笔记说明

在R中，分类变量一般以因子（factor）的形式存在。forcats包是一个专门用于处理因子（factor）的r包，现在也成为了tidyverse的核心包之一。
本次笔记介绍处理因子的一些函数，不全都是forcats包里的。
笔记中很多内容来自https://b-rodrigues.github.io/modern_R/descriptive-statistics-and-data-manipulation.html#section

推荐阅读：
关于factor：https://r4ds.had.co.nz/factors.html
关于forcats包：https://cran.r-project.org/web/packages/forcats/vignettes/forcats.html

用factor()生成因子

factor()是R自带的函数，用于生成因子。例如：sex_raw是表示性别的变量，，0代表女性，1代表男性。用factor()为其进行编码：

# 生成factor
sex_raw <- c(1,0,1,0,0,1,1)
(sex <- factor(sex_raw,levels = c(0:1), labels = c("女", "男")))

## [1] 男 女 男 女 女 男 男
## Levels: 女 男

对sex变量赋值的那行代码外围加了括号是一个小技巧，其效果是进行赋值操作后立即显示变量内容，这样就不用为了查看赋值结果再写一遍sex并运行。
注意在factor()中levels=的内容和labels=的内容顺序是对应的。

示例数据准备

farcats现在已经是tidyverse的核心包之一了。加载tidyverse时就会自动加载farcats：

library(tidyverse)

## -- Attaching packages ---------------------------------- tidyverse 1.2.1 --
## √ ggplot2 3.2.0     √ purrr   0.3.2
## √ tibble  2.1.3     √ dplyr   0.8.3
## √ tidyr   1.0.0     √ stringr 1.4.0
## √ readr   1.3.1     √ forcats 0.4.0
## -- Conflicts ------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

我们使用forcats包自带的示例数据gss_cat

data(gss_cat)  
head(gss_cat)

## # A tibble: 6 x 9
##    year marital         age race  rincome        partyid            relig              denom            tvhours
##   <int> <fct>         <int> <fct> <fct>          <fct>              <fct>              <fct>              <int>
## 1  2000 Never married    26 White $8000 to 9999  Ind,near rep       Protestant         Southern baptist      12
## 2  2000 Divorced         48 White $8000 to 9999  Not str republican Protestant         Baptist-dk which      NA
## 3  2000 Widowed          67 White Not applicable Independent        Protestant         No denomination        2
## 4  2000 Never married    39 White Not applicable Ind,near rep       Orthodox-christian Not applicable         4
## 5  2000 Divorced         25 White Not applicable Not str democrat   None               Not applicable         1
## 6  2000 Married          25 White $20000 - 24999 Strong democrat    Protestant         Southern baptist      NA

用tabyl()查看频数分布

对于分类变量，频数分布表是一个查看变量情况的不错的方法。可以使用R自带的table()，这里我们使用janitor包中的tabyl()

library(janitor)
tabyl(gss_cat$marital)

## gss_cat$marital     n      percent
##        No answer    17 0.0007913234
##    Never married  5416 0.2521063166
##        Separated   743 0.0345854862
##        Divorced  3383 0.1574733510
##         Widowed  1807 0.0841130196
##         Married 10117 0.4709305032

用fct_recode()对faoctor进行重新编码

factor变量内含有多个固定的水平（levels），可以用fct_recode()对factor变量的水平进行重编码：

gss_cat <- gss_cat %>%
  mutate(marital = fct_recode(marital,
                              refuse = "No answer",
                              never_married = "Never married",
                              divorced = "Separated",
                              divorced = "Divorced",
                              widowed = "Widowed",
                              married = "Married"))
gss_cat %>%
  tabyl(marital)

##        marital     n      percent
##         refuse    17 0.0007913234
##  never_married  5416 0.2521063166
##       divorced  4126 0.1920588372
##        widowed  1807 0.0841130196
##        married 10117 0.4709305032

注意在进行重编码时将原来的"Separated"和"Divorced"都重编为"divorced"，实现了对原始水平的合并。

用fct_lump()合并占比小的水平

看上面的频数分布情况，"refuse"和"widowed"这两个水平占比都小于10%，可以用fct_lump()把占比小于特定比例的水平全合并到一起:

gss_cat <- gss_cat %>%
  mutate(marital = fct_lump(marital, prop = 0.10, other_level = "other"))

gss_cat %>%
  tabyl(marital)

##        marital     n    percent
##  never_married  5416 0.25210632
##       divorced  4126 0.19205884
##        married 10117 0.47093050
##          other  1824 0.08490434

做频数分布条形图以及用fct_reorder()对水平进行排序

tabyl()的结果也是一个tibble对象，可以对其生成的频数分布数据做频数分布条形图：

gss_cat %>%
  tabyl(marital) %>%
  ggplot() +
  geom_col(aes(y = n, x = marital)) +
  coord_flip()

做这种条形图时我们希望各水平能按照频数的大小顺序排列，fct_reorder()在这种作图中就很有用：

gss_cat %>%
  tabyl(marital) %>%
  mutate(marital = fct_reorder(marital, n, .desc = FALSE)) %>%
  ggplot() +
  geom_col(aes(y = n, x = marital)) +
  coord_flip()