將連續變數轉換為邏輯值

邏輯變數很實用，因為用「是或否」來思考通常比用數值更直觀。舉例來說，如果有人問你「要不要來杯茶？」，「要」或「不要」會比「我想要茶的機率是 0.73」更合適。這在資料科學上也很常見。以糖尿病檢測為例，檢測可能回傳病人血漿中的葡萄糖濃度，但你真正關心的是「病人是否有糖尿病？」所以需要根據某個門檻把數值轉成邏輯值。

在 base R 中，這件事相當簡單，例如：

threshold_mmol_per_l <- 7
has_diabetes <- plasma_glucose_concentration > threshold_mmol_per_l

所有 sparklyr 的特徵轉換函式都有相似的介面。前三個引數一律是 Spark tibble、輸入欄位名稱（字串），以及輸出欄位名稱（字串）。也就是遵循下列模式：

a_tibble %>%
  ft_some_transformation("x", "y", some_other_args)

把連續變數轉為邏輯值的 sparklyr 作法是使用 ft_binarizer()。前面的糖尿病範例可以改寫如下。請注意，threshold 的值應該是數字，而不是資料集裡某個欄位的字串名稱。

diabetes_data %>%
  ft_binarizer("plasma_glucose_concentration", "has_diabetes", threshold = threshold_mmol_per_l)

依照 Spark 偏好到處使用 DoubleType 的哲學，ft_binarizer() 的輸出其實不是邏輯值，而是 numeric。這樣做有利於你在 Spark 中持續進行其他轉換；但如果你要在 R 端處理資料，就要記得明確把資料轉成邏輯值。以下是常見的程式碼樣式：

a_tibble %>%
  ft_binarizer("x", "is_x_big", threshold = threshold) %>%
  collect() %>%
  mutate(is_x_big = as.logical(is_x_big))

這個練習會使用名字有點誇張的 artist_hotttnesss 欄位，它衡量該資料集建立時某位歌手在媒體上的熱度。如果你想更進一步學習如何使用 ggplot2 套件繪圖，建議參考課程［Introduction to Data Visualization with ggplot2］(https://www.datacamp.com/courses/introduction-to-data-visualization-with-ggplot2)。