2.3 Factor
2.3.1 범주형 자료
R에서 범주형 자료(Categorical Data)를 다룰 때는 문자형 자료와 잘 구별할 수 있어야 한다.
미리 범주형인지 문자형인지 확인하고 적절하게 분석 목적에 맞게끔 변환시켜야 한다. 이러한 과정들이 모두 데이터 전처리의 일부이다.
쉽게 표현하면, “vector(숫자형) + level(문자형) = factor”
2.3.2 Factor의 요소 및 특징
level
- vector의 index. (그런데, level도 벡터이다.)
- char 형이 기본값.
- first level이 선형 모델링시 가장 basic level로 간주됨. ex] levels = c(“yes,” “no”)
특징 :
명목형 변수를 저장할 때에 메모리를 아껴준다.
- ex) “MALE,” “MALE,” “FEMALE” … 로 저장해주기 보다는 1, 1, 2, … 로 저장하고, 1 = MALE, 2 = FEMALE로 level로 묶어주는 것이 좀 더 메모리상에서 효율적
일반 vector와는 다르게 level을 설정 가능
levels을 통해 한번에 “척”하고 변경이 가능
2.3.3 factor() 함수의 형식
factor() 함수의 기본적인 형식 :
factor(x = character(), levels, labels = levels,
exclude = NA, ordered = is.ordered(x), nmax = NA)
where,
x : 소수의 구별되는 값들로 구성되는 데이터 벡터
levels : as.character(x)에 의해 처리된 문자열 데이터의 유일 값들로, x의 오름차순으로 정렬된 것.
이는 sort(unique(x)) 보다 더 적은 수가 된다는 점을 주목하라.
labels : 실제로 보여지는 값
exclude : levels를 설정할 때 제외되는 값들의 벡터
ordered : levels에 순서를 지정
nmax : levels 갯수의 상한2.3.4 factor 생성
x <- factor("문자벡터", levels = “벡터의 레벨(char)”, ordered = “ T/F” )2.3.4.1 factor 생성
factor(c("yes", "no", "yes") ) # 디폴트로 레벨 : 오름차순 생성## [1] yes no yes
## Levels: no yes2.3.4.2 factor에 levels 부여하기
factor(c("yes", "no", "yes"), levels = c("yes", "no")) ## [1] yes no yes
## Levels: yes no2.3.4.3 levels에 순위 부여하기
x <- factor(c("yes", "no", "yes"), levels = c("yes", "no") , ordered = T) # 가장 처음에 온 값이 기본 레벨(basic levels)이 됨
x## [1] yes no yes
## Levels: yes < nolevels(x)[1:2]## [1] "yes" "no"levels(x)[1:2] <- "yes"
levels(x) ## [1] "yes"x # levels에 접근하여 모든 값을 변경 가능## [1] yes yes yes
## Levels: yes2.3.4.4 factor의 exclude인자 활용하기
x <- factor(c("yes", "no", "yes", "yeah"),
levels = c("yes", "no", "yeah"),
ordered = T,
exclude = "yeah")
x # exclude를 쓰면 NA 처리된다## [1] yes no yes <NA>
## Levels: yes < no2.3.4.5 addNA() 함수 활용하기 :
addNA() 함수를 이용하여 NA를 levels에 추가하기
addNA(x, ifany = FALSE) # Levels에 N/A를 넣고싶다면## [1] yes no yes <NA>
## Levels: yes < no < <NA>2.3.4.6 tapply() 함수를 통해 factor 이해하기
age <- c(43,35,34,37,28,30,29,25,27,36,24,36,26,28,20)
gender <- factor(c('M','F','F','M','M','F','F','M','F','F','M','M','M','F','M'))
sal <- c(seq(100, 200, length.out=15))
emp <- data.frame(age, gender, sal)
emp$over30 <- ifelse(emp$age >= 35, 3, (ifelse(emp$age >=30, 2, ifelse(emp$age >=25, 1, 0))))
emp$over30 <- as.factor(emp$over30)
str(emp)## 'data.frame': 15 obs. of 4 variables:
## $ age : num 43 35 34 37 28 30 29 25 27 36 ...
## $ gender: Factor w/ 2 levels "F","M": 2 1 1 2 2 1 1 2 1 1 ...
## $ sal : num 100 107 114 121 129 ...
## $ over30: Factor w/ 4 levels "0","1","2","3": 4 4 3 4 2 3 2 2 2 4 ...round(tapply(emp$sal, list(emp$gender, emp$over30), mean)) # gender, over30 별로 sal의 급여 평균 구하기## 0 1 2 3
## F NA 164 125 136
## M 186 155 NA 1332.3.4.7 lm() 함수를 통해 factor 이해하기
hsb2 <- read_csv("https://stats.idre.ucla.edu/stat/data/hsb2.csv")##
## -- Column specification --------------------------------------------------------
## cols(
## id = col_double(),
## female = col_double(),
## race = col_double(),
## ses = col_double(),
## schtyp = col_double(),
## prog = col_double(),
## read = col_double(),
## write = col_double(),
## math = col_double(),
## science = col_double(),
## socst = col_double()
## )str(hsb2)## tibble [200 x 11] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:200] 70 121 86 141 172 113 50 11 84 48 ...
