将连续变量转换为分类型（1）

对前一思路的一般化是使用多个阈值；也就是说，像直方图一样，将一个连续变量切分为若干"桶"（或"箱"）。在 base R 中，您可以使用 cut() 完成此任务。例如，在一项关于吸烟习惯的研究中，您可以取每天通常吸烟的支数，并将其转换为一个因子。

smoking_status <- cut(
  cigarettes_per_day,
  breaks = c(0, 1, 10, 20, Inf),
  labels = c("non", "light", "moderate", "heavy"),
  right  = FALSE
)

在 sparklyr 中的等价做法是使用 ft_bucketizer()。其代码形式与 ft_binarizer() 类似，但这一次您需要在 splits 参数中传入一个切分点向量。下面是用 sparklyr 风格改写的同一示例。

smoking_data %>%
  ft_bucketizer("cigarettes_per_day", "smoking_status", splits = c(0, 1, 10, 20, Inf))

需要注意几件重要的事。您也许已经发现，cut() 的 breaks 参数与 ft_bucketizer() 的 splits 参数含义相同。两者在边界值的处理上略有不同：在 cut() 中，默认每个区间包含右边界而不包含左边界；而 ft_bucketizer() 包含左（下）边界而不包含右边界。这等价于在调用 cut() 时设置 right = FALSE。

一个例外是，对最上面的区间，ft_bucketizer() 会同时包含两个边界的值。因此，在使用 cut() 时将 include.lowest = TRUE，也与 ft_bucketizer() 等价。

最后要注意的是，cut() 返回的是因子，而 ft_bucketizer() 返回的是 numeric 向量：第 1 个区间的值为 0，第 2 个区间为 1，第 3 个区间为 2，依此类推。如果您希望在 R 中对结果继续处理，需要显式转换为因子。这是一种常见的代码模式：

a_tibble %>%
  ft_bucketizer("x", "x_buckets", splits = splits) %>%
  collect() %>%
  mutate(x_buckets = factor(x_buckets, labels = labels))

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

已经为您创建了名为 spark_conn 的 Spark 连接。一个附加到存储于 Spark 的曲目信息的 tibble 已预定义为 track_metadata_tbl。decades 是从 1920、1930、…、到 2020 的数值序列，decade_labels 是这些年代的文本描述。

从 track_metadata_tbl 创建名为 hotttnesss_over_time 的变量。
- 选择 artist_hotttnesss 和 year 字段。
- 将 year 列转换为 numeric。
- 使用 ft_bucketizer() 创建新字段 decade，并用 decades 对年份进行切分。
- 收集结果。
- 将 decade 字段转换为因子，并使用标签 decade_labels。
绘制按 decade 展示 artist_hotttnesss 的 ggplot() 柱状图。
- ggplot() 的第一个参数是数据参数 hotttnesss_over_time。
- ggplot() 的第二个参数是映射美学，需要将 decade 和 artist_hotttnesss 放入 aes() 中。
- 添加 geom_boxplot() 来绘制箱线图。

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, decades, decade_labels have been pre-defined
track_metadata_tbl
decades
decade_labels

hotttnesss_over_time <- track_metadata_tbl %>%
  # Select artist_hotttnesss and year
  ___ %>%
  # Convert year to numeric
  ___ %>%
  # Bucketize year to decade using decades vector
  ___ %>%
  # Collect the result
  ___ %>%
  # Convert decade to factor using decade_labels
  ___

# Draw a boxplot of artist_hotttnesss by decade
ggplot(___, aes(___, ___)) +
  ___()

编辑并运行代码