R Machine Learning | R 機器學習

 

人類自從有電腦以來，每一天都不斷進步，硬體從龐大的機器，到現在量子電腦等~使用方式從最基本的整理資料，到現在進入Artificial Intelligence(AI)，透過電腦進行學習、辨識，每天不斷增長的數據量體，是電腦進行學習非常重要的資源，但是一定要有海量數據才能進行嗎?答案是否定的，有一些基本的演算方式可以進行基礎的機器學習，從等級來看機器學習 < 深度學習 < 人工智慧，小雷當初上Python課程時有一部分的課程就是AI，從基本神經元理論到Algorithm演算法，腦袋一開始裝了太多東西，雖然有一堆筆記，但並沒有吸收的很好。

開始進行數據分析的進程時有想過，如果數據清理完成能夠加入機器學習去模擬一些情況，是否分析的結果會更貼近真實心理反應?所以也重新把AI相關的書籍拿出來研讀，部落格文章慢慢的會加入機器學習的成分，除了自我筆記外，也希望可以將分析結合機器學習，達到更完整的分析成果。

目前在AI、機器學習不管是Tensorflow、scikit-learn、Keras，都是很多神人大大團隊建立的，雖然很好學習，載入模組就可以使用，但是小雷在學習上一直有個缺點，就是沒有辦法了解當中的運作時，會學不起來😰，所以打算先以基本的理論著手，若是能夠以基本演算方式可以有成果，那未來進行這些模組時，才知道怎麼運用，會先用R熟悉之後，再進入到Python模組進行。

一開始直接進入到AI有點過頭，所以從基礎開始一步一步來，機器學習裡面最簡易的大概就算是KNN演算方式，KNN全名為 : K Nearest Neighbor(有K個最接近的鄰居)，透過點對點公式計算需要預測的點有哪個鄰居是最相近的，概念有點像誰跟誰一國，所以用甚麼應該是一樣的😂，在心理學上有類似的模式，像是群聚效益、跟隨心理等等，不敢說完全正確，但確實有相對應的效果在。

機器學習相關文章也會陸續寫好放上來，相關文章連結如下，不定時更新

R Machine Learning Predict Product - KNN | R 機器學習預測商品 - KNN >> 文章請點我

R Machine Learning Predict Product - KNN | R 機器學習預測商品 - KNN

 

開始進入機器學習的領域，這真的是很有趣的部分，這次要透過基本的程式語言進行KNN的演算編輯，之後再來加入模組進行演算，看看會不會差太多😆，其實用到的函數不多，出來的結果也是很耐人尋味，數據集可以不斷增加，相似度的結果也會出現更多有趣的事情，本篇以年齡、收入做比對模擬可以推薦的手機品牌(Apple, Android)，沒有任何的歧視意味，開始建立數據集時只是以直覺填入。

KNN需要的一些基本數學公式

• 點A到點B距離公式 : |AB|  = √(x1 - x2)² + (y1 - y2)²
• 標準差 : R有基本函數可以用`sd()`
• 平均值 : 函數`mean()`
• 單位標準化 : 原始數值 - 平均值 / 標準差
• 相似度 : 函數`sqrt()`

數據集可以自己建立，小雷是建立一個.csv檔案，裡面可以透過其他欄位進行相似比對

完整的程式碼也會放在Github，有需要可以自行取用

小雷的Github >> 請點我

載入R包

library(tidyverse)

library(dplyr)

library(ggplot2)

載入數據位置與數據集

 ====================================================

# Phase1 : Import data

# 階段1 : 載入數據

# ====================================================

# 載入數據集位置

setwd("D:\\Github_version_file_R\\data_set\\marchine_learning_data\\KNN")

# Import learning data載入已知數據集

knn_df <- read.csv("machine_learn_R.csv")

