将连续变量转换为逻辑型

逻辑变量很有用，因为相较于数值，很多时候用"是或否"的方式来思考问题更直观。例如，如果有人问您"您想来一杯茶吗？"，用"是"或"否"来回答比"我有 0.73 的概率想要一杯茶"更合适。在数据科学中也是如此。例如，糖尿病检测可能返回患者血浆中的葡萄糖浓度这一数值。但您真正关心的是"患者是否患有糖尿病？"。因此，您需要基于某个阈值将该数值转换为逻辑值。

在 base R 中，这件事相当简单，可以像这样实现：

threshold_mmol_per_l <- 7
has_diabetes <- plasma_glucose_concentration > threshold_mmol_per_l

所有 sparklyr 的特征变换函数都有类似的接口。前三个参数始终是一个 Spark tibble、一个输入列名字符串和一个输出列名字符串。也就是说，它们遵循如下模式。

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

将连续变量转换为逻辑型的 sparklyr 方法是使用 ft_binarizer()。前面的糖尿病示例可以改写如下。请注意，阈值应为数值，而不是数据集中某个列名的字符串。

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

遵循 Spark 到处使用 DoubleType 的理念，ft_binarizer() 的输出其实并非逻辑型，而是 numeric。这有利于您继续在 Spark 中进行其他变换；但如果要在 R 中处理数据，就需要记得显式地转换为逻辑型。下面是常见的代码模式。

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

本练习将使用名字相当"奇特"的 artist_hotttnesss 字段，它衡量的是在数据集创建时艺术家的媒体热度。如果您想进一步学习如何使用 ggplot2 包作图，欢迎学习课程Introduction to Data Visualization with ggplot2。

本练习是课程的一部分

R 中使用 sparklyr 的 Spark 入门

查看课程

练习说明

我们已为您创建了名为 spark_conn 的 Spark 连接。基于存储在 Spark 中的曲目信息，已预先定义了一个 tibble：track_metadata_tbl。

从 track_metadata_tbl 创建变量 hotttnesss。
- 选择 artist_hotttnesss 字段。
- 使用 ft_binarizer() 创建新字段 is_hottt_or_nottt，当 artist_hotttnesss 大于 0.5 时其值为真。
- 收集结果。
- 将 is_hottt_or_nottt 字段转换为逻辑型。
绘制 is_hottt_or_nottt 的 ggplot() 条形图。
- ggplot() 的第一个参数是数据，即 hotttnesss。
- ggplot() 的第二个参数是映射，将 is_hottt_or_nottt 放入 aes() 中。
- 添加 geom_bar() 绘制条形。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# track_metadata_tbl has been pre-defined
track_metadata_tbl

hotttnesss <- track_metadata_tbl %>%
  # Select artist_hotttnesss
  ___ %>%
  # Binarize to is_hottt_or_nottt
  ___ %>%
  # Collect the result
  ___ %>%
  # Convert is_hottt_or_nottt to logical
  ___

# Draw a barplot of is_hottt_or_nottt
ggplot(___, aes(___)) +
  ___()

编辑并运行代码