1.8 caTools一个奇特的工具集

问题

R除了统计，还能干什么？

引言

R语言生来就是自由的，不像Java，PHP等有统一的规范约束。R语言不仅命名、语法各包各异，就连功能也是各种混搭。caTools库就是这种混搭库，包括了不相关的几组函数工具集，有图片处理的，有编解码的，有分类器的，有向量计算的，有科学计算的，而且都很好用！以致于我都不知道，如何用简短的语言去描述这个包了！唯有“奇特”来概括它的特点。

1.8.1 caTools介绍

caTools是一个基础的工具包，包括移动窗口(Moving Window)统计，二进制图片读写，快速计算曲线的面积AUC，LogitBoost分类器，base64的编码器/解码器，快速计算舍入、误差、求和、累计求和等函数。

下面分别介绍caTools包中的API。

二进制图片读写

• read.gif & write.gif: gif格式图片的读写
• read.ENVI & write.ENVI: ENVI格式图片的读写，如GIS图片

base64的编码器/解码器:

• base64encode: 编码器
• base64decode: 解码器

注: Base64是一种基于64个可打印字符来表示二进制数据的表示方法。由于2的6次方等于64，所以每6个位元为一个单元，对应某个可打印字符。

快速计算曲线的面积AUC

• colAUC: 计算ROC曲线的面积(AUC)
• combs: 向量元素的无序组合
• trapz: 数值积分形梯形法则

LogitBoost分类器

• LogitBoost: logitBoost分类算法
• predict.LogitBoost: 预测logitBoost分类
• sample.split: 把数据切分成训练集和测试集

快速计算工具

• runmad: 计算向量中位数
• runmean: 计算向量均值
• runmin & runmax: 计算向量最小值和最大值
• runquantile: 计算向量位数
• runsd: 计算向量标准差
• sumexact, cumsumexact: 无误差求和，针对编程语言关于double类型的精度优化

1.8.2 caTools安装

本节使用的系统环境是：

• Linux: Ubuntu Server 12.04.2 LTS 64bit
• R: 3.0.1 x86_64-pc-linux-gnu

注：caTools同时支持Win7环境和Linux环境。

安装caTools包非常简单，只需要一条命令就可以完成。

~ R  # 启动R程序
> install.packages("caTools")  # 执行caTools安装命令

1.8.3 caTools使用

在R环境中，加载caTools类库

> library(caTools)

1. 二进制图片读写gif

a. 写一个gif图片

> write.gif(volcano, "volcano.gif", col=terrain.colors, flip=TRUE, scale="always", comment="Maunga Whau Volcano")  #取datasets::volcano数据集，写入volcano.gif

b. 读一个gif图片到内存，再从内存输出

> y = read.gif("volcano.gif", verbose=TRUE, flip=TRUE)  #读入图片到变量y
GIF image header
Global colormap with 256 colors
Comment Extension
Image [61 x 87]: 3585 bytes
GIF Terminator

> attributes(y)  #查看变量的属性
$names
[1] "image"       "col"         "transparent"   "comment"
> class(y$image)  #查看图片存储矩阵
[1] "matrix"
> ncol(y$image)  #列数
[1] 61
> nrow(y$image)  #行数
[1] 87
> head(y$col,10)  #颜色表，取前10个
 [1] "#00A600FF" "#01A600FF" "#03A700FF" "#04A700FF" "#05A800FF" "#07A800FF" "#08A900FF"
 [8] "#09A900FF" "#0BAA00FF" "#0CAA00FF"
> y$comment  #查看图片备注
[1] "Maunga Whau Volcano"
> image(y$image, col=y$col, main=y$comment, asp=1)  #通过y变量画图，如图1-19所示

图1-19 火山地形图

c. 创建一个git动画

> x <- y <- seq(-4*pi, 4*pi, len=200)
> r <- sqrt(outer(x^2, y^2, "+"))
> image = array(0, c(200, 200, 10))
> for(i in 1:10) image[,,i] = cos(r-(2*pi*i/10))/(r^.25)
> write.gif(image, "wave.gif", col="rainbow")
> y = read.gif("wave.gif")
> for(i in 1:10) image(y$image[,,i], col=y$col, breaks=(0:256)-0.5, asp=1)

在当前的操作目录，会生成一个 wave.gif 的文件，如图1-20所示。 动画演示效果参见本书在线资源中的文件wave.gif。

图1-20 同心圆变化动画

我们看到，caTools与谢益辉的animation包有一样的GIF输出动画功能。但使用caTools做gif动画，不需要依赖其他软件库。而animation的saveGIF函数需要依赖于ImageMagick或者GraphicsMagick等第三方软件。

2. Base64的编码器/解码器

Base64常用于处理文本数据的场合，表示、传输、存储一些二进制数据，包括MIME的email、email via MIME、在XML中存储复杂数据。Base64的编码解码，只支持向量（vector）类型，不支持data.frame和list类型。把一个boolean向量编解码，代码如下：

