將連續變數轉為類別變數（2）

先前轉換的一個特例，是依變數的分位數把連續變數切成分箱。這種作法常用來分析問卷回覆或評分。如果你要受訪者從 1 到 5 顆星進行評分，中位數不一定會是 3 星。這時，把分數依分位數分組會很有幫助。舉例來說，你可以在第 0、20、40、60、80、100 百分位切分，形成 5 組五等分群。

在 base R 中可以用 cut() 搭配 quantile() 完成。sparklyr 中的對應做法是使用轉換 ft_quantile_discretizer()。它有一個 num_buckets 參數，用來決定分箱數量。以下並列示範 base R 與 sparklyr 的計算方式。和前面一樣，設定 right = FALSE 與 include.lowest。

survey_response_group <- cut(
  survey_score,
  breaks = quantile(survey_score, c(0, 0.25, 0.5, 0.75, 1)),
  labels = c("hate it", "dislike it", "like it", "love it"),
  right  = FALSE,
  include.lowest = TRUE
)
survey_data %>%
  ft_quantile_discretizer("survey_score", "survey_response_group", num_buckets = 4)

和 ft_bucketizer() 一樣，分箱結果會是從 0 開始計數的數字。如果你要在 R 中操作，請明確轉換為 factor。

本練習屬於課程

使用 R 的 sparklyr：Spark 入門

檢視課程

練習說明

已為你建立名為 spark_conn 的 Spark 連線。連到 Spark 中曲目中繼資料的 tibble 已預先定義為 track_metadata_tbl。duration_labels 是描述時間長度的字元向量。

從 track_metadata_tbl 建立名為 familiarity_by_duration 的變數。
- 選取 duration 與 artist_familiarity 欄位。
- 使用 ft_quantile_discretizer() 以 duration 的 5 個分位分箱建立新欄位 duration_bin。
- 收集結果。
- 將 duration_bin 欄位轉成帶有標籤 duration_labels 的 factor。
繪製 artist_familiarity 依 duration_bin 的 ggplot() 盒狀圖。
- ggplot() 的第一個引數是資料，也就是 familiarity_by_duration。
- ggplot() 的第二個引數是美術對應（aesthetic），在 aes() 中放入 duration_bin 與 artist_familiarity。
- 加上 geom_boxplot() 繪出盒狀圖。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# track_metadata_tbl, duration_labels have been pre-defined
track_metadata_tbl
duration_labels

familiarity_by_duration <- track_metadata_tbl %>%
  # Select duration and artist_familiarity
  ___ %>%
  # Bucketize duration
  ___ %>%
  # Collect the result
  ___ %>%
  # Convert duration bin to factor
  ___

# Draw a boxplot of artist_familiarity by duration_bin
ggplot(___, aes(___, ___)) +
  ___()

編輯並執行程式碼