كيفية تحويل Character إلى Factor في R (مع أمثلة)

تُعد لغة البرمجة الإحصائية R إحدى الركائز الأساسية في مجال علم البيانات والتحليل الإحصائي الحيوي والنمذجة الرياضية المعاصرة. وتعتمد كفاءة المعالجة التحليلية في هذه البيئة البرمجية بشكل جوهري على الاختيار الدقيق والمدروس لأنماط وهياكل البيانات المستخدمة؛ حيث يوفر النظام الأساسي للغة R تنوعاً فريداً في تصنيف المتغيرات لتلائم مختلف الاحتياجات الحسابية والتطبيقية. ومن بين هذه الأنواع، يبرز النمطان النصي (Character) والفئوي (Factor) كعنصرين محوريين في تمثيل البيانات غير الرقمية، حيث يؤدي كل منهما دوراً وظيفياً يختلف تماماً عن الآخر في إدارة الذاكرة، وعمليات المعالجة المنطقية، ومراحل النمذجة التنبؤية.

تكمن المعضلة المنهجية التي يواجهها العديد من المشتغلين بعلوم البيانات في الخلط بين التعامل مع النصوص كسلاسل حرفية حرة، وبين التعامل معها كمتغيرات فئوية منظمة تمثل مجموعات محددة أو مستويات تصنيفية ذات دلالات إحصائية. ففي حين توفر السلاسل النصية مرونة مطلقة لاستيعاب النصوص الخام وغير المهيكلة، فإن المتغيرات الفئوية تُعد شرطاً بنيوياً لا غنى عنه لمعظم الدوال الرياضية، مثل نماذج الانحدار الخطي واللوجستي، وتحليل التباين (ANOVA)، وأدوات التمثيل البصري المتقدمة. من هنا، تنشأ الحاجة الحتمية لفهم الآليات البرمجية والمنهجية الدقيقة لعملية تحويل البيانات من النمط النصي إلى النمط الفئوي داخل بيئة R.

يهدف هذا الدليل المرجعي الشامل إلى تقديم استعراض معمق وشامل لجميع أبعاد تحويل السلاسل النصية إلى عوامل فئوية في لغة R، بدءاً من البنية التحتية لتوزيع الذاكرة والتمثيل الثنائي الداخلي، مروراً بالدوال الأساسية في النظام القاعدي (Base R) والأدوات الحديثة المتطورة في منظومة Tidyverse وخاصة حزمتي dplyr وforcats، وصولاً إلى دراسة الآثار الإحصائية الدقيقة المترتبة على هذا التحويل داخل النماذج التنبؤية، وضبط المستويات المرجعية، وتفادي المزالق التقنية الشائعة مثل تحويل الأرقام المخزنة كنصوص عبر الفئات.

1. مقدمة شاملة حول أنواع البيانات النصية والفئوية في لغة R

1.1 مفهوم المتجهات النصية (Character Vectors) واستخداماتها

تُمثل المتجهات النصية (Character Vectors) النمط الأكثر مرونة وشمولية لتخزين البيانات غير المهيكلة داخل بيئة R البرمجية. يتم تعريف المتغير النصي على أنه سلسلة متتابعة من الرموز والمحارف (Characters) التي قد تتضمن حروفا أبجدية، وأرقاما، ومحارف خاصة، ومسافات بيضاء، دون وجود أي قيد مسبق على طبيعة المحتوى أو نطاقه التصنيفي. وتُخزن هذه البيانات تحت الفئة البرمجية المسماة character، وتُستخدم بشكل أساسي لاستيعاب المدخلات النصية الحرة مثل أسماء الأفراد، والتعليقات، والعناوين الجغرافية، والمعرفات الفريدة للمشاركين في الدراسات والأبحاث.

تكمن الأهمية التحليلية للمتجهات النصية في قدرتها العالية على استقبال البيانات الخام في مراحل الاستيراد والتجميع الأولي دون فرض قيود هيكلية قد تؤدي إلى تشويه البيانات أو فقدان بعض تفاصيلها. فالنص الخام لا يفترض وجود علاقة بين القيم المختلفة، ولا يحدد مسبقاً فضاء العينة أو نطاق الاحتمالات للمتغير، مما يجعله مثالياً لمراحل معالجة اللغات الطبيعية (Natural Language Processing) وتنظيف النصوص وتجزئتها، فضلاً عن إجراء التعديلات النصية القائمة على التعابير النمطية (Regular Expressions).

ورغم هذه المرونة الفائقة، فإن المتجهات النصية تفرض قيوداً إحصائية واضحة عند الانتقال إلى مراحل النمذجة المتقدمة والتحليل الرياضي. فالنظام التحليلي للغة R يتعامل مع السلاسل النصية على أنها عناصر غير متصلة رياضياً، مما يعيق تكوين مصفوفات التصميم (Design Matrices) الضرورية لتقدير المعلمات في النماذج الخطية، كما يحد من القدرة على تحديد أوزان الفئات أو رتبها التصاعدية والتنازلية بصورة آلية ومنظمة.

1.2 مفهوم المتغيرات الفئوية (Factors) ودورها في التحليل الإحصائي

تُعرّف المتغيرات الفئوية، والمعروفة في بيئة R بمصطلح العوامل (Factors)، بأنها هياكل بيانات متخصصة صُممت خصيصاً لتمثيل البيانات التصنيفية سواء كانت بيانات اسمية غير مرتبة (Nominal Data) مثل الجنس والحالة الاجتماعية ونوع العلاج، أو بيانات ترتيبية (Ordinal Data) مثل المستويات التعليمية ودرجات مقياس ليكرت للتقييم. تمنح العوامل البيانات النصية بعداً هيكلياً ينقلها من مجرد رموز حرفية إلى فئات معرفة إحصائياً ذات دلالات احتمالية محددة.

تعتمد البنية الداخلية للعامل في لغة R على هندسة تخزين ثنائية متقدمة؛ حيث يتم تخزين القيم الفعلية كمتجه من الأعداد الصحيحة (Integers)، يُشير كل عدد منها إلى فهرس محدد داخل مصفوفة مصاحبة تسمى مستويات العامل (Levels). هذه المستويات تمثل فضاء القيم الفريدة والمسموح بها داخل المتغير، مما يعني أن العامل لا يكتفي بحفظ ما يظهر على السطح، بل يقيد المتغير بحدود فئوية صارمة لا يمكن تجاوزها دون تعديل جدول المستويات نفسه.

