Vaak moeten we data wijzigen of transformeren op basis van verschillende mogelijke condities. We kunnen dit doen met de case_when() functie uit het dplyr package.
We zullen het gebruik van deze functie illustreren met behulp van een dataset met GPA-cijfers beschikbaar in het openintro package.
Het dataframe bevat de variabelen gpa en study_hours voor een steekproef van 193 studenten die in 2012 een inleidende cursus statistiek volgden aan een particuliere Amerikaanse universiteit. De gegevens zijn hieronder weergegeven als tibble:
library(openintro) # In dit package is de dataset gpa_study_hours opgenomen
library(tidyverse) # Nodig om een tibble te kunnen maken en weergeven
as_tibble(gpa_study_hours)# A tibble: 193 × 2
gpa study_hours
<dbl> <dbl>
1 4 10
2 3.8 25
3 3.93 45
4 3.4 10
5 3.2 4
6 3.52 10
7 3.68 24
8 3.4 40
9 3.7 10
10 3.75 10
# ℹ 183 more rowsStel dat we de numerieke “gpa”-scores willen hercoderen naar een karaktervariabele “grades” die de letter “A” als hoogste cijfer hanteert. Omwille van de eenvoud maken we geen onderscheid in A+, A, A-, enz. maar richten we ons alleen op “hele cijfers” (A, B, C, enz.).
Volgens een gangbare cijferomrekening willen wij dat de uitkomst is: A (GPA tussen 3,7 - 4,0), B (2,7 - 3,3), C (1,7 – 2,3), D (1,0 – 1,3). De letter F als cijfer komt overeen met een 0,0 GPA. Onze hercoderingsregels zijn dus:
case_when() werkt door aan twee “kanten” informatie te geven: aan de “linkerkant” staat een conditie en aan de “rechterkant” hebben we de waarde als deze voorwaarde waar is. Beide worden gescheiden door een tilde (~):
case_when(conditie ~ waarde)Er zijn een aantal belangrijke functies en operatoren die nuttig zijn bij het construeren van de expressies die worden gebruikt om de gegevens te hercoderen:
== betekent “gelijk aan”
!= betekent “niet gelijk aan”.
< betekent “kleiner dan”
> betekent “groter dan”
<= betekent “gelijk aan of kleiner dan”
>= betekent “gelijk aan of groter dan”
& betekent “EN”.
| betekent “OF”.
! betekent “NIET”.
Om case_when() te gebruiken, moeten we R vertellen waar het resultaat moet worden opgeslagen: ofwel door het resultaat toe te wijzen aan de huidige variabele, ofwel door het toe te wijzen aan een nieuwe variabele in onze hercoderingsprocedure. Hiervoor gebruiken we mutate(). Het is erg belangrijk dat je een nieuwe variabele specificeert met mutate() tijdens het hercoderen (of een bestaande variabele die wordt overschreven). Anders weet R niet waar het de nieuwe, hergecodeerde gegevens moet plaatsen.
Met behulp van onderstaande code kunnen we het numerieke cijfer hercoderen naar een letter (grade) van A t/m F:
gpa_study_hours <- gpa_study_hours |>
mutate(gpa_grade = case_when(
gpa >= 3.7 ~ "A",
gpa >= 2.7 ~ "B",
gpa >= 1.7 ~ "C",
gpa >= 1.3 ~ "D",
gpa < 1.3 ~ "F")) # Let op de twee haakjes: één om case_when af te sluiten en één om mutate af te sluiten
gpa_study_hours# A tibble: 193 × 3
gpa study_hours gpa_grade
<dbl> <dbl> <chr>
1 4 10 A
2 3.8 25 A
3 3.93 45 A
4 3.4 10 B
5 3.2 4 B
6 3.52 10 B
7 3.68 24 B
8 3.4 40 B
9 3.7 10 A
10 3.75 10 A
# ℹ 183 more rowsgpa_study_hours <-Dit eerste deel van de code zegt dat we het bestaande dataframe gpa_study_hours overschrijven.
gpa_study_hours |>Dit deel van de code geeft aan dat we werken met de gpa_study_hours dataset. |> is the pipe operator.
mutate(gpa_grade = case_when(Hier creëren we een nieuwe variabele genaamd gpa_grade met behulp van mutate(). De inhoud van de nieuwe variabelen bepalen we met case_when(. Voor je eigen gegevens moet je de naam van de nieuwe variabele veranderen.
gpa >= 3.7 ~ "A",Hier beginnen we met het specificeren van onze condities en de bijbehorende waardes. Als de GPA scores (variabele gpa) gelijk is aan of groter dan 3,7, wordt de uitkomstvariabele (gpa_grade) gelijk aan "A" (let op de aanhalingstekens rond de letter).
Noot: de algemene vorm is dus conditie ~ waarde . Meerdere statements worden gescheiden door een komma.
gpa >= 2.7 ~ "B", gpa >= 1.7 ~ "C", gpa >= 1.3 ~ "D",Hier gaan we verder met het specificeren van onze condities en de bijbehorende waarden. Elke nieuwe regel betekent in wezen “en ander als”, d.w.z. anders als gpa gelijk is aan of groter dan 2,7 wijs een "B" toe, anders als gpa gelijk is aan of groter dan 1,7 wijs een "C" toe, enzovoorts.
gpa < 1.3 ~ "F"))Ten slotte bepalen wij dat de letter F moet worden toegekend aan alle gpa-waarden kleiner dan 1,3.
