R语言-进行数据的重新编码(recode)操作
作者：大猫__0
在分析数据时我们经常会遇到将变量值转换成其他的值的情况（如：将连续变量转成分类变量）这时就需要我们对原有数据进行重新编码。本文将介绍R软件中常用的三种重编吗方法：
1、使用逻辑判断式编码。
2、使用cut函数编码。
3、使用car程序包的recode函数。
（一）使用逻辑判断式
（1）现假设我们需要将下面的连续型变量x按照10与20分成三个组，新的分组名称为1、2、3：
> x2=1*(x<=10)+2*(x>10&x<=20)+3*(x>20) > x2 [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3
将上述变量的数字编码改为字符编码
> labels=c("A","B","C")
> x3=labels[x2]
> x3
[1] "A" "B" "C" "B" "C" "C" "C" "C" "A" "C" "C" "B" "A" "B" "C" "C" "C" "B" "C" "C"
假设如下将以下范例月收入数据分成“低收入”，“中等收入”，“高收入”三个组：
> income<-c(130065,82961,133076,123028,108945,173466,17477)
> income
[1] 130065 82961 133076 123028 108945 173466 17477
> newcodes=c("低收入"，"中等收入","高收入")
Error: unexpected input in "newcodes=c("低收入"?
> newcodes=c("低收入","中等收入","高收入")
> index=1*(income<20000)+2*(income>=20000&income<=60000)+3*(income>60000)
> income=newcodes[index]
> income
[1] "高收入" "高收入" "高收入" "高收入" "高收入" "高收入" "低收入"
（2）使用ifelse函数
基本语法：ifelse(逻辑判断式，TRUE-表达式,FALSE-表达式)
编码成两个分组：
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > (x2=ifelse(x<=30,1,2)) [1] 1 1 2 1 2 1 1 2 1 2 2 1 1 1 2 2 1 1 1 1 > (x3=ifelse(x<=30,"A","B")) [1] "A" "A" "B" "A" "B" "A" "A" "B" "A" "B" "B" "A" "A" "A" "B" "B" "A" "A" "A" "A"
搭配%int%运算符，将"A",“C"重编码为"Group1”,“B”,“D"重编码为"Group2”:
> y
[1] "B" "A" "C" "C" "B" "A" "D" "B" "C" "D"
> (y2=ifelse(y %in% c("A","C"),"Group1","Group2"))
[1] "Group2" "Group1" "Group1" "Group1" "Group2" "Group1" "Group2" "Group2" "Group1" "Group2"
当编码成三个或者三个以上的组时需要多次使用ifelse 函数：
将x按照10与20两个分割点分成1、2、3三组：
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > (x2=ifelse(x<=10,1,ifelse(x<20,2,3))) [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3
将“A”“E”编码为1，"C"编码为2，“B”“D”编码为3：
> y
[1] "B" "A" "C" "C" "B" "A" "D" "B" "C" "D"
> y2=ifelse(y%in%c("A","E"),1,ifelse(y=="C",2,3))
> y2
[1] 3 1 2 2 3 1 3 3 2 3
（二）使用cut 函数
cut函数可以根据我们设置的分割点(breaks)将数据重编码，将一个数值向量变量转换为分组形态的factors变量。
基本语法：
cut(x,breaks,labels,include.lowest=F,right=T)
其中
x为数值向量
breaks为分割点信息。若breaks为向量，则根据向量中的数字进行分割。若breaks为大于1正整数k，则将
x分成均等的k组。
labels为分割后各组的名称，若为null，则输出数字向量，否则输出factor变量。
include.lowest=FALSE表示分割时不含各区间端点的最小值。
right=T表示各区间为左端open，右端closed的区间
使用cut函数将x向量依照0、10、20，max(x)分成3组
