如何用R語言和Python實現(xiàn)因子變量與分類重編碼

本篇文章為大家展示了如何用R語言和Python實現(xiàn)因子變量與分類重編碼，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

今天介紹數(shù)據類型中因子變量的運用在R語言和Python中的實現(xiàn)。

因子變量是數(shù)據結構中用于描述分類事物的一類重要變量。其在現(xiàn)實生活中對應著大量具有實際意義的分類事物。

比如年齡段、性別、職位、愛好，星座等。

之所以給其單獨列出一個篇幅進行講解，除了其在數(shù)據結構中的特殊地位之外，在數(shù)據可視化和數(shù)據分析與建模過程中，因子變量往往也承擔中描述某一事物重要維度特征的作用，其意義非同尋常，無論是在數(shù)據處理過程中還是后期的分析與建模，都不容忽視。

通常意義上，按照其所描述的維度實際意義，因子變量一般又可細分為無序因子（類別之間沒有特定順序，水平相等）和有序因子（類別中間存在某種約定俗成的順序，如年齡段、職稱、學歷、體重等）。

在統(tǒng)計學中對變量進行了如下四類劃分：定類變量、定序變量、定距變量、定比變量。而其中的定類和定比變量就對應著我們今天將要講解的因子變量（無序因子和有序因子變量）。

因子變量從信息含量上來看，其要比單純的定性變量（文本變量）所包含的描述信息多一些，但是又比數(shù)值型變量（定距變量和定比變量）所表述的信息含量少一些。

因而原則上來講，數(shù)值型變量可以轉換為因子變量，因子變量可以轉換為文本型變量，但是以上順序卻是不可逆的（信息含量多的變量可以放棄信息量，轉換為信息含量較少的變量類型，但是信息含量較少的變量卻無法增加信息含量）。

在R語言中，通常使用factor直接生成因子變量，我們僅需一個向量（原則上可以是文本型、也可以是數(shù)字型，但是通常從實際意義上來說，被轉換的應該是一個含有多類別的類別型文本變量）。

factor(x, levels,labels=levels,ordered=)

以上參數(shù)中，x即是我們將要轉換的變量，levels是將要設定的因子水平（可選參數(shù)，省略則自動以向量中的不重復對象為因子水平），labels作為因子標簽（可選參數(shù)，與前述因子水平對應，若設置，則打印時顯示的是對應因子標簽，省略則同因子水平一樣，使用向量中不重復值【即類別】作為標簽），ordered是邏輯參數(shù)，設定是否對因子水平排序。

vector<-rep(LETTERS[1:5],6);print(vector);plyr::count(vector)

myfactor<-(factor(vector,levels=c("E","D","C","B","A"),labels=c("EEE","DDD","CCC","BBB","AAA"),ordered=TRUE)

通常來說，factor函數(shù)中，levels一般不用設置，函數(shù)會自動判斷向量內有幾個水平，但是倘若要生成有序因子的話，默認會根據字母順序排列，如果自然順序與目標有序因子順序不一致，則一定要指定levels，labels則視具體需求而定，如果本身就是文本類別的話，一般無需設定標簽。

如果是問卷類數(shù)據，而且編碼為數(shù)值，則一定要通過labels標簽的設定來還原每一個編碼的真實意義。

factor(vector,labels=c("AAA","BBB","CCC","DDD","EEE"),ordered=TRUE)

因子變量與文本變量數(shù)值變量之間的互轉則通過as.character()或者as.numeric()函數(shù)來實現(xiàn)。

library(dplyr)

as.character(as.factor(1:10))%>%str()

as.numeric(as.factor(1:10))%>%str()

R語言中的因子變量重編碼

如果你有一個度量指標，需要將其轉換為分段的因子變量，則可以通過cut函數(shù)來實現(xiàn)這種轉換。

scale<-runif(100,0,100)

cut(x,breaks,labels=NULL,include.lowest=FALSE,right=TRUE,ordered=)

cut函數(shù)參數(shù)如上，接受一個數(shù)值型向量，breaks接受一個數(shù)值向量（標識分割點）或者單個數(shù)值（分割 數(shù)目）。

right是邏輯參數(shù)，設定分割帶是左開右閉或者左閉右開。（默認左開右閉）。

include.lowest則根據right的設定，決定是否應該包含端點值（如果right為TRUE，左開右閉區(qū)間，則包含最小值，如果right為FALSE，左閉右開區(qū)間則包含最大值）,默認為FALSE。

ordered則設定是否對因子水平進行排序。

(factor1<-cut(scale,breaks=c(0,20,40,60,80,100),labels=c("0~20","20~40","40~60","60~80","80~100"),include.lowest=TRUE,ordered=TRUE))

