数据重新编码

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。

方案

下面的例子将使用这些数据：

  1. data <- read.table(header=T, text='
  2.  subject sex control cond1 cond2
  3.        1   M     7.9  12.3  10.7
  4.        2   F     6.3  10.6  11.1
  5.        3   F     9.5  13.1  13.8
  6.        4   M    11.5  13.4  12.9
  7. ')

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。

  1. library(plyr)
  3. # 下面两行是等价的:
  4. data$scode <- revalue(data$sex, c("M"="1", "F"="2"))
  5. data$scode <- mapvalues(data$sex, from = c("M", "F"), to = c("1", "2"))
  6. data
  7. #>   subject sex control cond1 cond2 scode
  8. #> 1       1   M     7.9  12.3  10.7     1
  9. #> 2       2   F     6.3  10.6  11.1     2
  10. #> 3       3   F     9.5  13.1  13.8     2
  11. #> 4       4   M    11.5  13.4  12.9     1
  13. # data$sex是一个因子，因此data$scode也是因子

详见Manipulating Data - 映射向量的值

​ Manipulating Data - 重命名因子水平

如果你不想依赖plyr，你可以使用R内置函数：

  1. data$scode[data$sex=="M"] <- "1"
  2. data$scode[data$sex=="F"] <- "2"
  4. # 把列转换为因子
  5. data$scode <- factor(data$scode)
  6. data
  7. #>   subject sex control cond1 cond2 scode
  8. #> 1       1   M     7.9  12.3  10.7     1
  9. #> 2       2   F     6.3  10.6  11.1     2
  10. #> 3       3   F     9.5  13.1  13.8     2
  11. #> 4       4   M    11.5  13.4  12.9     1

另一种方法是使用match函数：

  1. oldvalues <- c("M", "F")
  2. newvalues <- factor(c("g1","g2"))  # 因子
  4. data$scode <- newvalues[ match(data$sex, oldvalues) ]
  5. data
  6. #>   subject sex control cond1 cond2 scode
  7. #> 1       1   M     7.9  12.3  10.7    g1
  8. #> 2       2   F     6.3  10.6  11.1    g2
  9. #> 3       3   F     9.5  13.1  13.8    g2
  10. #> 4       4   M    11.5  13.4  12.9    g1

将一个连续变量编码为分类变量

标记这些值，control值小于7为“low”，大于或等于7为“high”：

  1. data$category[data$control< 7] <- "low"
  2. data$category[data$control>=7] <- "high"
  4. # 把列转换为因子
  5. data$category <- factor(data$category)
  6. data
  7. #>   subject sex control cond1 cond2 scode category
  8. #> 1       1   M     7.9  12.3  10.7    g1     high
  9. #> 2       2   F     6.3  10.6  11.1    g2      low
  10. #> 3       3   F     9.5  13.1  13.8    g2     high
  11. #> 4       4   M    11.5  13.4  12.9    g1     high

用cut函数，可以指定上下限：

  1. data$category <- cut(data$control,
  2.                      breaks=c(-Inf, 7, 9, Inf),
  3.                      labels=c("low","medium","high"))
  4. data
  5. #>   subject sex control cond1 cond2 scode category
  6. #> 1       1   M     7.9  12.3  10.7    g1   medium
  7. #> 2       2   F     6.3  10.6  11.1    g2      low
  8. #> 3       3   F     9.5  13.1  13.8    g2     high
  9. #> 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)。

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。

  1. data$total <- data$control + data$cond1 + data$cond2
  2. data
  3. #>   subject sex control cond1 cond2 scode category total
  4. #> 1       1   M     7.9  12.3  10.7    g1   medium  30.9
  5. #> 2       2   F     6.3  10.6  11.1    g2      low  28.0
  6. #> 3       3   F     9.5  13.1  13.8    g2     high  36.4
  7. #> 4       4   M    11.5  13.4  12.9    g1     high  37.8

原文链接：http://www.cookbook-r.com/Manipulating_data/Recoding_data/