يكتسب مفهوم العامل أهمية قصوى في النمذجة الإحصائية؛ إذ إن غالبية خوارزميات التعلم الإحصائي مثل نماذج الانحدار المعمم (Generalized Linear Models) وتحليل التباين الأحادي والمتعدد تعتمد اعتماداً كلياً على وجود كائنات من فئة factor لتوليد المتغيرات الوهمية (Dummy Variables) تلقائياً، وتحديد المقارنات البعدية، وضبط الفئات المرجعية التي تُقاس بالنسبة إليها التأثيرات الإحصائية المختلفة بدقة بالغة.

1.3 الأسباب المنهجية للتحويل من Character إلى Factor

تتعدد الدوافع المنهجية والتقنية التي تفرض على المحلل تحويل المتجهات النصية إلى عوامل فئوية أثناء خطوط أنابيب معالجة البيانات في R. يأتي في مقدمة هذه الدوافع تحقيق الكفاءة في استهلاك الذاكرة وتسهيل عمليات الفهرسة للبيانات الضخمة؛ فعندما يتكرر نص معين آلاف المرات داخل إطار البيانات، يؤدي تحويله إلى عامل إلى تخزين النص مرة واحدة فقط في جدول المستويات، بينما تُخزن البيانات المتكررة في صورة أعداد صحيحة خفيفة الوزن في الذاكرة العشوائية.

يتجلى الدافع الثاني في تلبية المتطلبات الصارمة للدوال الإحصائية وتطبيقات الرسم البياني المتقدمة مثل حزمة ggplot2. فعند بناء مخططات التوزيع التكراري أو المخططات الصندوقية، تعتمد هذه الأدوات على المستويات الفئوية لترتيب المحاور، وتنسيق الألوان، وفصل المجموعات الفرعية. وبدون التحويل إلى عامل، ستظهر المجموعات بترتيب أبجدي جامد قد يتنافى مع المنطق العلمي للدراسة، مثل ظهور مرحلة “الجرعة المرتفعة” قبل “الجرعة المنخفضة”.

علاوة على ذلك، يمنع التحويل إلى عوامل الأخطاء الشائعة المرتبطة بتوزيع المتغيرات في النماذج التنبؤية؛ حيث يضمن التحويل تثبيت جميع الفئات حتى تلك التي قد لا تظهر في عينة تدريب معينة ولكنها متوقعة في فضاء البيانات الكلي، مما يحافظ على اتساق مصفوفة التنبؤ ويمنع انهيار النماذج عند تطبيقها على بيانات الاختبار المستقبلية.

2. الفروق التقنية والجوهرية بين Character وFactor

2.1 التمثيل الداخلي في الذاكرة (Memory Representation)

يختلف النمط النصي عن النمط الفئوي اختلافاً جذرياً على مستوى الإدارة منخفضة المستوى للذاكرة العشوائية داخل مفسر لغة R. يتم تخزين المتجه النصي عبر مصفوفة من المؤشرات (Pointers) التي تُشير إلى عناوين فيزيائية في جدول السلاسل العامة (Global String Pool). وكلما زاد طول المتجه النصي وتنوعت قيمه، زاد العبء الواقع على إدارة الذاكرة، لاسيما عند تكرار عمليات الفحص والمقارنة النصية التي تتطلب قراءة الحروف ومقارنتها بايت تلو الآخر.

في المقابل، يتمتع المتغير الفئوي بهيكل بيانات مزدوج يجمع بين الكفاءة والسرعة؛ إذ يُخزن كمتجه رقمي صحيح (Integer Vector) يحمل سمة إضافية (Attribute) تُدعى levels تحتوي على السلاسل النصية الفريدة، بالإضافة إلى سمة الفئة class = "factor". هذا التمثيل يعني أن المقارنات المنطقية والفرز والتجميع لا تتم بمقارنة النصوص المعقدة، بل بمقارنة أرقام صحيحة بسيطة وسريعة للغاية على مستوى المعالج المركزي (CPU).

يظهر التباين في استهلاك الذاكرة بوضوح عند التعامل مع مجموعات البيانات الكبيرة (Big Data)؛ فإذا احتوى جدول على مليون صف لمتغير يمثل المحافظة الجغرافية بعدد 10 محافظات، فإن المتجه النصي يستهلك حجماً كبيراً لإدارة مؤشرات النصوص المتكررة، بينما يستهلك العامل جزءاً يسيراً من تلك المساحة بفضل الاعتماد على الأرقام من 1 إلى 10 فقط مع تخزين أسماء المحافظات العشر لمرة واحدة فقط.

2.2 التعامل البرمجي والتأثير على العمليات الحسابية والمنطقية

ينعكس الفارق البنيوي بين النمطين مباشرة على السلوك البرمجي للدوال التحليلية والاستكشافية في R. فعلى سبيل المثال، عند تمرير متجه نصي إلى دالة التلخيص summary()، تكتفي الدالة بعرض الطول الإجمالي للمتجه ونوعه البرمجي دون تقديم أي رؤى إحصائية ذات معنى. أما عند تمرير عامل فئوي إلى الدالة ذاتها، فإنها تقدم تلقائياً جدول توزيع تكراري تفصيلي يُظهر عدد التكرارات لكل مستوى من مستويات المتغير.

تفرض المتغيرات الفئوية قيوداً صارمة على التعديل المباشر والدمج؛ فإذا حاول المبرمج إسناد قيمة نصية جديدة إلى عنصر داخل عامل دون أن تكون هذه القيمة مسجلة مسبقاً ضمن المستويات المعرفة (Levels)، يقوم مفسر R بإنتاج تحذير فوري ويحول القيمة المدخلة إلى قيمة مفقودة من نوع NA لحماية اتساق البيانات. في المقابل، يسمح المتجه النصي بإضافة أي نص حر دون قيود، وهو ما يمثل سلاحاً ذا حدين بين المرونة وفقدان الضبط الهيكلي.

للتحقق من طبيعة المتغير برمجياً وضمان دقة سير العمل التحليلي، توفر R مجموعة من الدوال المنطقية والفحصية. يمكن استخدام الدالة العامة class() للتعرف على الفئة، أو الدوال الاختبارية المتخصصة مثل is.factor() وis.character()، والتي تُرجع قيماً منطقية (TRUE أو FALSE) تُعد بالغة الأهمية لبناء الشروط البرمجية المؤتمتة داخل خطوط معالجة وتنظيف البيانات.