> x [1] 4 12 50 18 50 22 23 46 8 46 36 18 10 14 35 48 23 17 29 30 > x2=cut(x,breaks = c(0,10,20,max(x)),labels = c(1,2,3)) > x2 [1] 1 2 3 2 3 3 3 3 1 3 3 2 1 2 3 3 3 2 3 3 Levels: 1 2 3 > as.vector(x2) [1] "1" "2" "3" "2" "3" "3" "3" "3" "1" "3" "3" "2" "1" "2" "3" "3" "3" "2" "3" "3"
若没有给定labels参数，cut函数自动按照分割点生成分组名称：
x3=cut(x,breaks = c(0,10,20,max(x))) > x3 [1] (0,10] (10,20] (20,50] (10,20] (20,50] (20,50] (20,50] (20,50] (0,10] (20,50] (20,50] (10,20] (0,10] [14] (10,20] (20,50] (20,50] (20,50] (10,20] (20,50] (20,50] Levels: (0,10] (10,20] (20,50]
现在我们模拟产生10个N(60，10)的随机成绩，并且使用cut函数的breaks选项将其分成5个组：
> score=round(rnorm(10,60,10)) > score [1] 39 65 60 69 58 69 70 62 61 75 > score.cut=cut(score,breaks=5) > score.cut [1] (39,46.2] (60.6,67.8] (53.4,60.6] (67.8,75] (53.4,60.6] (67.8,75] (67.8,75] (60.6,67.8] [9] (60.6,67.8] (67.8,75] Levels: (39,46.2] (46.2,53.4] (53.4,60.6] (60.6,67.8] (67.8,75]
由以上结果可知，cut()函数默认输出一个factor变量，并且自动将五个分组命名为“ (39,46.2]”…“ (67.8,75]”。如果cut()的选项labels=FALSE,则输出的结果是数字编码的一半向量变量：
> score.cut=cut(score,breaks=5,labels = F) > score.cut [1] 1 4 3 5 3 5 5 4 4 5 > score.cut=as.factor(score.cut) > score.cut [1] 1 4 3 5 3 5 5 4 4 5 Levels: 1 3 4 5
（三）使用car程序包中的recode函数
car程序包的recode函数可以将数值或者字符向量、factor变量重新编码。
基本语法：recode(x,recodes,as.factor.result,levels)
其中：
x为数值向量，字符向量或者factor 变量。
recode为设定重新编码规则的字符串。
as.factor.result为是否输出factor变量。若是则为TRUE，不是为FALSE。
levels为排序向量。指定新的编码分组的顺序（默认是按照分组名称排序）。
recodes参数编码规则的写法
recodes参数的值是一个字符串，字符串里面是以分号分隔的编码规则：
recodes=“规则1;规则2…”
每一个编码规则的格式为旧码列表=新码，“旧码列表”部分可用lo代表旧码的最小值（low）、hi代表旧码的最大值（high）撰写规则如下：
（1）旧码=新码 旧码只有单一数值。例如：“0=NA”表示将0改为NA。
（2）旧码向量=新码 多个旧码改为一个新码。例如：“c(7,8,9)=‘high'”，将7，8，9改为high。
（3）start:end=新码 有序数字改码。例如：“lo:19=‘C'”。
（4）else=新码 所有其他情况。例如：“else=NA”。
程序范例：
> library(carData) > library(car) > x [1] 1 2 3 1 2 3 1 2 3 > recode(x,"c(1,2)='A';else='B'") [1] "A" "A" "B" "A" "A" "B" "A" "A" "B"
将成绩0~40分之间的分数编码为1，41-60分之间为2，61-80分为3，81以上为4，其他情况为NA
> score [1] 75 70 66 65 55 69 75 69 82 83 > recode(score,"lo:40=1;41:60=2;61:80=3;81:hi=4;else=NA") [1] 3 3 3 3 2 3 3 3 4 4
上例改用‘A'‘B'‘C''‘D'
> recode(score,"lo:40='A';41:60='B';61:80='C';81:hi='D';else=NA") [1] "C" "C" "C" "C" "B" "C" "C" "C" "D" "D"
补充：R语言字符串处理时的编码的一些问题问题（Windows环境）
R在windows中文系统时默认使用GB编码字符，而许多函数是只支持UTF-8的，例如
不作任何处理读入数据时，数据会以系统默认编码读入，tolower（）函数工作失败
如果有干预的读入数据，即指定字符串的编码，则不会出错
数据库读写中文出现乱码的原理也是相似的。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。