5.3　数据处理难题的一套解决方案

5.1节中提出的问题是：将学生的各科考试成绩组合为单一的成绩衡量指标、基于相对名次（前20%，下20%，等等）给出从A到F的评分、根据学生姓氏和名字的首字母对花名册进行排序。代码清单5-6给出了一种解决方案。

代码清单5-6　示例的一种解决方案

  1. > options(digits=2)
  3. > Student <- c("John Davis", "Angela Williams", "Bullwinkle Moose",
  4.                "David Jones", "Janice Markhammer", "Cheryl Cushing",
  5.                "Reuven Ytzrhak", "Greg Knox", "Joel England",
  6.                "Mary Rayburn")
  7. > Math <- c(502, 600, 412, 358, 495, 512, 410, 625, 573, 522)
  8. > Science <- c(95, 99, 80, 82, 75, 85, 80, 95, 89, 86)
  9. > English <- c(25, 22, 18, 15, 20, 28, 15, 30, 27, 18)
  10. > roster <- data.frame(Student, Math, Science, English,
  11.                        stringsAsFactors=FALSE)
  13. > z <- scale(roster[,2:4])             # 计算综合得分
  14. > score <- apply(z, 1, mean)
  15. > roster <- cbind(roster, score)
  16. > y <- quantile(score, c(.8,.6,.4,.2))         # 对学生评分
  17. > roster$grade[score >= y[1]] <- "A"
  18. > roster$grade[score < y[1] & score >= y[2]] <- "B"
  19. > roster$grade[score < y[2] & score >= y[3]] <- "C"
  20. > roster$grade[score < y[3] & score >= y[4]] <- "D"
  21. > roster$grade[score < y[4]] <- "F"
  23. > name <- strsplit((roster$Student), " ")           # 抽取姓氏和名字
  24. > lastname <- sapply(name, "[", 2)
  25. > firstname <- sapply(name, "[", 1)
  26. > roster <- cbind(firstname,lastname, roster[,-1])
  28. > roster <- roster[order(lastname,firstname),]          # 根据姓氏和名字排序
  30. > roster
  31.     Firstname   Lastname Math Science English score grade
  32. 6      Cheryl    Cushing  512      85      28  0.35     C
  33. 1        John      Davis  502      95      25  0.56     B
  34. 9        Joel    England  573      89      27  0.70     B
  35. 4       David      Jones  358      82      15 -1.16     F
  36. 8        Greg       Knox  625      95      30  1.34     A
  37. 5      Janice Markhammer  495      75      20 -0.63     D
  38. 3  Bullwinkle      Moose  412      80      18 -0.86     D
  39. 10       Mary    Rayburn  522      86      18 -0.18     C
  40. 2      Angela   Williams  600      99      22  0.92     A
  41. 7      Reuven    Ytzrhak  410      80      15 -1.05     F

以上代码写得比较紧凑，逐步分解如下。

步骤1　原始的学生花名册已经给出了。options(digits=2)限定了输出小数点后数字的位数，并且让输出更容易阅读。

  1. > options(digits=2)
  2. > roster
  3.              Student Math Science English
  4. 1         John Davis  502      95      25
  5. 2    Angela Williams  600      99      22
  6. 3   Bullwinkle Moose  412      80      18
  7. 4        David Jones  358      82      15
  8. 5  Janice Markhammer  495      75      20
  9. 6     Cheryl Cushing  512      85      28
  10. 7     Reuven Ytzrhak  410      80      15
  11. 8          Greg Knox  625      95      30
  12. 9       Joel England  573      89      27
  13. 10      Mary Rayburn  522      86      18

步骤2　由于数学、科学和英语考试的分值不同（均值和标准差相去甚远），在组合之前需 要先让它们变得可以比较。一种方法是将变量进行标准化，这样每科考试的成绩就都是用单位标准差来表示，而不是以原始的尺度来表示了。这个过程可以使用scale()函数来实现：

  1. > z <- scale(roster[,2:4])
  2. > z
  3.         Math Science English
  4.  [1,]  0.013   1.078   0.587
  5.  [2,]  1.143   1.591   0.037
  6.  [3,] -1.026  -0.847  -0.697
  7.  [4,] -1.649  -0.590  -1.247
  8.  [5,] -0.068  -1.489  -0.330
  9.  [6,]  0.128  -0.205   1.137
  10.  [7,] -1.049  -0.847  -1.247
  11.  [8,]  1.432   1.078   1.504
  12.  [9,]  0.832   0.308   0.954
  13. [10,]  0.243  -0.077  -0.697

步骤3　然后，可以通过函数mean()来计算各行的均值以获得综合得分，并使用函数 cbind()将其添加到花名册中：

  1. > score <- apply(z, 1, mean)
  2. > roster <- cbind(roster, score)
  3. > roster
  4.             Student   Math  Science English  score
  5. 1         John Davis  502      95      25    0.559
  6. 2    Angela Williams  600      99      22    0.924
  7. 3   Bullwinkle Moose  412      80      18   -0.857
  8. 4        David Jones  358      82      15   -1.162
  9. 5  Janice Markhammer  495      75      20   -0.629
  10. 6     Cheryl Cushing  512      85      28    0.353
  11. 7     Reuven Ytzrhak  410      80      15   -1.048
  12. 8          Greg Knox  625      95      30    1.338
  13. 9       Joel England  573      89      27    0.698
  14. 10      Mary Rayburn  522      86      18   -0.177