3. التحويل الأساسي باستخدام دالة as.factor() للمتجهات الفردية

3.1 البنية النحوية الأساسية (Syntax) لدالة as.factor()

تُعد دالة as.factor() الأداة الكلاسيكية والأكثر شيوعاً في النظام الأساسي للغة R للتحويل السريع والمباشر من النمط النصي إلى النمط الفئوي. تعتمد الدالة صيغة نحوية بسيطة ومباشرة تأخذ كائناً نصياً أو رقمياً كمدخل وحيد، وتقوم بإرجاع كائن جديد ينتمي إلى فئة factor، محتفظاً بالقيم ذاتها ولكن بعد إعادة هيكلتها وفق نظام المستويات والأعداد الصحيحة الداخلية.

تأخذ الصيغة العامة للتحويل الشكل الآتي:

factor_vector <- as.factor(character_vector)

وتتميز هذه الدالة بالبساطة والخلو من التعقيد؛ حيث لا تتطلب تحديد معاملات إضافية لضبط الإعدادات، مما يجعلها الخيار الأول للتحويلات السريعة أثناء عمليات الاستكشاف المبدئي للبيانات والتجارب البرمجية السريعة في بيئة التطوير.

تقوم دالة as.factor() باستخراج المستويات تلقائياً عبر فحص جميع القيم الفريدة الموجودة في المتجه النصي المدخل، ومن ثم ترتيبها ترتيباً تصاعدياً افتراضياً وفق النظام الأبجدي أو المعجمي (Alphabetical Order). وبعد إتمام التحويل، يمكن التأكد من نجاح العملية باستخدام دالة class(factor_vector) التي ستُظهر المخرج "factor" كدلالة قاطعة على تغير البنية النوعية للمتجه.

3.2 تطبيق عملي: تحويل متجه نصي بسيط مع التحقق من المخرجات

لتوضيح التطبيق العملي لهذه الآلية، نفترض وجود متجه نصي يمثل نتائج فحص طبي لمجموعة من المرضى يحتوي على تكرارات للحالات: “Positive”، “Negative”، و”Inconclusive”. يتم تعريف المتجه النصي أولاً عبر دالة الدمج c()، حيث يتم تخزين القيم كسلاسل نصية تفصل بينها علامات الاقتباس، مع ملاحظة أن المتجه في هذه المرحلة لا يملك أي سمة فئوية ولا يحتوي على مستويات منظمة.

عند تطبيق دالة as.factor() على هذا المتجه، يقوم مفسر R بمسح المتجه بالكامل وتحديد القيم الثلاث الفريدة وتعيينها كمستويات للعامل الجديد مرتبة أبجدياً: 1 لـ “Inconclusive”، و2 لـ “Negative”، و3 لـ “Positive”. وعند طباعة العامل الناتج على شاشة الطرفية، يظهر المتجه بصورته المعتادة ولكن متبوعاً بسطر إضافي يحمل التسمية Levels: Inconclusive Negative Positive، وهو الدليل المباشر على نجاح التحويل الهيكلي.

يمكن للمحلل بعد ذلك استخراج هذه المستويات برمجياً باستخدام دالة levels()، والتي تُرجع متجهاً نصياً يحتوي فقط على الفئات الفريدة المعترف بها داخل الكائن. كما يمكن استخدام دالة str() (Structure) لمعاينة التركيب الداخلي؛ حيث ستُظهر الدالة أن المتغير قد أصبح من نوع Factor بثلاثة مستويات، متبوعة بالأرقام الصحيحة التي تُشفر كل قيمة في المتجه الأصلي بدقة متناهية.

4. التحويل المتقدم باستخدام دالة factor() وتحديد المستويات

4.1 الفرق بين as.factor() ودالة factor() المباشرة

على الرغم من سهولة استخدام as.factor()، فإن دالة البناء الأساسية factor() توفر مرونة مطلقة وتحكماً هندسياً دقيقاً في كيفية إنشاء العامل وإدارته. تتيح دالة factor() تمرير مجموعة من المعاملات المتخصصة مثل معامل المستويات levels، ومعامل التسميات labels، ومعامل الاستبعاد exclude، ومعامل الترتيب ordered، مما يمنح المحلل سلطة كاملة لتشكيل المتغير الفئوي وفق المتطلبات النظرية للدراسة.

يبرز الفارق الجوهري عند الحاجة إلى تحديد فئات متوقعة إحصائياً ولكنها لم تظهر فعلياً في عينة البيانات المتاحة. في حين تكتفي دالة as.factor() بحصر المستويات بناءً على القيم الحاضرة فقط في المتجه، تتيح دالة factor() إمكانية تمرير متجه كامل من المستويات المحتملة عبر المعامل levels. وإذا تضمنت هذه القائمة فئات غير موجودة في البيانات، يتم تسجيلها كمستويات رسمية بتكرار يساوي صفراً، وهو أمر حيوي جداً في الدراسات الوبائية والاستبيانات لمنع إسقاط الفئات النادرة من جداول التحليل.

علاوة على ذلك، تسمح دالة factor() بتغيير المسميات الظاهرية للفئات بالتزامن مع عملية التحويل من خلال المعامل labels. هذا المعامل يتيح استبدال النصوص الأصلية بتسميات أكثر وضوحاً أو ترجمتها إلى لغة أخرى دون الحاجة إلى خطوات معالجة نصية مسبقة، مع الحفاظ على الربط الرياضي الدقيق بين الأرقام المشفرة والتسميات الجديدة.

4.2 إنشاء عوامل رتبية (Ordered Factors)

في العديد من التطبيقات الإحصائية والقياسات النفسية والاجتماعية، لا تكون الفئات مجرد مسميات متكافئة، بل تحمل في طياتها تدرجاً وترتيباً منطقياً واضحاً، كما هو الحال في مقاييس ليكرت (مثل: “غير موافق بشدة”، “غير موافق”، “محايد”، “موافق”، “موافق بشدة”)، أو في التصنيفات التعليمية والجرعات الدوائية. للتعامل مع هذه الطبيعة الترتيبية، توفر دالة factor() المعامل المنطقي ordered = TRUE.

عند تفعيل هذا المعامل مع تمرير المستويات بالترتيب التصاعدي الصحيح، يتحول المتغير إلى فئة خاصة تُعرف بـ ordered factor (أو الفئة المزدوجة ordered وfactor). يُظهر مفسر R هذا الترتيب عند طباعة المستويات باستخدام رمز أقل من (<) بين الفئات المتعاقبة، مما يوضح للمستخدم وللخوارزميات البرمجية وجود علاقة تفضيلية وترتيبية صارمة بين عناصر المتجه.

