讯享网

目的

• 在导入 SPSS Stata 等格式时，提供统一的处理标签的接口；
• 在输出表格时提供对标签的自动化处理；

什么是标签

SPSS 和 Stata 的用户最熟悉标签：

• 变量标签

gender `性别` 

age    `年龄`

• 数值标签

gender:

    1 = 男性

    2 = 女性

R 中如何处理标签

首先，data.frame 没有变量标签的概念（attr 另外再说），变量名行使标签的功能：

table(dt$`性别`)

# 如果标签有空格

table(dt$`a variable`)

其次，可用 factor 提供数值标签功能（factor 其实就等价于字符型）：

levels(df$`性别`) <- c('男', '女')

R 包对标签的处理

通过对象属性设置来保存标签：

• foreign

attr(df, 'variable.labels') # 变量标签

attr(var, 'value.labels')   # 数值标签

• haven

和 foreign 道理一样，只不过命名方式不同。此外，haven 把变量标签和数值标签都作为变量的属性，而在 foreign 中，变量标签是 data.frame 的属性，数值标签才是变量的属性。

attr(var, 'label')

attr(var, 'labels')

显示在 RStudio 中是这样的：

ezdf 提供统一的数据导入接口

• 对数据导入提供统一接口，封装 foreign、haven 等包的导入函数；
• 修正一些 bug，例如：

导入 Stata 数据

导入 Stata 数据使用 readStata() 函数：

library(ezdf)

dat <- readStata('CGSS2013（居民问卷）发布版_2014.dta', encoding = 'GB2312') # View(dat) 

 # 参数 `encoding` 设置 Stata 标签的编码，该参数默认值为 UTF-8。 

# 有的 Stata 数据对变量名以及字符变量（string）的值都采用不同编码，对于这种情况， 

# 需分别设置 `varNameEncoding` 和 `charEncoding`。 dat <- readStata('CGSS2013（居民问卷）发布版_2014.dta', encoding = 'GB2312',                                   varNameEncoding = 'UTF-8', charEncodin = 'UTF-8')

导入 SPSS 数据

导入 SPSS 数据使用 readSPSS() 函数

# 参数 `lib` 设置导入所使用的 R 包，目前支持 `foreign` 和 `haven`。

readSPSS(file, lib = "foreign", ...)

将 data.frame 转换为 ezdf

用 as.ez(dt, meta) 创建一个新的 ez.data.frame 对象

data(iris)

library(ezdf)

d1 = as.ez(iris) class(d1) 

[1] "ez.data.frame" "data.table"    "data.frame"

ezdf 对标签的设置

变量标签

• 变量标签存储在 meta 属性当中；
• meta 可为 data.frame 或 matrix 类型对象：至少包括两列：第一列为变量名，第二列为变量标签。

两个辅助函数：

- `setmeta()`

- `getmeta()`

d1$test = sample(5, size = nrow(iris), replace = T)

# 对新变量 test 设置变量标签 

setmeta(d1, data.frame(var= 'test', lbl = '这是新变量标签')) 

# 显示数据 d1 的全部变量标签 attr(d1, 'meta') 

    var            lbl 

1: test 这是新变量标签 

# 或者 

getmeta(d1) 

    var            lbl 

1: test 这是新变量标签

varLabels(d1, c('Species', 'test')) [1] ""               "这是新变量标签" 

# 用 default = "var" 只输出带有标签的变量 

varLabels(d1, c('Species', 'test'), default = "var") 

[1] "Species"        "这是新变量标签" 

 # 返回所有已定义的变量标签 

varLabels(d1) 

    var            lbl 

1: test 这是新变量标签

单独设置部分变量标签

# 设置变量标签

varLabels(d1, "test") <- "新标签"

varLabels(d1, "test")

  [1] "新标签"

数值标签

数值标签的存储采用命名整数向量作为变量的 labels 属性

# 定义一个数值标签

c(C1 = 1, C2 = 2, C3 = 3, MI = 9)

• valueLabels()

vl1 = valueLabels(d1, 'test')

vl1

list() 

attr(,"class") 

[1] "value.labels" 

attr(,"ez") 

[1] "d1" 

attr(,"col") 

[1] "test" 

# 数值标签可以“加减”。 

# 注意： MI=9 设了一个不存在的值标签 

vl2 = vl1 + c("Class1"=1, "Class2"=2, "Class3"=3, 'Class4'=4, 'Class5' = 5, MI = 9, MM = 8) valueLabels(d1, 'test') = vl2

制表函数

tbl()

tbl(d1, ~test)

   test\t新标签  N

1:    1++Class1 25 

2:    2++Class2 37

3:    3++Class3 23

4:    4++Class4 25

5:    5++Class5 40

---

# 分组求均值，添加样本数

tbl(d1, Sepal.Length ~ Species + test, 'mean', N = T)

       Species test\t新标签 Sepal.Length  N 

 1:     setosa    1++Class1     5. 12 

 2:     setosa    2++Class2     4. 13 

 3:     setosa    3++Class3     5.  5 

 4:     setosa    4++Class4     5.044444  9 

 5:     setosa    5++Class5     4. 11 

 6: versicolor    1++Class1     5.  4 

 7: versicolor    2++Class2     5. 12

   8: versicolor    3++Class3     5. 12 

 9: versicolor    4++Class4     6.  7 

10: versicolor    5++Class5     5. 15 

11:  virginica    1++Class1     6.  9 

12:  virginica    2++Class2     6. 12 

13:  virginica    3++Class3     6.  6 

14:  virginica    4++Class4     6.  9 

15:  virginica    5++Class5     6. 14

---

# tbl() 默认按照公式右端 x 的值排序，如果取消排序

tbl(d1, Sepal.Length ~ Species + test, 'mean', N = T, sort = F) 