knn_df

# 數據集內容

r$> knn_df X name age_year income_million gender live_area buy_product date 1 1 Abe 25 102 male taipei apple 2021/12/20 2 2 Abraham 33 66 male taichung apple 2022/1/15 3 3 Ivan 53 53 male Tainan android 2022/1/23 4 4 Freda 65 70 female Hsinchu apple 2022/2/25 5 5 Geraldine 28 28 female Tainan android 2022/2/1 6 6 Grace 37 36 female Changhua android 2021/10/30 7 7 Joanne 44 41 female taipei android 2021/11/5 8 8 Maria 33 55 female Tainan apple 2021/11/13 9 9 Ozzie 49 68 male Hsinchu apple 2022/3/30 10 10 Pete 30 35 male taichung android 2022/3/1 11 11 Mary 47 44 male Hsinchu android 2022/3/25 12 12 Liv 35 55 male taipei apple 2022/3/12 13 13 Mark 45 77 female Tainan apple 2022/2/1 14 14 Jason 55 76 female Tainan apple 2022/1/1 15 15 Rose 35 80 female taichung apple 2022/1/3 16 16 Fra 55 30 male taichung android 2022/2/5 17 17 Nane 45 55 female Hsinchu apple 2021/12/15 18 18 Nami 34 26 male taichung android 2021/11/5 19 19 Chris 22 12 male taipei apple 2022/10/1 20 20 Bob 33 36 male Tainan android 2021/11/23

自定義想要模擬的預測數據

# ====================================================

# Phase2 : Create forecast data

# 階段2 : 創建需預測數據

# ====================================================

# Define forecast age、income 自定義年齡與收入

age <- as.numeric(readline(prompt = "請輸入年齡 : "))

income <- as.numeric(readline(prompt = "請輸入年收入/萬元 : "))

# Create forecast data建立需預測數據

predict_df <- tibble::tribble(

    ~name, ~age, ~income,

    "Rex", age, income # 導入輸入的年齡與收入

)

# 自訂義輸入

r$> age <- as.numeric(readline(prompt = "請輸入年齡 : ")) income <- as.numeric(readline(prompt = "請輸入年收入/萬元 : ")) 請輸入年齡 : 30 請輸入年收入/萬元 : 40

將原始數據集內容與想預測的數據圖擺再一起查看關聯

# ====================================================

# Phase3 : Correlation diagram

# 階段3 : 畫出關聯圖

# ====================================================

# Correlation diagram between forecast data and learning data

# 繪製測試圖表與預測數據的關聯性

ggplot(

    data = knn_df, # 畫出原始的數據集圖

    mapping = aes(

        x = age_year,

        y = income_million,

        color = buy_product

    )

) +

    geom_point() +

    geom_point(

        x = predict_df$age, # 將測試的數據畫上去

        y = predict_df$income,

        color = "black",

        size = 5

    )

導入所有公式計算

# ====================================================

# Phase4 : Calculate the values required for KNN learning

# 階段4 : 計算出KNN機器學習所需數據

# ====================================================

# Calculate frature avg、sd 計算特徵的平均值與標準差

avg_age <- mean(knn_df$age_year) # age avg

sd_age <- sd(knn_df$age_year) # income sd

avg_income <- mean(knn_df$income_million) # income avg

sd_income <- sd(knn_df$income_million) # income sd

# Change col type 調整欄位型態

knn_df$age_year <- as.numeric(knn_df$age_year) # convert to num

knn_df$income_million <- as.numeric(knn_df$income_million) # convert to num

# Unit standardization and create knn_df cols  knn_df進行單位標準化

knn_df <- knn_df %>%

    mutate( # 平均年收減平均年齡除以年齡標準差，

    # Average annual income minus average age divided by

    # the standard deviation of age

        age_stand = (knn_df$age_year - avg_age) / sd_age,

        income_stand = (knn_df$income_million - avg_income) / sd_income

    )

# simulation_df進行單位標準化

predict_df <- predict_df %>%

    mutate(

        age_stand = (predict_df$age - avg_age) / sd_age,

        income_stand = (predict_df$income - avg_income) / sd_income

    )

# Create similarity col knn_df增加相似度欄位

knn_df <- knn_df %>%

    mutate(

        similarity = (

            sqrt((predict_df$age_stand - knn_df$age_stand)^2 +

                (predict_df$income_stand - knn_df$income_stand)^2)

            )

    )

看一下目前結果

# 想要預測的

predict_df

# 結果輸出

r$> predict_df # A tibble: 1 x 5 name age income age_stand income_stand <chr> <dbl> <dbl> <dbl> <dbl> 1 Rex 30 40 -0.889 -0.545

