6.6 数据重新编码

6.6 数据重新编码

6.6.1 问题

你想重新编码数据或从现有的数据中计算生产新的数据列。

6.6.2 方案

下面的例子将使用这些数据：

data <- read.table(header = T, text = "
 subject sex control cond1 cond2
     1   M     7.9  12.3  10.7
     2   F     6.3  10.6  11.1
     3   F     9.5  13.1  13.8
     4   M    11.5  13.4  12.9
")

6.6.2.1 重新编码分类变量

最简单的方法是使用 plyr 包里的 revalue() 或 mapvalues()。这可以令M 为 1、F 为 2，并把它放在一个新生产的列。注意，这两个函数均保存数据类型：如果输入一个因子，输出将会是一个因子；如果输入是一个字符串向量，输出将会是一个字符串向量。

library(plyr)

## 下面两行是等价的:
data$scode <- revalue(data$sex, c(M = "1", F = "2"))
data$scode <- mapvalues(data$sex, from = c("M", "F"), to = c("1",
  "2"))
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7     1
#> 2       2   F     6.3  10.6  11.1     2
#> 3       3   F     9.5  13.1  13.8     2
#> 4       4   M    11.5  13.4  12.9     1

## data$sex是一个因子，因此data$scode也是因子

详见映射向量的值。

如果你不想依赖 plyr 包，你可以使用 R 内置函数：

data$scode[data$sex == "M"] <- "1"
data$scode[data$sex == "F"] <- "2"

## 把列转换为因子
data$scode <- factor(data$scode)
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7     1
#> 2       2   F     6.3  10.6  11.1     2
#> 3       3   F     9.5  13.1  13.8     2
#> 4       4   M    11.5  13.4  12.9     1

另一种方法是使用 match() 函数：

oldvalues <- c("M", "F")
newvalues <- factor(c("g1", "g2"))  # 转换为因子

data$scode <- newvalues[match(data$sex, oldvalues)]
data
#>   subject sex control cond1 cond2 scode
#> 1       1   M     7.9  12.3  10.7    g1
#> 2       2   F     6.3  10.6  11.1    g2
#> 3       3   F     9.5  13.1  13.8    g2
#> 4       4   M    11.5  13.4  12.9    g1

6.6.2.2 将一个连续变量重编码为分类变量

标记 control 值小于 7 为 low，大于或等于 7 为 high：

data$category[data$control < 7] <- "low"
data$category[data$control >= 7] <- "high"

## 把列转换为因子
data$category <- factor(data$category)
data
#>   subject sex control cond1 cond2 scode category
#> 1       1   M     7.9  12.3  10.7    g1     high
#> 2       2   F     6.3  10.6  11.1    g2      low
#> 3       3   F     9.5  13.1  13.8    g2     high
#> 4       4   M    11.5  13.4  12.9    g1     high

用 cut() 函数，可以指定边限和新值：

data$category <- cut(data$control, breaks = c(-Inf, 7, 9,
  Inf), labels = c("low", "medium", "high"))
data
#>   subject sex control cond1 cond2 scode category
#> 1       1   M     7.9  12.3  10.7    g1   medium
#> 2       2   F     6.3  10.6  11.1    g2      low
#> 3       3   F     9.5  13.1  13.8    g2     high
#> 4       4   M    11.5  13.4  12.9    g1     high

默认情况下，范围是左边开放、右边关闭，如 (7，9] 。使用 right= FALSE 可以设置成左边关闭、右边开放，像 [7、9)。

6.6.2.3 计算得到一个新的连续变量

假设您想添加一个新列，为三个量的和。

data$total <- data$control + data$cond1 + data$cond2
data
#>   subject sex control cond1 cond2 scode category total
#> 1       1   M     7.9  12.3  10.7    g1   medium  30.9
#> 2       2   F     6.3  10.6  11.1    g2      low  28.0
#> 3       3   F     9.5  13.1  13.8    g2     high  36.4
#> 4       4   M    11.5  13.4  12.9    g1     high  37.8