Kaip koduoti duomenis?

duomenų-paruošimas

pradedantiesiems

Duomenų kodavimas yra svarbus žingsnis prieš statistinę analizę. Sužinokite, kaip teisingai koduoti kintamuosius.

Published

February 15, 2023

Duomenų kodavimas yra vienas svarbiausių žingsnių prieš statistinę analizę. Nuo to, kaip koduojate kintamuosius, priklauso, kokius statistinius metodus galėsite taikyti.

Kintamųjų tipai

Prieš koduojant duomenis, svarbu suprasti kintamųjų tipus:

Tipas	Aprašymas	Pavyzdžiai
Kategorinis	Grupės, kurios neturi tvarkos	Lytis, spalva, miestas
Ranginis	Grupės su tvarka	Išsilavinimas, Likert skalė
Tolydus	Skaičiai su prasme	Amžius, svoris, ūgis

Kategorinių kintamųjų kodavimas

R kalboje kategoriniai kintamieji turėtų būti factor tipo:

library(dplyr)

duomenys <- data.frame(
  lytis = c("V", "M", "V", "M", "V"),
  amzius = c(25, 32, 45, 28, 51)
)

# Paverčiame į faktorių
duomenys$lytis <- factor(duomenys$lytis, 
                          levels = c("V", "M"),
                          labels = c("Vyras", "Moteris"))

str(duomenys)

'data.frame':   5 obs. of  2 variables:
 $ lytis : Factor w/ 2 levels "Vyras","Moteris": 1 2 1 2 1
 $ amzius: num  25 32 45 28 51

Ranginių kintamųjų kodavimas

Ranginiai kintamieji turėtų būti koduojami su nurodyta tvarka:

issilavinimas <- c("Vidurinis", "Aukštasis", "Pagrindinis", "Aukštasis", "Vidurinis")

issilavinimas_factor <- factor(
  issilavinimas,
  levels = c("Pagrindinis", "Vidurinis", "Aukštasis"),
  ordered = TRUE
)

issilavinimas_factor

[1] Vidurinis   Aukštasis   Pagrindinis Aukštasis   Vidurinis  
Levels: Pagrindinis < Vidurinis < Aukštasis

Patarimas

Naudokite ordered = TRUE ranginiams kintamiesiems - tai leis R teisingai interpretuoti kintamojo prigimtį!

Dummy kodavimas

Kai kuriems modeliams reikia konvertuoti kategorinius kintamuosius į skaitinius:

# model.matrix automatiškai sukuria dummy kintamuosius
model.matrix(~ lytis, data = duomenys)

  (Intercept) lytisMoteris
1           1            0
2           1            1
3           1            0
4           1            1
5           1            0
attr(,"assign")
[1] 0 1
attr(,"contrasts")
attr(,"contrasts")$lytis
[1] "contr.treatment"

Dažnos klaidos

Ko vengti?

Nekoduoti tekstinių kintamųjų - R juos traktuos kaip character, ne factor
Neteisingai nurodyti lygius - tai gali pakeisti bazinę kategoriją regresijoje
Naudoti skaičius kategoriniams kintamiesiems - tai gali sukelti klaidų interpretacijoje

Praktinis pavyzdys

library(ggplot2)

# Sukuriame duomenis su teisingai koduotais kintamaisiais
apklausa <- data.frame(
  amzius = sample(18:65, 100, replace = TRUE),
  pasitenkinimas = factor(
    sample(1:5, 100, replace = TRUE),
    levels = 1:5,
    labels = c("Labai nepatenkintas", "Nepatenkintas", "Neutralus", 
               "Patenkintas", "Labai patenkintas"),
    ordered = TRUE
  )
)

ggplot(apklausa, aes(x = pasitenkinimas)) +
  geom_bar(fill = "#4F46E5") +
  labs(title = "Pasitenkinimo pasiskirstymas", x = "", y = "Skaičius") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))