# 原始數據集

knn_df

r$> knn_df X name age_year income_million gender live_area buy_product date 1 1 Abe 25 102 male taipei apple 2021/12/20 2 2 Abraham 33 66 male taichung apple 2022/1/15 3 3 Ivan 53 53 male Tainan android 2022/1/23 4 4 Freda 65 70 female Hsinchu apple 2022/2/25 5 5 Geraldine 28 28 female Tainan android 2022/2/1 6 6 Grace 37 36 female Changhua android 2021/10/30 7 7 Joanne 44 41 female taipei android 2021/11/5 8 8 Maria 33 55 female Tainan apple 2021/11/13 9 9 Ozzie 49 68 male Hsinchu apple 2022/3/30 10 10 Pete 30 35 male taichung android 2022/3/1 11 11 Mary 47 44 male Hsinchu android 2022/3/25 12 12 Liv 35 55 male taipei apple 2022/3/12 13 13 Mark 45 77 female Tainan apple 2022/2/1 14 14 Jason 55 76 female Tainan apple 2022/1/1 15 15 Rose 35 80 female taichung apple 2022/1/3 16 16 Fra 55 30 male taichung android 2022/2/5 17 17 Nane 45 55 female Hsinchu apple 2021/12/15 18 18 Nami 34 26 male taichung android 2021/11/5 19 19 Chris 22 12 male taipei apple 2022/10/1 20 20 Bob 33 36 male Tainan android 2021/11/23 age_stand income_stand similarity 1 -1.3275207 2.21214628 2.7914426 2 -0.6265197 0.61139721 1.1856065 3 1.1259829 0.03334894 2.0966374 4 2.1774845 0.78925822 3.3444272 5 -1.0646454 -1.07828236 0.5616258 6 -0.2760192 -0.72256034 0.6386427 7 0.3373568 -0.50023408 1.2275574 8 -0.6265197 0.12227944 0.7169129 9 0.7754824 0.70032772 2.0789203 10 -0.8893951 -0.76702559 0.2223263 11 0.6002322 -0.36683833 1.5002079 12 -0.4512694 0.12227944 0.7980068 13 0.4249819 1.10051498 2.1057818 14 1.3012332 1.05604973 2.7131623 15 -0.4512694 1.23391074 1.8317772 16 1.3012332 -0.98935185 2.2353005 17 0.4249819 0.12227944 1.4739225 18 -0.5388946 -1.16721286 0.7144044 19 -1.5903961 -1.78972638 1.4288089 20 -0.6265197 -0.72256034 0.3173925

最後透過相似度將符合的數據抓出來並Print

# ====================================================

# Phase5 : Find most correlation predict product and print

# 階段5 : 找出最具相關性商品並列印

# ====================================================

# check數據

knn_df$age_stand

knn_df$income_stand

knn_df$similarity

predict_df

# 找出最接近預測數據之值

correlation_df <- min(knn_df$similarity)

# 輸出結果

r$> correlation_df [1] 0.2223263

# 確定符合數值的數據位置

accord_loc <- which(knn_df$similarity == correlation_df)

# 輸出結果

r$> accord_loc [1] 10

# 存入符合的數據列

predict_product <- knn_df[accord_loc:accord_loc, ]

# 輸出結果

r$> predict_product X name age_year income_million gender live_area buy_product date 10 10 Pete 30 35 male taichung android 2022/3/1 age_stand income_stand similarity 10 -0.8893951 -0.7670256 0.2223263

# 印出預測商品

cat("依照年齡與年收入預測商品為 : ", predict_product$buy_product)

# 輸出結果

r$> # 印出預測商品 cat("依照年齡與年收入預測商品為 : ", predict_product$buy_product) 依照年齡與年收入預測商品為 : android

當然這樣做每次預測都要重跑一次，數據集大了跑的速度也會很慢，這只是以基本公式怎麼去寫出預測的演算方式，可以做個GUI是最好啦~若有任何錯誤之處，也請各位大大不吝指教!

圖片出處引用 : 由 Antti Ajanki AnAj - 自己的作品, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=2170282

所有文章連接

 

Hi I’m Rex

 

在這個小小的地方，有著小雷學習數據分析、人工智慧、解題網站與編程的筆記，語言包含R、Python，也有列出Git、Github版本控制的資訊，寫這個部落格筆記原始的想法是因為用來寫筆記的軟體內容太多了，沒有甚麼時間去整理的更有條理，寫些文章做個備份，順便自我複習，小雷本身並不是資訊科出身的，所以寫的方式偏向一般大眾會看得懂的方式，也讓自己學習時更好理解，若是內容有誤，也請不吝指正，各個項目的連結逐一列出，感興趣的朋友請連結觀看!

