Tenho um dataframe com diversas variáveis do tipo factors
que preciso recodificar. Um exemplo dos meus dados é o seguinte:
structure(list(ID = 1:100, faixa_etaria = structure(c(2L, 7L,
3L, 4L, 5L, 6L, 2L, 4L, 8L, 3L, 4L, 5L, 6L, 1L, 2L, 8L, 3L, 4L,
5L, 6L, 4L, 2L, 8L, 4L, 3L, 5L, 4L, 2L, 5L, 3L, 4L, 5L, 3L, 5L,
2L, 3L, 3L, 4L, 7L, 6L, 2L, 7L, 3L, 4L, 2L, 6L, 1L, 2L, 8L, 3L,
6L, 5L, 6L, 3L, 2L, 8L, 3L, 4L, 5L, 6L, 2L, 2L, 3L, 4L, 3L, 2L,
3L, 2L, 5L, 3L, 5L, 5L, 6L, 5L, 2L, 6L, 3L, 4L, 5L, 3L, 2L, 2L,
3L, 4L, 5L, 6L, 6L, 4L, 8L, 3L, 4L, 5L, 6L, 8L, 2L, 8L, 3L, 6L,
4L, 5L), .Label = c("menos de 18", "18 a 24", "25 a 31", "32 a 38",
"39 a 45", "46 a 52", "53 a 59", "60 ou mais"), class = "factor"),
escolaridade = structure(c(5L, 2L, 6L, 6L, 4L, 3L, 4L, 2L,
1L, 6L, 4L, 3L, 4L, 3L, 1L, 6L, 4L, 3L, 4L, 3L, 5L, 2L, 1L,
6L, 4L, 3L, 5L, 2L, 6L, 6L, 4L, 6L, 4L, 5L, 4L, 6L, 4L, 6L,
4L, 4L, 5L, 2L, 6L, 6L, 4L, 4L, 3L, 4L, 1L, 6L, 4L, 4L, 4L,
5L, 6L, 6L, 4L, 4L, 5L, 2L, 5L, 2L, 4L, 6L, 4L, 3L, 6L, 2L,
4L, 6L, 4L, 3L, 4L, 6L, 3L, 6L, 4L, 6L, 4L, 3L, 6L, 4L, 4L,
6L, 4L, 6L, 6L, 4L, 6L, 4L, 4L, 1L, 6L, 4L, 5L, 3L, 6L, 4L,
4L, 4L), .Label = c("fundamental_incompleto", "fundamental_completo",
"medio_incompleto", "medio_completo", "sup_incompleto", "superior_completo"
), class = "factor"), renda = c(850L, 1750L, 4300L, 5600L,
3015L, 1540L, 1590L, 3100L, 1340L, 6780L, 4743L, 1050L, 4300L,
640L, 1050L, 13052L, 2015L, 1050L, 2030L, 1434L, 2180L, 1050L,
1980L, 4300L, 2240L, 1430L, 2912L, 1050L, 5413L, 2849L, 3753L,
6210L, 3602L, 3892L, 1050L, 4236L, 2813L, 3450L, 4109L, 3895L,
2112L, 2712L, 2445L, 4453L, 1350L, 3789L, 1050L, 1210L, 2500L,
2180L, 2312L, 1890L, 4299L, 3015L, 1050L, 5155L, 2015L, 3944L,
3127L, 1248L, 2180L, 1050L, 2389L, 7221L, 3218L, 1050L, 2912L,
1050L, 2424L, 2663L, 4103L, 1345L, 4117L, 3339L, 1050L, 9345L,
2356L, 3568L, 4123L, 3567L, 1956L, 1050L, 1050L, 3983L, 3431L,
5131L, 2912L, 1050L, 6721L, 2183L, 1731L, 1050L, 4236L, 4789L,
2891L, 5013L, 3562L, 3012L, 2873L, 3983L)), class = "data.frame", row.names = c(NA,
-100L))
No exemplo acima, deixei apenas duas variáveis factor
, para ser o mínimo reprodutível. Mas há mais. Essas variáveis são "faixa etária" e "escolaridade". Além delas há também "id" e "renda".
A recodificação que quero fazer é a seguinte:
- Quando um grupo/nível (
level
) de uma variávelfactor
responder por menos de 10% dos casos, eu quero agregar esse grupo a outro, da mesma variável, que possua o nível (level
) mais próximo, imediatamente anterior ou posterior. - Quando o nível for o inicial ou o final, só há uma opção de agregação (o segundo, ou o penúltimo, respectivamente).
- Quando for um nível intermediário, gostaria de agregá-lo com aquele que possui a renda média mais parecida à do nível que será agregado.
Desculpem, mas não faço muita ideia de como começar. Pelo que li, imagino que seja com o pacote dplyr
e com a função group_by
e mutate
, mas nao sei como calcular as frequencias relativas e fazer referência aos grupos mais próximos e utilizar essas informações na recodificação.
faixa_etaria
só tem um nível com 2 ocorrências (exatamente 10% dos casos), todos os outros têm 3. Como fazer o agrupamento?