> size=1  #设置每个元素占用的字节数
> x = (10*runif(10)>5)
> y = base64encode(x, size=size)
> z = base64decode(y, typeof(x), size=size)

> x  #原始数据
 [1] FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE
> y  #编码后的密文
[1] "AAAAAAEBAAAAAA=="
> z  #解码后的明文
 [1] FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE

把一个字符串编解码，代码如下：

> x = "Hello R!!" # character
> y = base64encode(x)
> z = base64decode(y, typeof(x))

> x  #原始数据
[1] "Hello R!!"
> y  #编码后的密文
[1] "SGVsbG8gUiEh"
> z  #解码后的明文
[1] "Hello R!!"

错误测试：把一个数据框编解码

> data(iris)
> class(iris)
[1] "data.frame"

> head(x)  #原始数据

> base64encode(x)  #对数据框进行编码
Error in writeBin(x, raw(), size = size, endian = endian) :
  can only write vector objects

3. ROC曲线

ROC曲线就是接收者操作特征曲线（receiver operating characteristic curve的简称，这是一种坐标图式的分析工具，主要用于选择最佳的信号侦测模型、舍弃次佳的模型和在同一模型中设定最佳阈值。ROC曲线首先由二战中的电子工程师和雷达工程师发明，用来侦测战场上的敌军载具（飞机、船舰等），即信号检测，之后很快就被引进心理学来进行信号的知觉检测。数十年来，ROC分析被用于医学、无线电、生物学、犯罪心理学等领域，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。

取MASS::cats数据集，3列分别是Sex(性别)、Bwt(体重)、Hwt(心脏重量)。

> library(MASS)
> data(cats)
> head(cats)
  Sex Bwt Hwt
1   F 2.0 7.0
2   F 2.0 7.4
3   F 2.0 9.5
4   F 2.1 7.2
5   F 2.1 7.3
6   F 2.1 7.6

> colAUC(cats[,2:3], cats[,1], plotROC=TRUE)  #计算ROC的曲线面积AUC，输出图片，如图1-21所示
              Bwt      Hwt
F vs. M 0.8338451 0.759048

图1-21 ROC曲线

从AUC判断分类器（预测模型）优劣的标准：

• AUC = 1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。在绝大多数预测的场合，不存在完美分类器。
• 0.5 < AUC < 1，优于随机猜测。这个分类器（模型）如果妥善设定阈值的话，能有预测价值。
• AUC = 0.5，跟随机猜测一样（例如丢硬币），模型没有预测价值。
• AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。

从图1-21我们看到Bwt和Hwt都在(0.5,1)之间，因此，cats的数据集是一个真实有效数据集。如果cats的数据集，是一个通过分类预测的数据集，用AUC对数据集的评分，就可以检验分类器的好坏了。

4. 向量元素的无序组合

combs(v,k)函数，用于创建无序的组合的矩阵，矩阵的列表示以几种元素进行组合，矩阵的行表示每种不同的组合。参数v是向量；k是数值，小于等于v的长度[1:length(v)]。

> combs(2:5, 3)
     [,1] [,2] [,3]
[1,]    2    3    4
[2,]    2    3    5
[3,]    2    4    5
[4,]    3    4    5

> combs(c("cats", "dogs", "mice"), 2)
     [,1]   [,2]
[1,] "cats" "dogs"
[2,] "cats" "mice"
[3,] "dogs" "mice"

> a = combs(1:4, 2)  #快速组合构建矩阵
> a
      [,1] [,2]
[1,]    1    2
[2,]    1    3
[3,]    1    4
[4,]    2    3
[5,]    2    4
[6,]    3    4
> b = matrix( c(1,1,1,2,2,3,2,3,4,3,4,4), 6, 2)
> b
     [,1] [,2]
[1,]    1    2
[2,]    1    3
[3,]    1    4
[4,]    2    3
[5,]    2    4
[6,]    3    4

5. 数值积分梯形法则

梯形法则原理：将被积函数近似为直线函数，被积的部分近似为梯形。

> x = (1:10)*pi/10
> trapz(x, sin(x))
[1] 1.934983

> x = (1:1000)*pi/1000
> trapz(x, sin(x))
[1] 1.999993

6. LogitBoost分类器

取datasets::iris数据集，5列分别是Sepal.Length(花萼长)、 Sepal.Width((花萼宽)、 Petal.Length(花瓣长)、Petal.Width(花瓣宽)、Species(种属)。

> head(iris)

> Data = iris[,-5]
> Label = iris[, 5]
> model = LogitBoost(Data, Label, nIter=20)  #训练模型
> model  #模型数据
$Stump

    $lablist
[1] setosa     versicolor virginica
Levels: setosa versicolor virginica

attr(,"class")
[1] "LogitBoost"

