R 變數與資料的管理

R 的類別資料

前面我們曾經使用 str 函數查看 Squid 的資料欄位資訊：

str(Squid)

'data.frame':	2644 obs. of  6 variables:
 $ Sample  : int  1 2 3 4 5 6 7 8 9 10 ...
 $ Year    : int  1 1 1 1 1 1 1 1 1 1 ...
 $ Month   : int  1 1 1 1 1 1 1 1 1 2 ...
 $ Location: int  1 3 1 1 1 1 1 3 3 1 ...
 $ Sex     : int  2 2 2 2 2 2 2 2 2 2 ...
 $ GSI     : num  10.44 9.83 9.74 9.31 8.99 ...

其中 Location 是以 1、2、3 或 4 來表示，而 Sex 則是使用 1 與 2 來表示，這樣的資料都是屬於典型的類別資料，若是在 Excel 中，我們可以很容易地將 Sex 寫成 male 與 female，這樣可以更容易辨識資料所代表的意義，在 R 中也可以做類似的處理，將類些資料轉為類別性資料：

Squid$fLocation <- factor(Squid$Location)
Squid$fSex <- factor(Squid$Sex)

R 的 factor 是專門用來儲存類別性資料的一種變數型態，我們利用 factor 函數來將 Location 與 Sex 轉為 factor，儲存在新的資料表欄位中，我們可以看一下 fSex 這個 factor 的資料：

Squid$fSex

輸出為

   [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  [19] 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2
  [37] 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2
[略]
[2611] 1 2 1 1 2 1 1 2 1 2 2 1 1 1 1 1 1 1
[2629] 1 1 2 1 1 1 2 1 2 1 2 1 2 1 1 1
Levels: 1 2

最後一行的 Levels: 1 2 表示 fSex 有兩種類別，分別為 1 與 2，而 factor 內部的類別名稱是可以修改的：

Squid$fSex <- factor(Squid$Sex, levels = c(1, 2), labels = c("M", "F"))
Squid$fSex

輸出為：

   [1] F F F F F F F F F F F F F F F F F F
  [19] F F F F F M F F F F F F F F F F F F
  [37] F F F F F F F F F F F M F F F F F F
[略]
[2611] M F M M F M M F M F F M M M M M M M
[2629] M M F M M M F M F M F M F M M M
Levels: M F

如此一來，所有的 1 就會以 M 表示，而 2 就會以 F 表示。

前面我們介紹過用簡單的判斷式篩選資料的方法：

SquidM <- Squid[Squid$Sex == 1, ]

而如果要使用 factor 的欄位進行篩選，輸入類別名稱時，記得要加上引號：

SquidM <- Squid[Squid$fSex == "M", ]

在 R 中的許多函數都可以直接讀取 factor 的資料，例如畫 box plot：

boxplot(GSI ~ fSex, data = Squid)

回歸分析也可以使用 factor 的變數：

M1 <- lm(GSI ~ fSex + fLocation, data = Squid)
summary(M1)

輸出為：

Call:
lm(formula = GSI ~ fSex + fLocation, data = Squid)

Residuals:
    Min      1Q  Median      3Q     Max
-3.4137 -1.3195 -0.1593  1.2039 11.2159

Coefficients:
            Estimate Std. Error t value
(Intercept)  1.35926    0.07068  19.230
fSexF        2.02481    0.09427  21.479
fLocation2  -1.85525    0.20027  -9.264
fLocation3  -0.14248    0.12657  -1.126
fLocation4   0.58756    0.34934   1.682
            Pr(>|t|)
(Intercept)   <2e-16 ***
fSexF         <2e-16 ***
fLocation2    <2e-16 ***
fLocation3    0.2604
fLocation4    0.0927 .
---
Signif. codes:
  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05
  ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.415 on 2639 degrees of freedom
Multiple R-squared:  0.1759,    Adjusted R-squared:  0.1746
F-statistic: 140.8 on 4 and 2639 DF,  p-value: < 2.2e-16

M2 <- lm(GSI ~ factor(Sex) + factor(Location), data = Squid)
summary(M2)

輸出為：

Call:
lm(formula = GSI ~ factor(Sex) + factor(Location), data = Squid)

Residuals:
    Min      1Q  Median      3Q     Max
-3.4137 -1.3195 -0.1593  1.2039 11.2159

Coefficients:
                  Estimate Std. Error
(Intercept)        1.35926    0.07068
factor(Sex)2       2.02481    0.09427
factor(Location)2 -1.85525    0.20027
factor(Location)3 -0.14248    0.12657
factor(Location)4  0.58756    0.34934
                  t value Pr(>|t|)
(Intercept)        19.230   <2e-16 ***
factor(Sex)2       21.479   <2e-16 ***
factor(Location)2  -9.264   <2e-16 ***
factor(Location)3  -1.126   0.2604
factor(Location)4   1.682   0.0927 .
---
Signif. codes:
  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05
  ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.415 on 2639 degrees of freedom
Multiple R-squared:  0.1759,    Adjusted R-squared:  0.1746
F-statistic: 140.8 on 4 and 2639 DF,  p-value: < 2.2e-16

除了 factor 函數之外，我們也可以使用 as.factor 這個函數將資料轉為 factor，而如果要將 factor 轉為數值，可以使用 as.numeric 函數，這個在畫圖的時候，要將不同類別的資料以不同顏色表示時，會很好用。

fLocation 的內容也是類似：

Squid$fLocation

輸出為

   [1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1
  [19] 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  [37] 1 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1
[略]
[2611] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[2629] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Levels: 1 2 3 4

fLocation 有四個 levels，順序是由小到大，許多繪圖函數在使用 factor 時，會受到這個順序的影響，例如 boxplot 畫出來的圖形就是依照這個順序來排列的，必要的時候我們可以自行指定這個順序：

Squid$fLocation <- factor(Squid$Location, levels = c(2, 3, 1, 4))
Squid$fLocation

輸出為：

   [1] 1 3 1 1 1 1 1 3 3 1 1 1 1 1 1 1 3 1
  [19] 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  [37] 1 1 1 3 1 1 1 1 3 1 1 3 1 1 1 1 1 1
[略]
[2611] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[2629] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Levels: 2 3 1 4

改變 levels 的順序並不會影響實際的資料，不過對於 boxplot 這類的繪圖函數就會有一些差別：

boxplot(GSI ~ fLocation, data = Squid)

這樣畫出來的圖就會依照我們指定的順序來排列。

Exercise 4
接續使用 Exercise 2 的資料，進行下列步驟：

1. 將 Month 與 Year 轉為 factor 後建立兩個新的欄位 fMonth 與 fYear。
2. 使用新的 fYear 欄位篩選出 2002 年所有的資料。

繼續閱讀： 123456789