       Species test\t新标签 Sepal.Length  N 

 1:     setosa    4++Class4     5.044444  9 

 2:     setosa    5++Class5     4. 11 

 3:     setosa    1++Class1     5. 12 

 4:     setosa    2++Class2     4. 13 

 5:     setosa    3++Class3     5.  5 

 6: versicolor    4++Class4     6.  7 

 7: versicolor    2++Class2     5. 12

 8: versicolor    5++Class5     5. 15 

 9: versicolor    3++Class3     5. 12 

10: versicolor    1++Class1     5.  4 

11:  virginica    4++Class4     6.  9 

12:  virginica    5++Class5     6. 14 

13:  virginica    2++Class2     6. 12 

14:  virginica    1++Class1     6.  9 

15:  virginica    3++Class3     6.  6

ctbl()

ctbl() 是对 table() 的封装，采用 ctbl(ez, expr) 的调用方式。

ctbl(d1, Sepal.Length ~ Species + test)

# 等价于

table(d1$Sepal.Length, d1$Species, d1$test)

ftable()

ftable.ez.data.frame() 方法是对 ftable() 的封装

ftable(ez, formula, style = 1, prop_margin = 1, ...)

• prop_margin： 行百分比 / 列百分比；
• style = 1：输出频次；
• style = 2：输出百分比；
• style = 3：输出百分比和行加总频次。

ftable(d1, Species~test) 

##            

                setosa     versicolor     virginica 

  1++Class1     12          4         9 

  2++Class2     13         12        12 

  3++Class3      5         12         6 

  4++Class4      9          7         9 

  5++Class5     11         15        14

---

ftable(d1, Species~test, style = 2)

            

                       setosa     versicolor     virginica 

  1++Class1 0.  0. 0. 

  2++Class2 0.  0. 0.

  3++Class3 0.  0. 0. 

  4++Class4 0.  0. 0. 

  5++Class5 0.  0. 0.

---

(t1 = ftable(d1, Species~test, style = 3))

                     setosa        versicolor    virginica  N 

1++Class1 0.  0. 0. 25 

2++Class2 0.  0. 0. 37 

3++Class3 0.  0. 0. 23 

4++Class4 0.  0. 0. 25 

5++Class5 0.  0. 0. 40

与 markdown 流程整合

• pander 是用于 markdown 格式输出的 R 包，提供了非常丰富的表格输出功能
• 在加载 ezdf 包之后，会自动与 pander 包结合，实现自动标签输出

# pander 输出

library(pander) pander(t1, ez = d1)

这是输出的 markdown 结果：

---------------------------------------------------- 

   &nbsp;       setosa   versicolor   virginica   N  

--------------- -------- ------------ ----------- ---  

1++Class1    0.48       0.16        0.36     25 

 2++Class2   0.3514     0.3243      0.3243    37

3++Class3   0.2174     0.5217      0.2609    23 

 4++Class4    0.36       0.28        0.36     25 

 5++Class5   0.275      0.375        0.35     40

 -----------------------------------------------------

最终输出效果：

pander 与回归结果输出：

# 加上数值标签

options('ezdfKeepVal' = T)

pander(tbl(dat, a66 ~ s5a, 'mean'))

---------------------------------------------------------  

s5a 受访者居住的地区类型是   a66 您家是否拥有家用小汽车 

---------------------------- ----------------------------    

1++市/县城的中心地区                1.761                

2++市/县城的边缘地区                1.775               

3++市/县城的城乡结合部               1.809                

4++市/县城区以外的镇                1.859                      

5++农村                       1.919            

---------------------------------------------------------

数值与标签之间分隔符

options('ezdfValueLabelSep' = '=')

pander(tbl(dat, a66 ~ s5a, 'mean'))

--------------------------------------------------------- 

s5a 受访者居住的地区类型是   a66 您家是否拥有家用小汽车 

---------------------------- ----------------------------    

1=市/县城的中心地区                 1.761                

2=市/县城的边缘地区                 1.775               

3=市/县城的城乡结合部                1.809                

4=市/县城区以外的镇                 1.859                       

5=农村                       1.919             

---------------------------------------------------------

回归模型的输出：

m1 = lm(a6 ~ a2 + a10, dat)

pander(m1)

这是通过 markdown 输出转成 pdf 后的效果，没有任何手工干预（pandoc 在输出小数点时，还有一点瑕疵，比如小数点位数不统一，不过本人 github 上的版本已经修正了这个问题）。

表格输出选项

目前提供三个选项：

• options('ezdfKeepVal' = T)
• options('ezdfValueLabelSep' = '=')
• options('ezdfKeepVarName' = T)

options('ezdfKeepVal' = T)

options('ezdfValueLabelSep' = '=') 

options('ezdfKeepVarName' =  F) 

tbl(d1, ~test) 

     新标签  N 

1: 1=Class1 25 

2: 2=Class2 37 

3: 3=Class3 23 

4: 4=Class4 25 

5: 5=Class5 40 

pander(tbl(d1, ~test))

options('ezdfKeepVarName' =  T)

options('ezdfValueLabelSep' = '++') 

pander(tbl(d1, ~test))

下载与安装

github: https://github.com/huashan/ezdf