> Lab = predict(model, Data)  #分类预测，Lab只显示分类的结果， Prob显示各分类的概率
> Prob = predict(model, Data, type="raw")
> t = cbind(Lab, Prob)  #结果合并，打印前6列
> head(t)

前6条数据，Lab列表示数据属于分类1，即setosa。其他3列setosa,versicolor,virginica，分类表示属于该分类的概率是多少。下面设置迭代次数，比较分类结果与实际数据结果。

> table(predict(model, Data, nIter= 2), Label)  #设置迭代次数为2

  |setosa |versicolor |virginica
  |---|---|---
  setosa         48   |       0      |   0
  versicolor      0    |     45      |   1
   virginica       0    |      3     |   45

> table(predict(model, Data, nIter=10), Label)  #设置迭代次数为10

  Label

> table(predict(model, Data), Label)  #默认迭代次数, 训练时LogitBoost的nIter值
            Label

从上面3次测试结果可以看出，迭代次数越多模型分类越准确。下面随机划分训练集和测试集，并分类预测。

> mask = sample.split(Label)  #随机取训练集
> length(which(mask))  #训练集99条记录
[1] 99
> length(which(!mask))  #测试集51条记录
[1] 51
> model = LogitBoost(Data[mask,], Label[mask], nIter=10)  #训练模型
> table(predict(model, Data[!mask,], nIter=2), Label[!mask])  #分类预测

  > table(predict(model, Data[!mask,]), Label[!mask])

 setosa| versicolor| virginica
 ---|---|---

setosa 17 | 0 | 0 versicolor 0 | 16 | 4 virginica 0 | 1 | 13

7. 快速计算工具runmean

均线在股票交易上非常流行，是一种简单、实用的看盘指标。下面我们对时间序列数据取均线，输出结果如图1-22所示。

> BJsales  #取datasets::BJsales数据集
Time Series:
Start = 1
End = 150
Frequency = 1
  [1] 200.1 199.5 199.4 198.9 199.0 200.2 198.6 200.0 200.3 201.2 201.6 201.5
 [13] 201.5 203.5 204.9 207.1 210.5 210.5 209.8 208.8 209.5 213.2 213.7 215.1
 [25] 218.7 219.8 220.5 223.8 222.8 223.8 221.7 222.3 220.8 219.4 220.1 220.6

> plot(BJsales,col="black", lty=1,lwd=1, main = "Moving Window Means")
> lines(runmean(BJsales, 3), col="red", lty=2, lwd=2)
> lines(runmean(BJsales, 8), col="green", lty=3, lwd=2)
> lines(runmean(BJsales,15), col="blue", lty=4, lwd=2)
> lines(runmean(BJsales,24), col="magenta", lty=5, lwd=2)
> lines(runmean(BJsales,50), col="cyan", lty=6, lwd=2)

图1-22 时间序列数据的均线图

我们从图1-22中看到6条线， 黑色是原始数据，其他各种颜色线代表不同单位的均线。比如，红色(red)线表示3个点的平均，绿色(green)线表示8个线的平均。

8. 快速计算工具组合

对数据集取最大路径runmax、最小路径runmin、均值路径runmean和中位数路径runmed，输出结果如图1-23所示。

> n=200;k=25
> set.seed(100)
> x = rnorm(n,sd=30) + abs(seq(n)-n/4)
> plot(x, main = "Moving Window Analysis Functions (window size=25)")
> lines(runmin (x,k), col="red",lty=1, lwd=1)
> lines(runmax (x,k), col="cyan",lty=1, lwd=1)
> lines(runmean(x,k), col="blue",lty=1, lwd=1)
> lines(runmed (x,k), col="green",lty=2, lwd=2)

图1-23 路径图

这次我们取4种不同的路径，分别是最大路径、最小路径、均值路径和中位数路径。

9. 无误差求和

各种编程语言，用计算机做小数计算的时候，都会出现计算误差的情况，R语言也有这个问题。首先用sum函数求和。

> x = c(1, 1e20, 1e40, -1e40, -1e20, -1)  #计算误差求和
> a = sum(x); print(a)
[1] -1e+20
> b = sumexact(x); print(b)  #无计算误差求和
[1] 0

我们对向量x求和，各组值加起来正好为0。但是sum函数，结果是-1e+20，这是由于编程精度的问题造成的计算误差。通过sumexact函数修正后，就没有误差了。下面用cumsum函数累积求和。

> a = cumsum(x); print(a)  #计算误差累积求和
[1]  1e+00  1e+20  1e+40  0e+00 -1e+20 -1e+20
> b = cumsumexact(x); print(b)  #无计算误差累积求和
[1] 1e+00 1e+20 1e+40 1e+20 1e+00 0e+00

cumsum同样出现了精度的误差，需要用cumsumexact来修正。

最后还是要用“奇特”来概括这个工具集，相信你也发现了他的奇特。