程 更新于

R 中的 Factor 是什么？

R 中的 Factor 是一种用于分类和存储数据的变量，它具有有限数量的不同值。它将数据存储为整数向量。R 中的 Factor 也称为分类变量，它将字符串和整数数据值存储为级别。Factor 主要用于 R 的统计建模和探索性数据分析。

在数据集中，我们可以区分两种变量：分类变量和连续变量。

  • 在 R 中对分类变量的描述性统计中，值是有限的，并且通常基于特定的有限组。例如，R 中的分类变量可以是国家、年份、性别、职业。
  • 然而，连续变量可以取任何值，从整数到小数。例如，我们可以拥有收入、股票价格等。

分类变量

R 中的分类变量存储在 factor 中。让我们检查下面的代码，将字符变量转换为 R 中的 factor 变量。机器学习算法不支持字符，唯一的方法是将字符串转换为整数。

语法

factor(x = character(), levels, labels = levels, ordered = is.ordered(x))

参数

  • x：R 中分类数据的向量。需要是字符串或整数，而不是小数。
  • Levels：x 取值的可能值的向量。此参数是可选的。默认值是向量 x 的唯一项列表。
  • Labels：为 R 中的 x 分类数据添加标签。例如，1 可以带有标签“male”，而 0 可以带有标签“female”。
  • ordered：确定 R 中分类数据的级别是否应排序。

示例

让我们创建一个 factor 数据框。

# Create gender vector
gender_vector <- c("Male", "Female", "Female", "Male", "Male")
class(gender_vector)
# Convert gender_vector to a factor
factor_gender_vector <-factor(gender_vector)
class(factor_gender_vector)

输出

## [1] "character"
## [1] "factor"

当我们在 R 中执行机器学习任务时，将字符串转换为 factor 变量非常重要。

R 中的分类变量可以分为名义分类变量和有序分类变量。

相关文章

名义分类变量

分类变量有几个值，但顺序不重要。例如，男性或女性。R 中的分类变量没有顺序。

# Create a color vector
color_vector <- c('blue', 'red', 'green', 'white', 'black', 'yellow')
# Convert the vector to factor
factor_color <- factor(color_vector)
factor_color

输出

## [1] blue   red    green  white  black  yellow
## Levels: black blue green red white yellow

从 factor_color 中，我们无法看出任何顺序。

有序分类变量

有序分类变量确实具有自然顺序。我们可以通过 order = TRUE 指定顺序，从最低到最高，或通过 order = FALSE 从最高到最低。

示例

我们可以使用 summary 来计算 R 中每个 factor 变量的值。

# Create Ordinal categorical vector 
day_vector <- c('evening', 'morning', 'afternoon', 'midday', 'midnight', 'evening')
# Convert `day_vector` to a factor with ordered level
factor_day <- factor(day_vector, order = TRUE, levels =c('morning', 'midday', 'afternoon', 'evening', 'midnight'))
# Print the new variable
factor_day

输出

## [1] evening   morning   afternoon midday    
midnight  evening

示例

## Levels: morning < midday < afternoon < evening < midnight
# Append the line to above code
# Count the number of occurence of each level
summary(factor_day)

输出

##   morning    midday afternoon   evening  midnight
##         1         1         1         2         1

R 按照 levels 括号中指定的顺序将级别从“morning”排序到“midnight”。

连续变量

连续类变量是 R 中的默认值。它们存储为数字或整数。我们可以从下面的数据集中看到。mtcars 是一个内置数据集。它收集了不同类型汽车的信息。我们可以通过使用 mtcars 导入它并检查变量 mpg（每加仑英里数）的类。它返回一个数字值，表示一个连续变量。

dataset <- mtcars
class(dataset$mpg)

输出

## [1] "numeric"