 

數據分析的介紹文章 >> 請點我

R語言的介紹文章 >> 請點我

HackerRank解題文章 >> 請點我

Git、Github相關 >> 請點我

機器學習相關 >> 請點我

 

 

不定時會將整理好的筆記寫出來，慢慢增加文章的量體，希望也可以幫助到正在學習程式語言、數據分析的朋友

HackerRank by Python | HackerRank解題

 

會用HackerRank是因為Python是小雷第一個接觸的程式語言，雖然開啟了程式語言的道路，但是Python的通用性太廣了，可以做網頁、App、遊戲、資料科學、AI、影像等等..每個領域所用的模組都不一樣，函數不一樣，剛開始學習時說實在的完全聽不懂，根本搞不清楚函數的用法，參數甚麼的，所以Python學的很差，到接觸數據分析的R，才又對程式編程有比較深入的了解，也開始數據分析的進行，但並不想因為時間的關係荒廢了Python的學習，有空時會開始進行HackerRank的解題，Leecode也有註冊，不過時間上兩個一起有點不切實際，就一步一步來吧

HackerRank解題基本上是自己慢慢想(畢竟沒有時間限制)，幾個小時都真的想不出來才會去參考一下網路的解法，所以寫出來的並不是甚麼最佳解(沒有考慮執行速度、記憶體狀況等)，單純解的出來就好嘍!!

有解出來的會陸續放上來，有需要的朋友可以參考 : 

FizzBuzz Solution by Python >> 請點我

Plus Minus Solution by Python >> 請點我

TimeConversion Solution by Python >> 請點我

MiniMaxSum Solution by Python >> 請點我

ArrSortMedian Solution by Python >> 請點我

LonelyInteger Solution by Python >> 請點我

Data Analyze by R | R語言數據分析

 

從上完Google Data Analytic數據師課程到現在大約是兩個多月，從重新學習新的編程語言R，到慢慢摸索編程寫出分析報告，不得不說數據分析是很有趣的事情，數據會說故事，會告訴我發生的事情，但小雷並不一定聽的懂它說甚麼，來亂的，一份基礎的分析報告其實就很花時間，從搞清楚問題 >> 確定好目標 >> 了解有那些數據 >> 載入數據 >> 檢視 >> 清理&調整 >> 檢視 >> 聚合彙整 >> 分析 >> 繪製圖表 >> 產出報告，過程很繁雜，大概有80%的時間都在清理的程序。

 

這樣的過程與分析，確實對於很多企業來說是需要的，過往在營運或是行銷時，大多數是經驗 凌駕 數字，除非很大的企業，否則大概都是這樣的模式去進行，畢竟自我確定的經驗，安全感大於數字給予的提示，洞察一旦錯誤，可能損失的會更多，我覺得也是止步不前的問題

 

現在越來越多新的技術、分析的方法，也越來越多企業了解到數據的本質與重要性無論營運、行銷、銷售、管理等等，只要有好的分析團隊，搭配正確的洞察，組織起強大的數據驅動決策方向，對於發展的速度能起到一定程度的重要性。

 

小雷有產出的報告目前不多，隨著使用的函數增加，報告的內容會越趨細緻，不敢說能力多好，只知道能力是可以逐步培養與進步，每一次的產出都是一次的進步。

 

關於Google Data Analyze課程資訊 : 

自我進修課程分享Coursera – Google Data Analytics數據分析師課程

 >> 請點我

各個分析報告的連結，不定期更新，時間以新 – 舊順序 : 

共享單車Cyclistic案例分析 | Data Analysis Cyclistic by R >> 請點我

Data Analytic Cacao – 案例分析報告 >> 請點我

Hotel Bookings Analytic - 案例分析報告 >> 請點我

Course Study - Bellabeat In R >> 請點我

R basic operation - input、output | R基礎操作 - input、output

 

小雷在寫數據分析的時候，並不會用到input與output，所以也沒特別注意R語言的輸入輸出，但是寫到與機器學習相關的部份時，需要用到輸入輸出，這時候才發現怎麼跟Python不一樣!居然不是一個print走天下(或許有別的，但小雷只用過print!)，看了一下base包內的資訊，才發現輸入輸出有不少不一樣的函數!!所以寫幾篇做個備忘，有需要的朋友也可以參考參考。