يمتد تأثير العوامل الرتبية إلى العمليات المنطقية والاختبارات الإحصائية؛ حيث يُصبح بالإمكان إجراء مقارنات تفاضلية مباشرة باستخدام معاملات المقارنة مثل > و<= بين عناصر المتغير، وهو ما لا يمكن تطبيقه على العوامل الاسمية العادية. كما يؤثر ذلك تأثيراً مباشراً على كيفية معالجة المتغير داخل نماذج الانحدار، حيث يتم تطبيق حدود متعددة الحدود المتعامدة (Orthogonal Polynomial Contrasts) تلقائياً لتحليل الاتجاهات الخطية والتربيعية بدلاً من المتغيرات الوهمية البسيطة.

5. تحويل عمود واحد داخل إطار البيانات (Data Frame)

5.1 استخدام التعيين المباشر عبر عامل التشغيل `$`

في بيئات العمل الواقعية لتحليل البيانات، نادراً ما يتم التعامل مع متجهات نصية معزولة؛ بل تُخزن البيانات عادة داخل أطر بيانات منظمة (Data Frames) تحتوي على صفوف وأعمدة متعددة الأنماط. ولتحويل عمود نصي محدد إلى عامل فئوي دون التأثير على بنية الجدول أو بقية المتغيرات، يُعد عامل التشغيل التعييني $ الوسيلة الأكثر شهرة واستخداماً في البرمجة بلغة R الكلاسيكية.

تعتمد آلية التعيين المباشر على استدعاء العمود المستهدف باسمه الصريح عبر رمز $ وتمريره إلى دالة التحويل، ثم إعادة إسناد الناتج إلى العمود ذاته داخل إطار البيانات، بالصيغة القياسية التالية:

df$gender <- as.factor(df$gender)

تضمن هذه العملية تحديث العمود المحدد موضعياً وتحويل نوعه من character إلى factor مع بقاء جميع الأعمدة الرقمية والنصية الأخرى على حالتها دون أدنى تغيير.

عقب تنفيذ هذه الخطوة، يُنصح دائماً بالتحقق من نجاح التحول الهيكلي لإطار البيانات باستخدام دالة الفحص الشامل str(df) أو دالة الاستعراض السريع head(df). يُظهر الفحص الهيكلي نوع كل عمود وعدد مستوياته، مما يضمن للمحلل سلامة البيانات وتجنب الأخطاء غير المقصودة قبل الشروع في بناء النماذج الإحصائية المعقدة.

5.2 استخدام الفهرسة بالمصفوفات `[[ ]]` لتحديث العمود

تُمثل الفهرسة القائمة على الأقواس المزدوجة [[ ]] البديل الأكثر قوة ومرونة لأسلوب التعيين عبر $، وخاصة عند كتابة دوال مخصصة، أو بناء نصوص برمجية ديناميكية تعتمد على استقبال أسماء الأعمدة كمتغيرات نصية. فبينما يتطلب عامل $ كتابة الاسم الحرفي الثابت للعمود، تتيح الأقواس المزدوجة تمرير اسم العمود كسلسلة نصية مخزنة داخل متغير برمجي آخر.

تأخذ هذه الصيغة النمط التالي:

df[["gender"]] <- as.factor(df[["gender"]])

أو باستخدام متغير وسيط:

col_name <- "gender" ثم df[[col_name]] <- as.factor(df[[col_name]])

هذه المرونة تجعل الفهرسة بالمصفوفات الخيار الأمثل في برمجة الحزم والأدوات المؤتمتة التي تتعامل مع جداول بيانات متغيرة الأسماء والحقول دون تدخل يدوي مستمر.

من الناحية الأدائية والأمنية، تتفوق الفهرسة بالأقواس المزدوجة على عامل $ في تفادي المطابقة الجزئية غير المقصودة لأسماء الأعمدة (Partial Matching)؛ حيث يفرض أسلوب [[ ]] تطابقاً تاماً ودقيقاً لاسم العمود المستهدف، مما يمنع تحويل أعمدة خاطئة تشترك في الحروف الأولى مع العمود المطلوب، وبالتالي يحافظ على سلامة واتساق خط المعالجة البرمجي.

6. تحويل أعمدة متعددة دفعة واحدة من نصوص إلى عوامل

6.1 التحويل الجماعي باستخدام دوال Base R (عائلة apply)

عند التعامل مع مجموعات بيانات واسعة تتضمن عشرات الأعمدة النصية المراد تحويلها إلى عوامل، يصبح التحويل الفردي عموداً تلو الآخر عملية غير فعالة وعرضة للأخطاء البشرية. يوفر النظام الأساسي Base R حلولاً أنيقة وقوية للتحويل الجماعي من خلال عائلة دوال التطبيق، وخاصة دالة lapply() التي تطبق دالة معينة على كل عنصر من عناصر القائمة أو إطار البيانات.

يمكن تحديد أسماء الأعمدة النصية المستهدفة ضمن متجه نصي، ثم تمرير هذا الجزء من إطار البيانات إلى دالة lapply() مقترنة بدالة as.factor، وإعادة إسناد الناتج إلى الأعمدة المحددة مباشرة. تضمن هذه الطريقة معالجة متوازية لجميع الأعمدة المستهدفة بكفاءة برمجية عالية وسطور كود محدودة للغاية.

علاوة على ذلك، يمكن أتمتة العملية بالكامل لاكتشاف وتحويل جميع الأعمدة النصية بصورة شرطية تلقائية دون الحاجة إلى كتابة أسمائها يدوياً. يتم ذلك عن طريق فحص أنواع الأعمدة باستخدام دالة sapply(df, is.character) لإنشاء قناع منطقي (Logical Mask)، ثم تطبيق lapply() على الأعمدة المطابقة للشرط فقط، مما يحول كافة المتغيرات النصية في الجدول إلى عوامل بضغطة زر واحدة دون المساس بالأعمدة الرقمية أو الزمنية.

6.2 استخدام الحلقات التكرارية (Loops) للتحويل المشروط

على الرغم من تفضيل البرمجة المتجهة (Vectorized Programming) في لغة R، تظل الحلقات التكرارية التقليدية مثل حلقة for خياراً تعليمياً وهيكلياً ممتازاً يوفر تحكماً استثنائياً وتتبعاً خطوة بخطوة لعمليات التحويل المعقدة، لاسيما عند الحاجة إلى تطبيق شروط مخصصة أو تسجيل تقارير تفصيلية أثناء سير عملية التنظيف والتجهيز.