## $ female : num [1:200] 0 1 0 0 0 0 0 0 0 0 ...
## $ race : num [1:200] 4 4 4 4 4 4 3 1 4 3 ...
## $ ses : num [1:200] 1 2 3 3 2 2 2 2 2 2 ...
## $ schtyp : num [1:200] 1 1 1 1 1 1 1 1 1 1 ...
## $ prog : num [1:200] 1 3 1 3 2 2 1 2 1 2 ...
## $ read : num [1:200] 57 68 44 63 47 44 50 34 63 57 ...
## $ write : num [1:200] 52 59 33 44 52 52 59 46 57 55 ...
## $ math : num [1:200] 41 53 54 47 57 51 42 45 54 52 ...
## $ science: num [1:200] 47 63 58 53 53 63 53 39 58 50 ...
## $ socst : num [1:200] 57 61 31 56 61 61 61 36 51 51 ...
## - attr(*, "spec")=
## .. cols(
## .. id = col_double(),
## .. female = col_double(),
## .. race = col_double(),
## .. ses = col_double(),
## .. schtyp = col_double(),
## .. prog = col_double(),
## .. read = col_double(),
## .. write = col_double(),
## .. math = col_double(),
## .. science = col_double(),
## .. socst = col_double()
## .. )## race 컬럼에 factor 미적용시
summary(lm(write ~ race, data = hsb2))##
## Call:
## lm(formula = write ~ race, data = hsb2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.919 -5.912 1.091 8.082 17.100
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 45.8941 2.2652 20.260 < 2e-16 ***
## race 2.0061 0.6322 3.173 0.00175 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.27 on 198 degrees of freedom
## Multiple R-squared: 0.0484, Adjusted R-squared: 0.04359
## F-statistic: 10.07 on 1 and 198 DF, p-value: 0.001747# 팩터 변수 생성 후 race 컬럼에 적용한 결과
hsb2$race.f <- factor(hsb2$race) # race 컬럼의 팩터형 race.f 컬럼
is.factor(hsb2$race.f) # race.f 컬럼이 factor 형인지 확인## [1] TRUEhsb2$race.f[1:15] # race.f 컬럼의 앞 15개 요소 확인## [1] 4 4 4 4 4 4 3 1 4 3 4 4 4 4 3
## Levels: 1 2 3 4summary(lm(write ~ race.f, data = hsb2)) # write = a * race.f + b 선형 회귀식의 요약 통계##
## Call:
## lm(formula = write ~ race.f, data = hsb2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -23.0552 -5.4583 0.9724 7.0000 18.8000
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 46.458 1.842 25.218 < 2e-16 ***
## race.f2 11.542 3.286 3.512 0.000552 ***
## race.f3 1.742 2.732 0.637 0.524613
## race.f4 7.597 1.989 3.820 0.000179 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.025 on 196 degrees of freedom
## Multiple R-squared: 0.1071, Adjusted R-squared: 0.0934
## F-statistic: 7.833 on 3 and 196 DF, p-value: 5.785e-05# ggplot(hsb2, aes(race.f, write)) + geom_point() + stat_smooth(method=lm, level = 0.95)2.3.4.8 팩터변수를 외부에서 생성하기 싫은 경우 내부에 사용도 가능
hsb2 <- read.csv("https://stats.idre.ucla.edu/stat/data/hsb2.csv")
summary(lm(write ~ factor(race), data = hsb2))##
## Call:
## lm(formula = write ~ factor(race), data = hsb2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -23.0552 -5.4583 0.9724 7.0000 18.8000
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 46.458 1.842 25.218 < 2e-16 ***
## factor(race)2 11.542 3.286 3.512 0.000552 ***
## factor(race)3 1.742 2.732 0.637 0.524613
## factor(race)4 7.597 1.989 3.820 0.000179 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.025 on 196 degrees of freedom
## Multiple R-squared: 0.1071, Adjusted R-squared: 0.0934
## F-statistic: 7.833 on 3 and 196 DF, p-value: 5.785e-05# ggplot(hsb2, aes(race, write)) + geom_point() + stat_smooth(aes(race, write), method=lm, level = 0.95)