Dữ liệu kiểu Yếu tố

Yếu tố là một kiểu dữ liệu khá đặc biệt và trừu tượng của R. Để dễ hiểu hơn, ta xét thí dụ sau.

Một công ty sản xuất bánh kẹo sử dụng một số đại lý để phân phối sản phẩm cho mình. Bảng dữ liệu cho biết một số thông tin của các nhà phân phối và doanh số được tthiết lập bằng MS Excel, lưu thành tập tin BanhKeo.csv và được đưa vào R để xử lý. Nội dung bảng này như sau:(Bảng 2)

Bảng 2 Dữ liệu về nhà phân phối và doanh số của công ty XYZ

NhaPP	KhuVuc	SanPham	DoanhSo
BanDon	TayNguyen	Cracker	128
ChiCuong	TPHCM	Keo	165
ChoNoi	DBSCL	Cookie	130
DucHuy	HaNoi	Cookie	125
Dung	TPHCM	Cookie	351
LapVo	DBSCL	Keo	46
NgocAnh	TPHCM	Cracker	264
PhoNui	TayNguyen	Keo	63

Ghi chú : các thông tin trong bảng này chỉ mang tính chất minh họa, không có thực.

Trong bảng này, ta thấy biến KhuVuc được thể hiện dưới dạng chữ. Tuy nhiên, khi ta xét kiểu dữ liệu của biến này thì ta thấy như sau.

> mode(BanhKeo$KhuVuc)
[1] "numeric"

Như vậy biến này có kiểu số ?

Nếu ta dùng R để xem xét nội dung của biến này thì ta thấy:

> BanhKeo$KhuVuc
[1] TayNguyen TPHCM     DBSCL     HaNoi     TPHCM
[6] DBSCL     TPHCM     TayNguyen
Levels: DBSCL HaNoi TayNguyen TPHCM

Điều tương tự cũng xẩy ra cho các biến NhaPP và SanPham nhưng không xẩy ra cho biến DoanhSo

Nếu ta dùng hàm str để tìm hiểu cấu trúc của bảng BanhKeo, ta thu được kết quả sau

> str(BanhKeo)
'data.frame':	8 obs. of  4 variables:
 $ NhaPP  : Factor w/ 8 levels "BanDon","ChiCuong",..: 1 2 3 4 5 6 7 8
 $ KhuVuc : Factor w/ 4 levels "DBSCL","HaNoi",..: 3 4 1 2 4 1 4 3
 $ SanPham: Factor w/ 3 levels "Cookie","Cracker",..: 2 3 1 1 1 3 2 3
 $ DoanhSo: int  128 165 130 125 351 46 264 63

Ta có một số nhận xét về các kết quả này như sau:

Kiểu dữ liệu của các biến NhaPP, KhuVuc, SanPham là yếu tố (Factor)
Nội dung của biến này vẫn là các chữ, nhưng các nội dung ấy đã được mã hóa bằng các số nguyên liên tiếp, bắt đầu từ 1.
Cách mã hóa là xếp theo thứ tự mẫu tự, thí dụ "DBSCL" được mã hóa là 1, "HaNoi" được mã hóa là 2, ...
Các giá trị của biến này được gọi là các mức (level)

Vì các số đó chỉ là giá trị mã hóa nên ta không thể dùng nó để tính toán. Thí dụ:

> BanhKeo$KhuVuc[4] + 5
[1] NA
Warning message:
In Ops.factor(BanhKeo$KhuVuc[4] + 5) : '+' not meaningful for factors

Điều này xẩy ra do khi đọc các bảng dữ liệu để xử lý, R chuyển các dữ liệu ở dạng chữ thành một dạng dữ liệu được gọi là yếu tố (Factor). Dạng này có một số đặc điểm như sau:

R lưu giá trị của dữ liệu này ở dạng các số nguyên bắt đầu từ 1. Theo mặc định các số này được xếp thứ tự theo một hay một số mẫu tự của giá trị bằng chữ.
Giá trị bằng chữ được xem là nhãn (label) của giá trị bằng số.
Mỗi giá trị được xem là một mức (level) của biến.

Kiểu dữ liệu yếu tố giúp nhiều quá trình xử lý dữ liệu thuận tiện hơn như ta sẽ gặp trong chuyên đề này cũng như trong thực tế. Ta có thể chuyển kiểu dữ liệu của một biến nào đó sang kiểu yếu tố bằng hàm as.factor. Ngược lại, ta cũng có thể chuyển một biến từ kiểu yếu tố về kiểu chữ bằng hàm as.character.

Trang web này được cập nhật lần cuối ngày 25/11/2018