يتم بناء حلقة التكرار للمرور على أسماء أو فهارس كافة أعمدة إطار البيانات؛ وداخل جسم الحلقة، يتم وضع شرط منطقي باستخدام if (is.character(df[[col]])). فإذا تحقق الشرط وكان العمود نصياً بالفعل، يتم تنفيذ التحويل عبر as.factor() وتحديث العمود المعني مباشرة. هذا الأسلوب يضمن فحص كل عمود بمعزل عن الآخر وإجراء التحويل بدقة متناهية.

من منظور الكفاءة الحسابية، قد تكون الحلقات التكرارية في الإصدارات القديمة من R أبطأ نسبياً من الدوال المتجهة، إلا أن التحديثات الجوهرية في مترجم كود R الحديث (Bytecode Compiler) قلصت هذا الفارق الزمني بشكل كبير ليصبح غير محسوس في معظم التطبيقات العملية، مما يجعل الحلقات التكرارية خياراً عملياً ومقروءاً للمحللين من مختلف الخلفيات البرمجية.

7. التحويل المعاصر باستخدام منظومة Tidyverse وحزمة dplyr

7.1 استخدام دالة mutate() مع as.factor() لتحويل عمود منفرد

أحدثت منظومة حزم Tidyverse ثورة في ممارسات تحليل البيانات في لغة R بفضل تركيزها على مقروءية الكود، وتوحيد المعايير البنائية، وسلاسة تدفق البيانات عبر خطوط الأنابيب (Pipelines). وتُعد دالة mutate() التابعة لحزمة dplyr الأداة المركزية لتعديل الأعمدة القائمة أو إنشاء متغيرات جديدة بأسلوب برمجي حديث وعالي التعبيرية.

عند استخدام خطوط الأنابيب—سواء باستخدام العامل الكلاسيكي %>% التابع لحزمة magrittr أو عامل الأنابيب الأصلي في R الحديثة |>—تتم عملية تحويل العمود النصي عبر تمرير إطار البيانات بسلاسة إلى دالة mutate()، حيث يتم استدعاء as.factor() مباشرة لتعديل العمود. يتيح هذا النمط للمحلل ربط خطوات التصفية والاختيار والتحويل والتلخيص في سلسلة متصلة يسهل قراءتها وتتبعها منطقياً.

يتميز هذا الأسلوب الحديث بالحفاظ الكامل على ثبات وتجانس كائنات البيانات من نوع tibble أو data.frame؛ حيث لا يتم اللجوء إلى التعديل الموضعي المشوش، بل يتم إنتاج نسخ معدلة ونظيفة تضمن عدم حدوث آثار جانبية غير مرغوبة (Side Effects) في البيئة البرمجية المحيطة، وهو ما يعزز موثوقية الأكواد وقابليتها للتكرار والمراجعة العلمية.

7.2 التحويل الجماعي المتطور باستخدام mutate(across())

تُمثل دالة across() المدمجة داخل mutate() في حزمة dplyr أحدث وأقوى تقنيات التحويل الجماعي للمتغيرات في بيئة R المعاصرة. تتيح هذه الدالة تطبيق عملية تحويلية موحدة على مجموعة مختارة من الأعمدة بناءً على شروط دلالية دقيقة أو خصائص موضعية دون الحاجة لتكرار الكود أو كتابة حلقات تكرارية يدوية.

لتحويل كافة الأعمدة النصية في جدول البيانات دفعة واحدة، يمكن الجمع بين across() والدالة الشرطية where() بالصيغة التعبيرية الرائعة التالية:

df <- df |> mutate(across(where(is.character), as.factor))

تقوم هذه العبارة البرمجية الموجزة بفحص كافة أعمدة الجدول بصورة آلية وتطبيق دالة التحويل as.factor فقط على الأعمدة ذات النوع النصي، مع الحفاظ الكامل على بقية الأعمدة بمختلف أنواعها.

كما تتيح دالة across() استخدام مجموعة واسعة من دوال المساعدة في الاختيار التابعة لمنظومة tidyselect، مثل starts_with()، وends_with()، وcontains()، لاستهداف أعمدة نصية معينة تشترك في نمط تسمية محدد. وتسمح أيضاً بدمج عمليات التنظيف النصي—مثل إزالة المسافات البيضاء الزائدة عبر stringr::str_trim()—مع عملية التحويل الفئوي في سطر واحد فائق الأناقة والكفاءة.

8. إدارة المستويات (Levels) والتسميات (Labels) بعد التحويل

8.1 إعادة ترتيب المستويات وضبط الفئة المرجعية (Reference Level)

عند تحويل المتجه النصي إلى عامل، يقوم مفسر R افتراضياً بترتيب المستويات هجائياً وفق الحروف الأولى لكل فئة. ورغم أن هذا الترتيب قد يبدو منطقياً من الناحية التنظيمية، فإنه غالباً ما يسبب مشاكل إحصائية جوهرية عند تفسير نتائج النماذج الخطية ونماذج الانحدار اللوجستي؛ حيث تعتمد هذه النماذج على المستوى الأول في ترتيب العامل ليكون هو الفئة المرجعية (Reference Level أو Baseline) التي تُقاس بالنسبة إليها تأثيرات بقية الفئات.

لإعادة تعيين الفئة المرجعية وضبط اتجاه المقارنة الإحصائية بصورة دقيقة، يوفر النظام الأساسي في R دالة متخصصة هي relevel(). تتيح هذه الدالة تحديد الفئة المطلوبة لتصبح في مقدمة جدول المستويات، كأن يتم اختيار المجموعة الضابطة (Control Group) لتكون المرجع بدلاً من مجموعة العلاج، بمجرد استدعاء الصيغة:

df$treatment <- relevel(df$treatment, ref = "Control")

ويضمن هذا الإجراء إعادة حساب معلمات النموذج وتفسير فترات الثقة ونسب الأرجحية بدقة إحصائية سليمة تماماً.

أما إذا تطلب التحليل إعادة ترتيب كافة المستويات وفق نسق مخصص وغير افتراضي، فيمكن تمرير الترتيب الجديد كاملاً عبر المعامل levels داخل دالة factor()، مما يمنح الباحث السيطرة التامة على التتابع المنطقي للفئات وتأثيرها على مخرجات النمذجة والرسوم البيانية المصاحبة.

