Skip to content

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 Otherfct_other(keep = ...)
重新命名fct_recode()fct_recode(x, Control = "ctrl")
NA 變成 levelfct_na_value_to_level()讓缺值出現在圖表
移除未使用 levelfct_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