ここでは71羽のニワトリについて、エサ(6種類)と体重のデータを使う。
連続変数のweightをカテゴリー化する。
> data(chickwts) > head(chickwts, 3) weight feed 1 179 horsebean 2 160 horsebean 3 136 horsebean > summary(chickwts$weight) Min. 1st Qu. Median Mean 3rd Qu. Max. 108.0 204.5 258.0 261.3 323.5 423.0
cut( )でN個のカテゴリーに分ける
引数breaksに1つの数値を指定する。
wt_cat1 <- cut(weight, breaks = 3)
> table(wt_cat1) wt_cat1 (108,213] (213,318] (318,423] 20 31 20
ヘルプによると
When breaks is specified as a single number, the range of the data is divided into breaks pieces of equal length, and then the outer limits are moved away by 0.1% of the range to ensure that the extreme values both fall within the break intervals. (If x is a constant vector, equal-length intervals are created, one of which includes the single value.)
とあるので、だいたい同じ数になるように分割した後、極端な値は取り除かれるみたい。
cut( )で境界値を指定して分ける
引数breaksに境界値をベクトルで指定する。
以下注意事項：
- 両端を指定する必要があるので、N個のカテゴリーに分けるときは(N+1)個の境界値が必要。
- 上下限を指定しないときはinfを使う。
right=FALSEとすると「〜以上〜未満」のように右端を含まない。- 引数
labelsでカテゴリー名を指定できる。
wt_cat2 <- cut(weight, breaks = c("-inf",200,300,"inf"), labels = c("wt100","wt200","wt300over"), right=FALSE)
> table(wt_cat2) wt_cat2 wt100 wt200 wt300over 17 28 26
カテゴリー名を整数値にしたい
引数labels=FALSEとする。
wt_cat3 <- cut(weight, breaks = c("-inf",200,300,"inf"), labels = FALSE, right=FALSE)
> table(wt_cat3) wt_cat3 1 2 3 17 28 26
もしくはfindInterval()を使う（こっちの方が効率が良いらしい）。
wt_cat4 <- findInterval(weight, vec= c("-inf",200,300,"inf"))
結果は割愛。
おわりに
- 特に探索的に傾向を見る目的でカテゴリー化するときはcut()は便利だと思う
- ジャクソン・ギャラクシーの猫の手懐け方はホントにすごいと思う