8.2 إعادة تسمية ودمج المستويات المتقاربة

تتطلب مراحل تنظيف البيانات وإعدادها في كثير من الأحيان تعديل التسميات الظاهرية لبعض المستويات لإصلاح أخطاء الإدخال، أو توحيد الصيغ اللغوية، أو دمج فئات متقاربة ومحدودة التكرار في فئة رئيسية واحدة لتجنب مشكلة فرط التخصيص (Overfitting) في النماذج التنبؤية. وتتيح لغة R تنفيذ هذه العمليات بطرق مرنة ومباشرة عبر التعديل المباشر لدالة levels().

يمكن إعادة تسمية المستويات ببساطة عن طريق إسناد متجه نصي جديد يحتوي على الأسماء المعدلة إلى levels(factor_var)، بشرط أن يتطابق طول المتجه الجديد تماماً مع عدد المستويات الأصلية. ولدمج مستويين مختلفين في مستوى واحد، يكفي إسناد الاسم المشترك الجديد للموضعين المعنيين داخل مصفوفة المستويات؛ وسيقوم نظام R فوراً بدمج الفئات المتطابقة في مستوى موحد وتحديث كافة القيم المرتبطة بها في المتجه بصورة تلقائية وآمنة.

تكتسب هذه التقنية أهمية استثنائية عند معالجة التباينات الناتجة عن حساسية حالة الأحرف (Case Sensitivity) في النصوص الإنجليزية، أو الفروق الطفيفة في كتابة الهمزات والتاء المربوطة في النصوص العربية؛ حيث يمكن توحيد المتغيرات الفئوية وتجميعها تحت مسميات متجانسة تمهيداً لإجراء التحليلات الإحصائية الدقيقة.

9. استخدام حزمة forcats لمعالجة العوامل بكفاءة احترافية

9.1 دوال إعادة الترتيب المتقدمة في forcats

صُممت حزمة forcats كجزء أساسي من منظومة Tidyverse لمعالجة كافة التحديات والتعقيدات المرتبطة بالمتغيرات الفئوية في R عبر مجموعة متكاملة من الدوال المتخصصة التي تبدأ جميعها بالسابقة المعيارية fct_. تقدم الحزمة حلولاً ثورية وغاية في السهولة لعمليات إعادة ترتيب المستويات التي كانت تتطلب سابقاً أكواداً معقدة وطويلة في R الأساسية.

من أبرز هذه الأدوات دالة fct_reorder() التي تتيح إعادة ترتيب مستويات العامل استناداً إلى متغير رقمي مساعد، كأن يتم ترتيب أسماء القطاعات الاقتصادية تصاعدياً بناءً على متوسط الأرباح أو الوسيط الحسابي للمبيعات. كما تبرز دالة fct_infreq() التي ترتب المستويات تلقائياً وفق تكرار ظهورها في البيانات من الأكثر تكراراً إلى الأقل، وهو أمر بالغ الأهمية عند تصميم المخططات البيانية الشريطية (Bar Charts) لعرض الأولويات والتوزيعات بوضوح فائق.

ولدعم احتياجات التمثيل البصري المتقدمة في ggplot2، تقدم الحزمة أيضاً دالة fct_rev() التي تعكس الترتيب الحالي للمستويات بسهولة تامة، مما يسمح بمطابقة الترتيب الظاهري للأعمدة والشرائط مع اتجاه قراءة المحاور الأفقية والعمودية دون الحاجة لتعديل البيانات الخام أو كتابة شروط مصفوفية مخصصة.

9.2 معالجة المستويات الشاذة ودمج الفئات النادرة

تمثل الفئات النادرة ذات التكرارات المنخفضة جداً معضلة شائعة في تحليل البيانات والتطبيقات الإحصائية؛ إذ تؤدي كثرة المستويات الهامشية إلى تشتت التقديرات وزيادة درجات الحرية المستهلكة في النماذج دون فائدة حقيقية. تقدم حزمة forcats حلاً جذرياً وسريعاً لهذه المشكلة من خلال عائلة دوال fct_lump() المتطورة.

تتيح دالة fct_lump_n() للمحلل تحديد عدد الفئات الرئيسية المراد الاحتفاظ بها (وليكن أعلى 5 فئات)، بينما تقوم الدالة تلقائياً بتجميع كافة المستويات المتبقية الأقل تكراراً ودمجها تحت مستوى موحد يحمل افتراضياً اسم "Other". كما توفر دالة fct_lump_prop() إمكانية دمج الفئات التي يقل تكرارها النسبي عن نسبة مئوية محددة من إجمالي العينة، مما يحافظ على التوازن الإحصائي للبيانات.

ولإعادة تسمية وتعديل الفئات بشكل تفصيلي ومحدد، توفر الحزمة دالة fct_recode() ذات البناء النحوي الواضح، والتي تتيح للمستخدم تحديد المسميات الجديدة والقديمة بأسلوب إسنادي مباشر وبسيط. وعند تصفية البيانات (Filtering) وحذف بعض الصفوف، تبرز دالة fct_drop() كأداة لا غنى عنها لإسقاط المستويات غير المستخدمة والفارغة من جدول العامل، مما يمنع ظهور أعمدة فارغة في الجداول التلخيصية والرسوم البيانية اللاحقة.

10. التعامل مع القيم المفقودة (NA) والتحديات الشائعة أثناء التحويل

10.1 إدارة القيم المفقودة (NA) كفئة قائمة بذاتها أو قيمة غائبة

يُمثل التعامل مع البيانات المفقودة (Missing Values) إحدى أكثر المراحل حساسية أثناء تحويل السلاسل النصية إلى عوامل فئوية. في السلوك الافتراضي لدوال Base R مثل as.factor() وfactor()، يتم استبعاد القيم المفقودة الحقيقية (الممثلة بالرمز NA) من جدول المستويات المعرفة؛ وتظل هذه القيم كعناصر غائبة لا ترتبط بأي عدد صحيح، مما يؤدي إلى تجاهلها تلقائياً في حسابات التكرار والنماذج الإحصائية.

ومع ذلك، تقتضي بعض المنهجيات التحليلية في العلوم الاجتماعية واستطلاعات الرأي معاملة عدم الاستجابة أو القيم الغائبة كفئة قائمة بذاتها (مثل فئة “لم يجب” أو “غير معروف”) لدراسة نمط الفقدان نفسه. لتحقيق ذلك داخل R الأساسية، يمكن استخدام المعامل exclude = NULL داخل دالة factor()، مما يجبر المفسر على تضمين NA كمستوى رسمي من مستويات العامل يتم حسابه وعرضه في كافة التحليلات.