輸入

`readline()` : 允許從終端機輸入

readline文章 >> 請點我

輸出

`print()` : 輸出值或因子

print文章 >> 請點我

`paste()` : 連接字符後輸出

paste文章 >> 請點我

`cat()` : 可以進行計算後輸出

cat文章 >> 請點我

R basic operation - cat | R基礎操作 - cat

 

輸出最後一個函數是cat，除了輸出數值外，還可以進行計算後輸出，算是最像Python的輸出方式

基本語法

cat(輸出內容)

可用參數

sep = " " >> 設定輸出要添加的字符

設定數據準備進行輸出

# 字串

cat_df <- list(

    animal = c("dog", "cat", "rat", "fish", "lion")

)

# 數字

num <- as.numeric(0:10)

數字進行一般輸出，計算後輸出，重複輸出

# 一般輸出

cat(num)

# 輸出結果

r$> cat(num) 0 1 2 3 4 5 6 7 8 9 10

# 一般輸出 + 字符串

cat("number : ", num)

# 輸出結果

r$> cat("number : ", num) number : 0 1 2 3 4 5 6 7 8 9 10

# 加入sep參數

cat(num, sep = "~~~")

# 輸出結果

r$> cat(num, sep = "~~~")

0~~~1~~~2~~~3~~~4~~~5~~~6~~~7~~~8~~~9~~~10

# 計算輸出

cat("number : ", num * 10)

# 輸出結果

r$> cat("number : ", num * 10) number : 0 10 20 30 40 50 60 70 80 90 100

# 重複性輸出

cat("number : ", rep(num, 2))

# 輸出結果

r$> cat("number : ", rep(num, 2)) number : 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

字符類的基本上是一樣

# 一般字符輸出

cat(cat_df$animal)

# 輸出結果

r$> cat(cat_df$animal) dog cat rat fish lion

# 加入sep參數

cat(cat_df$animal, sep = "~~~")

# 輸出結果

r$> cat(cat_df$animal, sep = "~~~") dog~~~cat~~~rat~~~fish~~~lion

# 重複性輸出

cat("number : ", sep = "::", rep(cat_df$animal, 2))

# 輸出結果

r$> cat("number : ", sep = "::", rep(cat_df$animal, 2)) number : ::dog::cat::rat::fish::lion::dog::cat::rat::fish::lion

R basic operation - paste | R基礎操作 - paste

 

paste主要的用法是在於連接各個字符串後輸出，輸出時會將數字一併轉為字符輸出，也可以不要輸出，連接字符後轉為存入變量

基本語法

paste(一個或多個向量, ...)

可用參數

sep = " " >> 空格分隔字符串

collapse = NULL >> 如何分隔字符串

建立數字與字符的數據

# 數字數據

num <- as.numeric(1:10)

# 文字數據

letter <- tibble(

    animal = c("dog", "cat", "rat", "fish", "lion")

)

數字連接後輸出，並設定不同連接方式

# 空格分隔

paste(num, sep = " ")

# 輸出結果

r$> paste(num, sep = " ") [1] "1" "2" "3" "4" "5" "6" "7" "8" "9" "10"

# 設定 - 分隔

paste(num, collapse = "-")

# 輸出結果

r$> paste(num, collapse = "-") [1] "1-2-3-4-5-6-7-8-9-10"

# 設定 <> 分隔

paste(num, collapse = "<>")

# 輸出結果

r$> paste(num, collapse = "<>") [1] "1<>2<>3<>4<>5<>6<>7<>8<>9<>10"

字符輸出也是同樣的方式

# 空格分隔

paste(letter$animal, sep = " ")

# 輸出結果

r$> paste(letter$animal, sep = " ") [1] "dog" "cat" "rat" "fish" "lion"

# 設定 - 分隔

paste(letter$animal, collapse = "-")

# 輸出結果

r$> paste(letter$animal, collapse = "-") [1] "dog-cat-rat-fish-lion"

# 設定 <> 分隔

paste(letter$animal, collapse = "<>")

# 輸出結果

r$> paste(letter$animal, collapse = "<>") [1] "dog<>cat<>rat<>fish<>lion"

R basic operation - readline | R基礎操作 - readline

 