另一種分割場景是使用分位數(shù)函數(shù)進行分割，

qa <- quantile(scale, c(0,0.2,0.4,0.6,0.8,1.0))

(cut(scale,breaks=qa,labels=c("0%~20%","20%~40%","40%~60%","60%~80%","80%~100%"),include.lowest=TRUE,ordered=TRUE))

以上分割方法在是較為常用的因子變量轉換方法，當然你可以使用if函數(shù)進行類似分割，但是相比較來講，使用cut函數(shù)進行分割要高效很多。

Python

在Python中，Pandas庫包含了處理因子變量的一整套完整語法函數(shù)。

import pandas as pd

import numpy as np

import string

在pandas中的官方在線文檔中，給出了pandas因子變量的詳細論述，并在適當位置與R語言進行了對比描述。

http://pandas.pydata.org/pandas-docs/stable/categorical.html#working-with-categories

當利用pandas生成序列時，可以在序列函數(shù)內的dtype參數(shù)設定因子變量類型。

s = pd.Series(["A","B","C","D","E"], dtype="category")

生成數(shù)據框時，也可以直接生成因子變量。

df = pd.DataFrame({"A":["a","b","c","a"]})

df["B"] = df["A"].astype('category')

除了直接在生成序列或者數(shù)據框時生成因子變量之外，也可以通過一個特殊的函數(shù)pd.Categorical來完成在序列和數(shù)據框中創(chuàng)建因子變量。

s = pd.Series(pd.Categorical(["a","b","c","a"], categories=["a","b","c"],ordered=False))

df = pd.DataFrame({"A":["a","b","c","a"]})

df["B"] =pd.Series(pd.Categorical(["a","b","c","a"], categories=["a","b","c"],ordered=False))

因子順序的添加可以通過設定序列或者數(shù)框框列的.astype來進行詳細的操作。

s = pd.Series(["a","b","c","a"])

s_cat = s.astype("category", categories=["a","b","c"], ordered=True)

無論是序列中還是數(shù)據框中的因子變量生成之后，都可以通過以下屬性查看其具體的類型、因子類別、以及是否含有順序。

s_cat.dtypes

s_cat.cat.categories

s_cat.cat.ordered

一種比較迂回的方法是，先生成普通序列，然后通過設定序列類型完成因子變量的轉化。而想要舍棄因子變量，還原成普通的文本序列，則同樣只需再其astype中進行格式設定。

s = pd.Series(["a","b","c","a"])

s2 = s.astype('category',categories=["a","b","c"],ordered=True)

s2.astype(str)

最后講一下，如何在數(shù)據框中分割數(shù)值型變量為因子變量，pandas的數(shù)據框也有與R語言同名的函數(shù)——cut。

df = pd.DataFrame({'value': np.random.randint(0, 100, 20)})

labels = [ "{0} - {1}".format(i, i + 9) for i in range(0,100,10) ]

df['group'] = pd.cut(df.value, range(0, 105, 10), right=False, labels=labels)

pd.cut(x, bins, right=, labels=,include_lowest=False)  

#df.value代表待風格的變量，第二項是bins可以是一個列表（作為分割點），也可以是一個整數(shù)（作為分割帶箱數(shù)），right控制帶寬是左開右閉還是左閉右開，labels設定輸出顯示標簽，include_lowest=控制是否包含邊界點（以上參數(shù)可以類比R語言中的cut函數(shù)）。

最后做一個小總結：

關于因子變量在R語言和Python中涉及到的操作函數(shù);

R語言：

創(chuàng)建因子變量：

factor

轉換因子變量：

as.factor

as.numeric(as.character)

分割因子變量：

cut函數(shù)

Python:

創(chuàng)建因子變量：

pd.Categorical(categories=,ordered=)

pd.Series(dtype="category")

轉換因子變量：

df.astype('category',categories,ordered)

分割因子變量：

df.cut(df.value,breaks=,right=,labels)

上述內容就是如何用R語言和Python實現(xiàn)因子變量與分類重編碼，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業(yè)資訊頻道。