وفي إطار منظومة Tidyverse الحديثة، توفر حزمة forcats حلولاً أكثر وضوحاً وانضباطاً من خلال دالة fct_na_value_to_level() (المعروفة سابقاً بـ fct_explicit_na()). تتيح هذه الدالة تحويل كافة القيم المفقودة في العامل إلى مستوى نصي صريح ذي تسمية محددة بدقة (مثل level = "Missing")، مما يسهل معالجتها واستكشافها بصرياً وإحصائياً وتجنب اللبس البرمجي في التعامل مع المؤشرات الفارغة.

10.2 المأزق الكلاسيكي: التحويل من Factor إلى Numeric مروراً بالنص

يُعد التحويل المباشر وغير الواعي من المتغيرات الفئوية إلى المتغيرات الرقمية واحداً من أشهر المزالق البرمجية الكلاسيكية وأكثرها خطورة في لغة R، والتي غالباً ما تؤدي إلى تشويه البيانات واستنتاج نتائج إحصائية كارثية دون أن يصدر النظام أي رسالة خطأ صريحة تنبه المستخدم.

تحدث هذه المشكلة عندما يحتوي العمود النصي في الأصل على أرقام (مثل: “100”، “200”، “500”) ويتم تحويله إلى عامل، ثم يرغب المحلل لاحقاً في استعادة الأرقام الأصلية للحسابات الرياضية فيقوم باستدعاء as.numeric(factor_var) مباشرة. في هذه الحالة، لا تقوم لغة R باسترجاع القيم الرقمية الحقيقية، بل تُرجع الأرقام الصحيحة المشفرة للفهارس الداخلية (1، 2، 3)، مما يؤدي إلى استبدال القيمة 500 بالرقم 3 تماماً!

لتجنب هذا المأزق البرمجي الفادح، وضعت مجتمعات R الإحصائية قاعدة ذهبية تنص على ضرورة المرور عبر النمط النصي كجسر وسيط عند استرجاع الأرقام من العوامل، بالصيغة القياسية الصارمة:

numeric_var <- as.numeric(as.character(factor_var))

تضمن هذه الصيغة فك تشفير الفهرس أولاً واستعادة السلسلة النصية الأصلية (“500”)، ثم تحويل السلسلة النصية بأمان إلى القيمة الرياضية الصحيحة المقابلة (500)، مما يحافظ على الدقة العددية التامة للبيانات.

11. التطبيقات الإحصائية والنمذجة الرياضية المعتمدة على العوامل

11.1 استخدام العوامل في نماذج الانحدار الخطي واللوجستي (GLM)

تعتمد محركات النمذجة الرياضية في لغة R، مثل دالة الانحدار الخطي lm() ودوال النماذج الخطية المعممة glm()، اعتماداً محورياً على المتغيرات الفئوية لتوليد مصفوفة التصميم (Design Matrix) تلقائياً عبر تقنية المتغيرات الوهمية (Dummy Coding أو Treatment Coding). فعند إدراج عامل يحتوي على $k$ من المستويات كمتغير مستقل في النموذج، يقوم مفسر R بإنشاء $k – 1$ من المتغيرات الثنائية (0 أو 1)، مع اعتبار المستوى الأول فئة مرجعية أساسية.

ينعكس هذا التحويل الرياضي مباشرة على جدول المعاملات الإحصائية الناتج؛ حيث يمثل الحد الثابت (Intercept) متوسط الاستجابة للفئة المرجعية عندما تكون بقية المتغيرات صفراً، بينما يمثل معامل كل مستوى فئوي آخر الفرق في متوسط الاستجابة بين ذلك المستوى وبين الفئة المرجعية المحددة. وإذا تم تمرير المتغير كنص خام بدلاً من عامل مهيكل، تضطر دوال R إلى تحويله داخلياً بترتيب أبجدي عشوائي قد لا يخدم الفرضية العلمية للدراسة، ويفقد الباحث القدرة على ضبط الفئة الضابطة بدقة.

علاوة على ذلك، يتيح التحويل السليم إلى عوامل فئوية استكشاف التفاعلات الإحصائية (Interaction Effects) بين المتغيرات التصنيفية والمتغيرات الكمية المستمرة بسهولة فائقة، مما يمكن الباحثين من تقييم تباين استجابة المجموعات المختلفة لمتغيرات التدخل والتنبؤ بدقة بالسلوك المستقبلي للظاهرة محل الدراسة.

11.2 التحليل التبايني (ANOVA) واختبار الفروق بين المجموعات

يُشكل التحويل إلى عوامل فئوية شرطاً بنيوياً لازماً لتنفيذ اختبارات تحليل التباين بأنواعها المختلفة، مثل تحليل التباين الأحادي (One-Way ANOVA)، والتحليل الثنائي، وتحليل القياسات المتكررة (Repeated Measures ANOVA) باستخدام دوال مثل aov() وAnova(). تعتمد هذه الدوال على بنية العامل لتقسيم التباين الكلي في المتغير التابع إلى تباين بين المجموعات (Between-Group Variance) وتباين داخل المجموعات (Within-Group Variance).

تساعد العوامل محركات التحليل الإحصائي في تحديد درجات الحرية (Degrees of Freedom) الخاصة بالمجموعات التصنيفية بدقة متناهية استناداً إلى عدد المستويات المعرفة في العامل مطروحاً منها واحد. وإذا كانت البيانات غير مهيكلة كعوامل، تفشل هذه الدوال في احتساب مصفوفات التباين والتباين المشترك، وتتعطل خوارزميات الاختبارات البعدية الشهيرة مثل اختبار توكي للفروق المعنوية الصادقة (Tukey’s HSD) التي تتطلب تحديداً واضحاً للمجموعات الفئوية لمقارنة المتوسطات الزوجية.

يمتد هذا التكامل الوظيفي إلى تطبيقات التصور البصري المتقدمة؛ حيث تستفيد حزمة ggplot2 من التوصيف الفئوي للعوامل لتوليد المخططات الصندوقية (Boxplots) ومخططات الكمان (Violin Plots) ومخططات النقاط بدقة متناهية، مع تلوين المجموعات وترتيبها وفق التوزيع النظري للدراسة، مما يقدم قراءة بصرية رصينة تدعم الاستنتاجات الإحصائية المعتمدة على اختبارات ANOVA.

