30. R 数据整理（五：根据分类新增列的种种方法）

北野茶缸子

发布于 2021-12-17 09:22:14

6620

发布于 2021-12-17 09:22:14

文章被收录于专栏：北野茶缸子的专栏

有时候，我们需要对数据框添加新的列，比较常见的场景就是需要根据现有数据框的某列增加新的分类。比如样本分为正常与肿瘤，成绩按照排名区分低、中、高。

比较粗暴的方式当然就是循环了。可是，众所周知，R 不喜欢循环，因此这里总结一些其他的如向量化的处理方法。

这里先创建一个数据框：

> my_d = data.frame(a = sample(30:100, 100, replace = T), b = sample(LETTERS[1:5], 100, replace = T))
> table(my_d$a)

 30  33  35  37  38  39  40  41  42  43  44  46  47  48  49  50  51  54  56  57 
  6   4   2   1   1   4   2   1   4   3   1   1   1   2   2   1   2   1   4   1 
 58  59  60  61  62  63  67  68  70  71  72  73  74  75  76  77  79  80  82  83 
  3   2   3   1   4   3   1   1   1   1   1   2   2   2   1   1   2   1   2   1 
 84  85  87  88  90  91  92  93  94  97  99 100 
  1   2   1   3   4   1   2   1   1   2   1   2 
> table(my_d$b)

 A  B  C  D  E 
21 19 17 16 27

简单的分类变量

这里主要是针对列的数据为分类变量的，比如样本名等。

逻辑值判断

这个主要针对简单的分类变量，比如需要判断“是否为XX” 或者“结果是否等于XX”这种简单的问题。比如看成绩是否及格：

> my_d[which(my_d$a >= 60), "c"] = "pass"
> !my_d$a >= 60
  [1] FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE
 [13] FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE  TRUE FALSE  TRUE
 [25]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE
 [37] FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE
 [49]  TRUE FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE
 [61]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE
 [73] FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE
 [85]  TRUE  TRUE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE
 [97]  TRUE FALSE FALSE  TRUE
> my_d[which(!my_d$a >= 60), "c"] = "not pass"
> table(my_d$c)

not pass     pass 
      49       51

这里which 用于获取逻辑值的下标。

ifelse

自认为这个函数比逻辑值要直观很多，但做的也是和逻辑值差不多的是。其可以根据逻辑值的返回结果进行创建等长的向量，分别对应True 与False 的条件：

> head(my_d)
   a b        c
1 73 A     pass
2 48 E not pass
3 30 D not pass
4 75 B     pass
5 79 E     pass
6 61 D     pass
> head(ifelse(my_d$b == "A", 'A group', 'not A group'))
[1] "A group"     "not A group" "not A group" "not A group" "not A group"
[6] "not A group"

相比逻辑值的好处是，其比较直观，而且可以连续的套娃：

> cbind(head(my_d$b),head(ifelse(my_d$b == "A", 'A group', ifelse(my_d$b == 'B', 'B group', "not A& B")))) 
     [,1] [,2]      
[1,] "A"  "A group" 
[2,] "E"  "not A& B"
[3,] "D"  "not A& B"
[4,] "B"  "B group" 
[5,] "E"  "not A& B"
[6,] "D"  "not A& B"

但如果是连续变量或者复杂的分类变量，还是不建议这么玩，毕竟一层套一层的，代码都不好意思给别人看～

merge 合并

这种需求其实还是蛮少的。

> my_d2
  b   f
1 A 1st
2 E 2ed
3 D 3rd
4 B 4st
5 C 5st

> head(merge(my_d, my_d2, by = 'b')[sample(1:100, 100),])
   b  a        c   f
91 E 99     pass 2ed
63 D 40 not pass 3rd
34 B 75     pass 4st
67 D 35 not pass 3rd
85 E 74     pass 2ed
84 E 56 not pass 2ed

相对复杂的连续变量

cut + pretty/fivenum

cut 用来切割连续性变量，可以将其按照breaks 中的向量区间分割。可以通过labels 参数指定向量，使其元素作为breaks 分割后的新值，ordered_result 默认True，返回有序型因子：

> a
 [1] 80 22 88 54 52 19 65 56 25 99  2 59 79 82 23  7 87 61 49 55
> labels
[1] "差" "中" "良" "好"
> breaks = fivenum(a)
> breaks
[1]  2.0 24.0 55.5 79.5 99.0
b = cut(a, breaks = breaks, labels = labels, include.lowest = T)
> b
 [1] 好 差 好 中 中 差 良 良 中 好 差 良 良 好 差 差 好 良 中 中
Levels: 差 中 良 好
> c = cbind(as.data.frame(a), b)
> head(c)
   a  b
1 80 好
2 22 差
3 88 好
4 54 中
5 52 中
6 19 差

在设置cut 参数的breaks 时，我们除了使用fivenum() 函数获取数值的四分位数，还可以结合pretty 函数，获取指定分段长的数字，pretty 会帮助我们获得等间距的整值：

> pretty(a, 5)
[1]   0  20  40  60  80 100
> labels
[1] "差"   "中"   "良"   "好"   "极好"
> breaks = pretty(a, 5)
b = cut(a, breaks = breaks, labels = labels, include.lowest = T)
> b = cut(a, breaks = breaks, labels = labels, include.lowest = T)
> b
 [1] 好   中   极好 良   良   差   好   良   中   极好 差   良   好   极好 中  
[16] 差   极好 好   良   良  
Levels: 差 中 良 好 极好

使用case_when

相当于高级版的ifelse，就是用起来语法有点怪～

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-09-12，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

本文分享自北野茶缸子微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

编程算法

登录后参与评论

0 条评论

热度