4th Oct 2014:R语言中的factor类型

Factor在回归分析中的应用

今天做回归的时候要用到这个函数，被help文档以及不专业的翻译搞昏了factor这个函数到底在干嘛，真是佩服将其翻译成因子。
实际上很简单，factor(C(…))是用来生成两类数据的：定性数据&定序数据！

具体用法如下：

• 生成定性数据

```
colour <- c('G', 'G', 'R', 'Y', 'G', 'Y', 'Y', 'R', 'Y')
[1]col<-factor(colour)
#直接将这个colour这个向量变成一个定性数据的向量
[2]col1 <- factor(colour, levels = c('G', 'R', 'Y'), labels = c('Green', 'Red', 'Yellow'))
[3]col3 <- factor(colour, levels = c('G', 'R'))

让我们来看看[2]、[3]的结果感受一下吧：

```
> col1
> [1] Green  Green  Red    Yellow Green  Yellow Yellow Red    Yellow
Levels: Green Red Yellow
> col3
> [1] G    G    R    <NA> G    <NA> <NA> R    <NA>
Levels: G R

• 生成定序数据：

```
 score <- c('A', 'B', 'A', 'C', 'B')
 score1 <- ordered(score, levels = c('C', 'B', 'A'))

废话少说，直接上结果：

```
> score1
[1] A B A C B
Levels: C < B < A

factor在生成之后也成了一种数据类型，factor最重要的一个应用之一就是我接下来呀讲到的回归分析中的应用。

对了！它就是虚拟变量，有了factor在R中实现就快方便多了！

举个例子：

首先导入一个美帝社会的数据集

hsb2 <- read.csv("http://www.ats.ucla.edu/stat/data/hsb2.csv")

我们看看数据长什么样

```
> str(hsb2)
'data.frame':   200 obs. of  11 variables:
 $ id     : int  70 121 86 141 172 113 50 11 84 48 ...
 $ female : int  0 1 0 0 0 0 0 0 0 0 ...
 $ race   : int  4 4 4 4 4 4 3 1 4 3 ...
 $ ses    : int  1 2 3 3 2 2 2 2 2 2 ...
 $ schtyp : int  1 1 1 1 1 1 1 1 1 1 ...
 $ prog   : int  1 3 1 3 2 2 1 2 1 2 ...
 $ read   : int  57 68 44 63 47 44 50 34 63 57 ...
 $ write  : int  52 59 33 44 52 52 59 46 57 55 ...
 $ math   : int  41 53 54 47 57 51 42 45 54 52 ...
 $ science: int  47 63 58 53 53 63 53 39 58 50 ...
 $ socst  : int  57 61 31 56 61 61 61 36 51 51 ...

现在我们想知道人种之间是否会对写作能力有不同，我们要对他进行回归(虽然不固定其他因素就回归似乎说不过去，但是这是纯解释的例子，不要在意这些细节)

```
# creating the factor variable
hsb2$race.f <- factor(hsb2$race)
is.factor(hsb2$race.f)
summary(lm(write ~ race.f, data = hsb2))
#让我们看看结果：
##
## Call:
## lm(formula = write ~ race.f, data = hsb2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -23.055 -5.458 0.972 7.000 18.800
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 46.46 1.84 25.22 < 2e-16 ***
## race.f2 11.54 3.29 3.51 0.00055 ***
## race.f3 1.74 2.73 0.64 0.52461
## race.f4 7.60 1.99 3.82 0.00018 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.03 on 196 degrees of freedom
## Multiple R-squared: 0.107, Adjusted R-squared: 0.0934
## F-statistic: 7.83 on 3 and 196 DF, p-value: 5.78e-05

所以它自动把不同水平区分开了，是不是很轻松？

参考链接：

[1]http://statistics.ats.ucla.edu/stat/r/modules/dummy_vars.htm
[2]http://blog.sina.com.cn/s/blog_59f8748e01011in6.html