Als geen van de bovenstaande condities waar is (bijvoorbeeld als gpa een missende waarde (NA) heeft), dan geeft case_when een missende waarde (NA) voor die casus.
De case_when() functie is zeer veelzijdig en kan gebruikt worden om verschillende situaties aan te pakken. Het is bijvoorbeeld mogelijk om verschillende statements met elkaar te combineren met behulp van “AND” of “OR” statements. Wie meer wil weten, kan de RDocumentatie van het package bekijken hier.
We zullen meestal te maken krijgen met het hercoderen van numerieke variabelen of karaktervariabelen. Zorg ervoor dat je aanhalingstekens gebruikt rond karaktervariabelen. Als je bijvoorbeeld de karaktervariabele gpa_grade wilt hercoderen naar een numerieke variabele gpa_num (die de waarden 1, 2, 3, 4, 6 heeft), dan schrijf je:
gpa_study_hours <- gpa_study_hours |>
mutate(gpa_num = case_when(
gpa_grade == "A" ~ 1,
gpa_grade == "B" ~ 2,
gpa_grade == "C" ~ 3,
gpa_grade == "D" ~ 4,
gpa_grade == "F" ~ 6))gpa_study_hours <-Dit eerste deel van de code geeft aan dat we de bestaande dataframe gpa_study_hours overschrijven.
gpa_study_hours |>Dit deel van de code geeft aan dat we werken met de gpa_study_hours dataset. |> is the pipe operator.
mutate(gpa_num = case_when(Hier creëren we een nieuwe variabele genaamd gpa_num met behulp van mutate(). De inhoud van de nieuwe variabelen bepalen we met case_when(. Voor je eigen gegevens moet je de naam van de nieuwe variabele veranderen.
gpa_grade == "A" ~ 1,Hier beginnen we met het specificeren van onze condities en de bijbehorende uitvoerwaarden. Omdat gpa_grade een karaktervariabele is, gebruiken we dubbele aanhalingstekens. Het GPA-cijfer "A" moet worden gehercodeerd in het getal 1 (zonder aanhalingstekens).
gpa_grade == "B" ~ 2, gpa_grade == "C" ~ 3, gpa_grade == "D" ~ 4,Hier gaan we verder met het specificeren van onze condities en bijbehorende waarden.
gpa_grade == "F" ~ 6))Tenslotte geven we aan dat het cijfer 6 moet worden toegekend aan alle waarden met een "F" in gpa_grade.
Als je een numerieke variabele wilt hercoderen naar een numerieke variabele, gebruik je natuurlijk geen aanhalingstekens. Die worden alleen gebruikt als één van de variabelen een tekenvariabele is.
De voorwaarden gebruikt door case_when kunnen verwijzen naar meerdere variabelen. In het onderstaande voorbeeld willen we een variabele cum laude berekenen, die gelijk is aan 1 wanneer de gpa 3,3 of hoger is en het aantal studie-uren meer dan 30 bedraagt, en anders gelijk is aan 0:
gpa_study_hours <- gpa_study_hours |>
mutate(cum_laude = case_when(
gpa >= 3.3 & study_hours > 30 ~ 1,
gpa >= 3.3 ~ 0,
gpa < 3.3 ~ 0))mutate(cum_laude = case_when(Hier creëren we een nieuwe variabele genaamd cum_laude met behulp van mutate().
gpa >= 3.3 & study_hours > 30 ~ 1,Onze eerste voorwaarde is dat gpa 3.3 of hoger moet zijn en dat study_hours groter dan 30 moet zijn. Als aan deze voorwaarde is voldaan, zal cum_laude gelijk zijn aan 1.
gpa >= 3.3 ~ 0, gpa < 3.3 ~ 0))We moeten ook de alternatieven specificeren. Ten eerste, als niet aan de vorige conditie is voldaan, maar gpa is hoger dan 3.3, wijs dan een 0 toe. Daarnaast, als niet aan de vorige conditie is voldaan, maar gpa is lager dan 3.3, wijs dan een 0 toe aan de nieuwe variabele cum_laude.
Door de eerste 10 rijen te printen en te inspecteren, kunnen we nagaan of de hercodering heeft gewerkt zoals bedoeld:
gpa_study_hours# A tibble: 193 × 5
gpa study_hours gpa_grade gpa_num cum_laude
<dbl> <dbl> <chr> <dbl> <dbl>
1 4 10 A 1 0
2 3.8 25 A 1 0
3 3.93 45 A 1 1
4 3.4 10 B 2 0
5 3.2 4 B 2 0
6 3.52 10 B 2 0
7 3.68 24 B 2 0
8 3.4 40 B 2 1
9 3.7 10 A 1 0
10 3.75 10 A 1 0
# ℹ 183 more rowsAls je met je eigen (bestaande) datasets werkt, kijk dan goed naar de ‘bestaande’ variabelen, d.w.z. de variabelen die je wilt hercoderen. Zorg ervoor dat je alle alternatieven correct specificeert, vooral als je gegevens missende waarden (NA) hebben op één (of meerdere) variabelen. Na hercodering raden wij je aan de uitkomstvariabele zorgvuldig te inspecteren om te zien of de uitkomst precies is zoals je hem bedoeld had. Dat kan bijvoorbeeld door een kruistabel te maken van de oude en nieuwe variabele.