外觀
Data Science › R Foundations › 類別資料
類別資料 (Categorical Data: factor 與 forcats)
R 用 factor 表示類別:看起來像字串,底層是整數碼 + levels 對照表。levels 的順序決定了圖表排列、模型的參考組 (reference level) 與摘要順序,所以處理類別資料的重點多半是「把 levels 整理對」。Python 對應是 pd.Categorical(見 pandas dtype 與類別);量尺理論見 資料型態與量尺。
| 類型 | 例子 | R 表示 |
|---|---|---|
| 名目 (nominal) | 組織類型、細胞類型、批次 | factor() |
| 順序 (ordinal) | 腫瘤分級、Likert 量表、劑量組 | factor(..., ordered = TRUE) 或手動排 levels |
| 區間化的連續值 | 年齡帶、表現量高 / 中 / 低 | cut() 產生 |
建立與檢查
r
group <- factor(c("trt", "ctrl", "ctrl", "trt"))
levels(group) # "ctrl" "trt" 預設依字母排序
as.integer(group) # 2 1 1 2 是 level 編碼,不是原始值
table(group, useNA = "ifany")
nlevels(group)
# 指定順序;ctrl 放第一個 = 模型的參考組
group <- factor(group, levels = c("ctrl", "trt"))
relevel(group, ref = "trt")
grade <- factor(c("G2", "G1", "G3"), levels = c("G1", "G2", "G3"), ordered = TRUE)
grade < "G3" # TRUE TRUE FALSE ordered factor 才能比大小參考組決定
lm()/glm()係數的意義:grouptrt的係數是「trt 相對 ctrl」。DESeq2 的design = ~ condition也一樣,忘了 relevel 會讓 log2FC 正負號顛倒。見 類別變數編碼。
常見陷阱
r
f <- factor(c("10", "5", "20"))
as.numeric(f) # 1 3 2 ← level 編碼,錯!
as.numeric(as.character(f)) # 10 5 20 ← 正確
sub <- droplevels(subset(df, tissue != "liver")) # 過濾後移除空的 level
forcats::fct_na_value_to_level(f, level = "(Missing)") # NA 變成可見類別(舊名 fct_explicit_na 已棄用)
c(factor("a"), factor("b")) # R ≥ 4.1.0 會合併成 factor;舊版回傳整數碼連續變數分組:cut()
r
age <- c(23, 37, 45, 61, 70)
cut(age, breaks = c(0, 40, 60, Inf)) # (0,40] (0,40] (40,60] (60,Inf] (60,Inf]
cut(age, breaks = c(0, 40, 60, Inf), right = FALSE, # [0,40) 左閉右開
labels = c("<40", "40-59", "60+"))
cut(age, breaks = quantile(age, 0:4 / 4), include.lowest = TRUE) # 四分位分組
dplyr::ntile(age, 4) # 等數量分 4 組,回傳整數把連續變數切組會損失資訊與檢定力,分析時優先保留連續值;切組適合報表與視覺化。
forcats 速查
tidyverse 的 forcats 函式都以 fct_ 開頭。
| 想做 | 函式 | 例子 |
|---|---|---|
| 手動指定順序 | fct_relevel() | Likert:fct_relevel(x, "Rarely", "Sometimes", "Often") |
| 依另一個數值排序 | fct_reorder() | 依平均表現量排基因 |
| 依出現次數排序 | fct_infreq() | 長條圖由多到少 |
| 依出現順序 | fct_inorder() | 保留檔案中的原始順序 |
| 反轉順序 | fct_rev() | 水平長條圖最大值放上面 |
| 合併成指定群組 | fct_collapse() | 把多個亞型併成大類 |
| 只留前 n 大 / 佔比門檻 | fct_lump_n() / fct_lump_prop() | 其他歸 "Other" |
| 指定保留哪些、其餘歸 Other | fct_other(keep = ...) | |
| 重新命名 | fct_recode() | fct_recode(x, Control = "ctrl") |
| NA 變成 level | fct_na_value_to_level() | 讓缺值出現在圖表 |
| 移除未使用 level | fct_drop() | 同 droplevels() |
r
library(tidyverse)
survey <- survey |>
mutate(
response = fct_relevel(response, "Rarely", "Sometimes", "Often", "Most of the time"),
job = fct_lump_n(job, n = 8), # 只留前 8 大職稱
tissue = fct_collapse(tissue, gut = c("colon", "ileum", "jejunum"))
)
job_titles |>
ggplot(aes(x = perc, y = fct_reorder(job, perc))) + # y 軸依 perc 排序
geom_point() +
scale_x_continuous(labels = scales::percent_format())合併稀少類別前先想清楚分析問題:稀少的亞型或少數族群可能正是重點。
問卷 / 多欄類別:先轉 long
同一主題的題目攤成很多欄(WorkChallengeFrequencyPolitics、...Clarity、...DirtyData)時,先轉 long format 再用同一套摘要邏輯。
r
work_challenges <- responses |>
select(contains("WorkChallengeFrequency")) |>
pivot_longer(everything(), names_to = "challenge", values_to = "frequency",
names_prefix = "WorkChallengeFrequency") |>
filter(!is.na(frequency))
# ordinal → 二元比例:先定義規則(Often 以上算「常發生」)
work_challenges |>
mutate(problem = frequency %in% c("Often", "Most of the time")) |>
group_by(challenge) |>
summarize(perc_problem = mean(problem))字串欄全部轉 factor 可用 mutate(across(where(is.character), as.factor)),但只適合類別集合已經固定時;還要大量清理的欄位先保留 character。reshape 細節見 tidyr 資料重塑。
常見錯誤
| 錯誤 | 後果 | 對策 |
|---|---|---|
as.numeric(factor) | 拿到編碼而非數值 | 先 as.character() |
| ordinal 用字母排序 | 圖表與摘要順序錯 | fct_relevel() 或 levels = |
| 沒設參考組 | 係數 / fold change 方向與預期相反 | relevel() / fct_relevel() |
| 過濾後殘留空 level | 圖例、table() 出現 0 的類別;模型報錯 | droplevels() |
| 先轉 factor 再做字串清理 | str_replace 等要反覆轉型 | 清理完再轉 factor |
| 訓練與測試 levels 不一致 | 預測時出現 new level 錯誤 | 用訓練集的 levels 建 factor |