有時需要從終端機進行輸入的操作，若是Python輸入，基本上就是input，R輸入的方式比較多元，也著實少了點直譯的方式，要記住的函數比較多，輸入的方式基本上有兩個函數，分別是`scan()`、`readline()`，本篇討論的是readline，scan的輸入參數較多，用法上除了輸入外，也可以導入文件，所以本篇就先不以scan做討論，以下是readline的基本操作

基本語法

readline(prompt = " ")

可用參數

prompt : 提示用戶輸入字串，所以需要加上" "

實際進行輸入，先來輸入姓名，輸入完成直接在終端機出現輸入字符，但是沒有存數任何變數，所以也沒有甚麼用途

# 提示用戶輸入字符

readline(prompt = "請輸入姓名 : ")

# 輸出結果

r$> readline(prompt = "請輸入姓名 : ") 請輸入姓名 : Rex [1] "Rex"

輸入完成存入變數

# 提示用戶輸入字符

name <- readline(prompt = "請輸入姓名 : ")

# 終端輸入後存入變數

r$> name <- readline(prompt = "請輸入姓名 : ") 請輸入姓名 : Rex

# 輸出結果

name

r$> name [1] "Rex"

存入變數之前可以進行型態調整，字符 >> 整數或浮點

# 提示用戶輸入字符並調整型態後存入變數

age <- as.integer(readline(prompt = "輸入年齡 : "))

# 輸出結果

str(age)

r$> str(age) int 30

# 提示用戶輸入字符並調整型態後存入變數

float <- as.numeric(readline(prompt = "輸入小數點 : "))

# 輸出結果

str(float)

r$> str(float) num 33.3

R basic operation - print | R基礎操作 - print

 

R print有別於Python的print，不是混合用的類型，而是單純以輸出值的函數，用法上除了列印一般的值，也可以列印出因子，參數的部分不少，也都是用在較為特殊的地方。

基本語法

print(要列印的項目, ..)

可用參數 - 因子

quote = FALSE >> 字符串是否要括號

max.levels = NULL >> 因子列印多少個等級

width : getOption("width) >> 設定輸出寬度

可用參數 - 表格

digits = getOption("digits") >> 小數點的輸出數量

quote = FALSE >> 字符串是否要括號

na.print = "" >> NA的輸出方式

zero.print = "0" >> 0的字符輸出方式

right = is.numeric(x) || is.complex(x) >> 靠右對其

justify = "none" >> 字符串的對其格式

接下來列印一些比較常用的輸出 >> 小數點輸出，digits設定的不只是小數點，包含整數位

# 設定一個小數點變數

float <- as.numeric(31.12346)

# 輸出結果

print(float, digits = 2)

r$> print(float, digits = 2) [1] 31

# 輸出結果

print(float, digits = 4)

r$> print(float, digits = 4) [1] 31.12

接下來印列因子，直接列印與參數效果

# 設定因子變數

factor_df <- factor(

    factor_df$animal,

    levels = c("dog", "cat", "rat", "fish", "lion")

    )

# 輸出結果

print(factor_df)

r$> print(factor_df) [1] dog cat rat fish lion Levels: dog cat rat fish lion

# 輸出結果

print(factor_df, quote = TRUE, max.levels = 3)

r$> print(factor_df, quote = TRUE, max.levels = 3) [1] "dog" "cat" "rat" "fish" "lion" 5 Levels: "dog" "cat" ... "lion"

R Packages introduce - forcats | R包介紹 – forcats

 

Forcats包是專門處理因子的包，除了改變因子的級別排序外，也能處理因子的值，應用於數據處理時有時會比字符來的方便許多，製作成圖表時也較容易觀看，factor因子應該算是專屬R的特殊形態，關於因子的介紹可以點擊連結觀看介紹與一般操作 >> 點我觀看factor介紹

 

關於forcats包內的函數，依據介紹的會有以下三個 :

 

`fct_reorder()` : 透過另一個變量值進行重新排序

fct_reorder文章 >> 請點我

 

`fct_inorder()` : 依照出現頻率、數字順序等方式重新排列

fct_inorder文章 >> 請點我 

`fct_relevel()` : 手動進行排序

fct_relevel文章 >> 請點我 

 

forcats的函數結構上有一些相同的操作方式 :

1.      開頭都為fct_

2.      第一個參數為要處理的因子向量。

3.      支援pipes通道。

4.      接受傳入的向量是字符串，並且輸出時不會改變類型。