步骤4　函数quantile()给出了学生综合得分的百分位数。可以看到，成绩为A的分界点 为0.74，B的分界点为0.44，等等。

  1. > y <- quantile(roster$score, c(.8,.6,.4,.2))
  2. > y
  3.   80%   60%   40%   20%
  4.  0.74  0.44 -0.36 -0.89

步骤5　通过使用逻辑运算符，你可以将学生的百分位数排名重编码为一个新的类别型成绩变量。下面在数据框roster中创建了变量grade。

  1. > roster$grade[score >= y[1]] <- "A"
  2. > roster$grade[score < y[1] & score >= y[2]] <- "B"
  3. > roster$grade[score < y[2] & score >= y[3]] <- "C"
  4. > roster$grade[score < y[3] & score >= y[4]] <- "D"
  5. > roster$grade[score < y[4]] <- "F"
  6. > roster
  7.              Student Math Science English  score grade
  8. 1         John Davis  502      95      25  0.559     B
  9. 2    Angela Williams  600      99      22  0.924     A
  10. 3   Bullwinkle Moose  412      80      18 -0.857     D
  11. 4        David Jones  358      82      15 -1.162     F
  12. 5  Janice Markhammer  495      75      20 -0.629     D
  13. 6     Cheryl Cushing  512      85      28  0.353     C
  14. 7     Reuven Ytzrhak  410      80      15 -1.048     F
  15. 8          Greg Knox  625      95      30  1.338     A
  16. 9       Joel England  573      89      27  0.698     B
  17. 10      Mary Rayburn  522      86      18 -0.177     C

步骤6　你将使用函数strsplit()以空格为界把学生姓名拆分为姓氏和名字。把strsplit()应用到一个字符串组成的向量上会返回一个列表：

  1. > name <- strsplit((roster$Student), " ")
  2. > name
  4. [[1]]
  5. [1] "John"  "Davis"
  7. [[2]]
  8. [1] "Angela"   "Williams"
  10. [[3]]
  11. [1] "Bullwinkle" "Moose"
  13. [[4]]
  14. [1] "David" "Jones"
  16. [[5]]
  17. [1] "Janice"     "Markhammer"
  19. [[6]]
  20. [1] "Cheryl"  "Cushing"
  22. [[7]]
  23. [1] "Reuven"  "Ytzrhak"
  25. [[8]]
  26. [1] "Greg" "Knox"
  28. [[9]]
  29. [1] "Joel"   "England"
  31. [[10]]
  32. [1] "Mary"   "Rayburn"

步骤7　你可以使用函数sapply()提取列表中每个成分的第一个元素，放入一个储存名字 的向量，并提取每个成分的第二个元素，放入一个储存姓氏的向量。"["是一个可以提取某个对象的一部分的函数——在这里它是用来提取列表name各成分中的第一个或第二个元素的。你将使用cbind()把它们添加到花名册中。由于已经不再需要student变量，可以将其丢弃（在下标中使用?1）。

  1. > Firstname <- sapply(name, "[", 1)
  2. > Lastname <- sapply(name, "[", 2)
  3. > roster <- cbind(Firstname, Lastname, roster[,-1])
  4. > roster
  5.     Firstname   Lastname Math Science English  score grade
  6. 1        John      Davis  502      95      25  0.559     B
  7. 2      Angela   Williams  600      99      22  0.924     A
  8. 3  Bullwinkle      Moose  412      80      18 -0.857     D
  9. 4       David      Jones  358      82      15 -1.162     F
  10. 5      Janice Markhammer  495      75      20 -0.629     D
  11. 6      Cheryl    Cushing  512      85      28  0.353     C
  12. 7      Reuven    Ytzrhak  410      80      15 -1.048     F
  13. 8        Greg       Knox  625      95      30  1.338     A
  14. 9        Joel    England  573      89      27  0.698     B
  15. 10       Mary    Rayburn  522      86      18 -0.177     C

步骤8　最后，可以使用函数order()依姓氏和名字对数据集进行排序：

  1. > roster[order(Lastname,Firstname),]
  2.     Firstname   Lastname  Math  Science  English  score   grade
  3. 6      Cheryl    Cushing  512      85       28     0.35     C
  4. 1        John      Davis  502      95       25     0.56     B
  5. 9        Joel    England  573      89       27     0.70     B
  6. 4       David      Jones  358      82       15    -1.16     F
  7. 8        Greg       Knox  625      95       30     1.34     A
  8. 5      Janice Markhammer  495      75       20    -0.63     D
  9. 3  Bullwinkle      Moose  412      80       18    -0.86     D
  10. 10       Mary    Rayburn  522      86       18    -0.18     C
  11. 2      Angela   Williams  600      99       22     0.92     A
  12. 7      Reuven    Ytzrhak  410      80       15    -1.05     F

瞧！小事一桩！

完成这些任务的方式有许多，只是以上代码体现了相应函数的设计初衷。现在到了学习控制结构和自己编写函数的时候了。