关于在 R 中同时重新编码多个因子水平的问题

Question

使用 plyr 和 dplyr 等惊人的软件包，数据操作变得轻而易举。重新编码因子水平，这可能被证明是一项艰巨的任务，特别是对于具有多个水平的变量，可以使用这些包轻松完成。但是，对于那些学习数据科学的人来说，了解基本 R 的工作原理很重要。

我向 R 专家寻求有关使用基础 R 重新编码因子的帮助。我的问题是关于为什么一种符号在 R 中有效而另一种符号无效。

我生成了一个包含五个类别和 300 个观测值的向量。我将向量转换为因子并生成以下表格。

x <- sample(c("a", "b", "c", "d", "e", "f"), 300, replace = TRUE)
x <-factor(x)

> table(x)
a  b  c  d  e  f 
57 58 51 45 45 44 

> table(as.numeric(x))
 1  2  3  4  5  6 
57 58 51 45 45 44

请注意，通过使用 as.numeric 选项，我可以看到各个字符符号的内部层次结构。比方说，我想将类别 a 和 f 重新编码为缺失。我可以使用以下代码完成此操作。

x[as.numeric(x) %in% c(1,6)] <- NA
> table(factor(x))
b  c  d  e 
58 51 45 45

其中1和6分别对应a和f

请注意，我使用了级别的位置而不是级别本身来将值转换为缺失值。

到目前为止一切顺利。

现在假设我想将类别 a 和 f 转换为成绩。我认为以下代码可以工作，但没有。它 returns 变化多端且错误的答案。

# Recode and a and f as grades
x <- sample(c("a", "b", "c", "d", "e", "f"), 300, replace = TRUE)
x <-factor(x)
table(as.numeric(x))
levels(x)[as.numeric(x) %in% c(1,6)] <- "grades"
table(factor(x))
 a      b      c grades      e      f 
46     46     56     52     42     58

但是，当我明确提及关卡时，脚本会按预期运行。请参阅下面的脚本。

x <- sample(c("a", "b", "c", "d", "e", "f"), 300, replace = TRUE)
x <-factor(x); table(x)
my.list = c("a", "f")
levels(x)[levels(x) %in% my.list] <- "grades"
table(factor(x)) 
grades      b      c      d      e 
   110     49     40     45     56

那么问题来了，为什么一种方法有效，另一种方法无效？

Answer 1

set.seed(123)
x <- sample(c("a", "b", "c", "d", "e", "f"), 300, replace = TRUE)
x <-factor(x)
table(as.numeric(x))

# 1  2  3  4  5  6 
#44 55 56 49 48 48

现在，当您尝试更改 levels

length(as.numeric(x) %in% c(1,6)) #gives
#[1] 300

而

length(levels(x)) #is just
#[1] 6

接下来，当您执行

as.numeric(x) %in% c(1,6) #it returns a vector of length 300
#[1] FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE  TRUE FALSE FALSE  TRUE.......

所以现在，当你这样做时

levels(x)[as.numeric(x) %in% c(1,6)]
#[1] "d" "e" "f" NA  NA  NA  NA  NA  NA  NA .....

因为没有更多的 levels 到 select 来自。

所以，

levels(x)[as.numeric(x) %in% c(1,6)] <- "grades"

将 "d"、"e" 和 "f" 更改为 "grades"

table(x)
#x
# a      b      c grades 
#44     55     56    145

但这不是你想要的。

第二次尝试

levels(x)[levels(x) %in% my.list]

之所以有效，是因为

length(levels(x))
#[1] 6

Answer 2

你想达到什么目标？

使用 as.numeric() 操纵因子不是一个好主意，您可能会感到意外。可能最喜欢的方法是尽可能避免因素（例如在创建数据框时使用 stringsAsFactors=FALSE 和 as.is=TRUE 与 read.csv 和 read.table - as.is 因为相反as.it.is.not)。与使用因子的任何操作相比，操纵字符向量更直接且更不容易出错，并且当技术上需要一个因子时，在许多情况下分析函数会处理它——或者如果这还不够，创建它通常更容易一个动态的因素（具有水平），具有适当的水平排序和标签，而不是担心与因素相关的所有混淆。

那么..

会发生什么

 levels(x)[as.numeric(x) %in% c(1,6)]

levels(x) 是一个长度为 6 的字符向量，as.numeric(x) 是一个长度为 300 的逻辑向量。所以你试图用一个更长的逻辑向量来索引一个短向量。在这样的索引中，索引向量的作用类似于 "switch"，TRUE 表示您希望在输出中的这个位置看到一个项目，而 FALSE 表示您不需要。那么您要 levels(x) 的哪些元素？（这将是随机的，如果重要的话，您可以使用 set.seed 使其可重现。）

> which(as.numeric(x) %in% c(1,6))
 [1]   4   9  10  12  14  16  24  35  37  44  47  52  54  57  58  61  63  69  79  81  82  83
[23]  84  86  87  89  91  92  99 100 103 109 114 121 124 125 129 134 135 138 140 141 143 147
[45] 154 167 178 179 181 187 188 194 201 212 213 214 217 218 219 220 222 232 235 237 239 245
[67] 254 255 258 260 263 265 266 267 275 278 281 286 294 295 296

如果您想通过引用它们的等效数字来替换某些级别，则根本不需要 as.numeric：

 levels(x)[c(1,6)] <- "grades"

 > levels(x)[c(1,6)] <- "grades"
 > table(x)
 x
 grades      b      c      d      e 
    101     45     46     62     46

"a" 和 "f" 已根据需要替换为 "grades"。而上面的"as.numeric"，你想到的是第1级和第6级，但实际上只要求更改第4级。（究竟是哪个级别[s]，取决于RNG，而不是直接在你的控制之下）。

关于在 R 中同时重新编码多个因子水平的问题

A question about recoding multiple factor levels simultaneously in R

r

factors