12. أفضل الممارسات وخلاصة تطبيقية متكاملة لخطوات العمل

12.1 معايير اختيار الوقت الأنسب للتحويل خلال دورة حياة تنظيف البيانات

تقتضي الممارسات الاحترافية الرصينة في هندسة البيانات وعلم البيانات في لغة R اتباع تسلسل زمني دقيق ومنضبط لعمليات التحويل بين الأنماط؛ حيث إن التوقيت غير المدروس للتحويل من نصوص إلى عوامل قد يسبب تعقيدات برمجية غير ضرورية أثناء معالجة الجداول وتنظيفها.

تتمثل القاعدة الذهبية الأولى في الإبقاء على كافة المتغيرات غير الرقمية في صورتها النصية الحرة (Character) خلال المراحل المبكرة من دورة حياة البيانات، وتحديداً أثناء عمليات استيراد الملفات، واكتشاف الأخطاء المطبعية، وإزالة الفراغات والمسافات الزائدة، وتوحيد الصيغ اللغوية والهمزات، والتعامل مع التعابير النمطية والتجزئة النصية؛ وذلك لأن السلاسل النصية تتمتع بمرونة مطلقة تسمح بالتعديل والاستبدال دون الاصطدام بقيود المستويات الصارمة للعوامل.

وعند اكتمال تنظيف النصوص وتأكيد نقاء البيانات وتجانسها، ينتقل المحلل إلى مرحلة التحويل إلى عوامل فئوية (Factors) كخطوة تحضيرية تسبق مباشرة عمليات الاستكشاف الإحصائي، وجدولة التكرارات، وبناء الرسوم البيانية، وهندسة الخصائص (Feature Engineering)، وتدريب النماذج التنبؤية. ويُنصح بشدة بتوثيق خريطة تحويل المستويات والأوصاف المرجعية كبيانات وصفية (Metadata) لضمان الشفافية وقابلية إعادة الإنتاج (Reproducibility) في الأبحاث المستقبلية.

12.2 دراسة حالة برمجية شاملة خطوة بخطوة

لتطبيق كافة المفاهيم المتقدمة التي تم استعراضها في هذا الدليل، نستعرض دراسة حالة تطبيقية متكاملة تحاكي سيناريو واقعي لتحليل بيانات تجربة سريرية طبية تحتوي على متغيرات نصية ورتبية غير نظيفة تتطلب معالجة وتحويلاً شاملاً.

تبدأ خطة العمل باستيراد جدول البيانات الذي يحتوي على معرفات المرضى (Patient_ID)، والجنس (Gender)، والحالة التعليمية (Education)، ومجموعة التدخل العلاجي (Treatment_Group)، والاستجابة السريرية (Clinical_Outcome). في الخطوة الأولى، يتم استخدام دوال Tidyverse لفحص أنواع البيانات باستخدام glimpse() والتأكد من استقرار الأعمدة النصية.

في الخطوة الثانية، يتم تطبيق التنظيف النصي الشامل لإزالة الفراغات وتوحيد الحالات، يليه استخدام الدالة المتطورة mutate() مع across() لتحويل كافة الأعمدة النصية المستهدفة إلى عوامل فئوية. ويتم ضبط متغير التعليم ليكون عاملاً رتبياً باستخدام ordered = TRUE ليعكس التدرج من المرحلة الابتدائية حتى الدراسات العليا بدقة، بينما يتم استخدام دالة relevel() على عمود المجموعة العلاجية لتعيين مجموعة الدواء الوهمي (Placebo) كفئة مرجعية أساسية للنموذج.

في الخطوة الثالثة والأخيرة، يتم تمرير إطار البيانات الجاهز والمعدل إلى دالة الانحدار اللوجستي glm() للتنبؤ بالاستجابة السريرية، يليه استدعاء ggplot2 لبناء مخططات بيانية ملونة تُظهر بدقة نسب الاستجابة عبر المجموعات المختلفة، مما يؤكد اكتمال سلسلة التحليل بنجاح تام وانضباط منهجي فائق يلبي أعلى معايير الجودة في علوم البيانات.

خاتمة واستنتاجات ختامية

يمثل إتقان التحويل بين المتجهات النصية والعوامل الفئوية في لغة R حجر الزاوية لكل ممارس وباحث يسعى إلى بناء خطوط أنابيب تحليلية دقيقة وموثوقة. فالفارق بين النمطين يتجاوز كونه مجرد اختلاف شكلي في المسميات البرمجية، ليمتد إلى جوهر الإدارة التحتية للذاكرة، وسرعة المعالجة الحسابية، وصحة التقديرات الرياضية في النماذج الإحصائية المعقدة.

لقد استعرض هذا الدليل المرجعيات الهيكلية والتقنية للتعامل مع البيانات الفئوية؛ حيث أظهرنا كيف يمكن الاستفادة من بساطة دوال Base R في المهام السريعة والمباشرة، وقوة وتكامل أدوات منظومة Tidyverse وخاصة حزمتي dplyr وforcats في معالجة الجداول الضخمة، وإعادة ترتيب المستويات، وإدارة الفئات النادرة والقيم المفقودة بكل مرونة وسلاسة.

إن الالتزام بأفضل الممارسات المنهجية—بدءاً من تأجيل التحويل إلى ما بعد اكتمال التنظيف النصي، وضبط الفئات المرجعية للنماذج، وتجنب مأزق التحويل المباشر للأرقام المخزنة كعوامل—يضمن للباحثين والمحللين الحفاظ على سلامة البيانات، واستخلاص رؤى إحصائية متينة وقابلة لإعادة التوليد، وبناء تطبيقات علمية تتسم بأعلى درجات الكفاءة والاحترافية.

المراجع والمصادر الأكاديمية (References)

• Grolemund, G., & Wickham, H. (2017). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media. https://r4ds.had.co.nz/
• Wickham, H. (2019). Advanced R (2nd ed.). Chapman and Hall/CRC. https://adv-r.hadley.nz/
• R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Wickham, H., François, R., Henry, L., & Müller, K. (2023). dplyr: A Grammar of Data Manipulation. R package version 1.1.4. https://dplyr.tidyverse.org/
• Wickham, H. (2023). forcats: Tools for Working with Categorical Variables (Factors). R package version 1.0.0. https://forcats.tidyverse.org/
• Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Matloff, N. (2011). The Art of R Programming: A Tour of Statistical Software Design. No Starch Press. https://nostarch.com/artofr.htm