如何在不丢失信息的情况下将因子转换为整数\数字？

当我将因子转换为数字或整数时，我得到的是底层级别代码，而不是作为数字的值。

f <- factor(sample(runif(5), 20, replace = TRUE))
##  [1] 0.0248644019011408 0.0248644019011408 0.179684827337041
##  [4] 0.0284090070053935 0.363644931698218  0.363644931698218
##  [7] 0.179684827337041  0.249704354675487  0.249704354675487
## [10] 0.0248644019011408 0.249704354675487  0.0284090070053935
## [13] 0.179684827337041  0.0248644019011408 0.179684827337041
## [16] 0.363644931698218  0.249704354675487  0.363644931698218
## [19] 0.179684827337041  0.0284090070053935
## 5 Levels: 0.0248644019011408 0.0284090070053935 ... 0.363644931698218


as.numeric(f)
##  [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2


as.integer(f)
##  [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2

我必须求助于paste才能获得真正的值：

as.numeric(paste(f))
##  [1] 0.02486440 0.02486440 0.17968483 0.02840901 0.36364493 0.36364493
##  [7] 0.17968483 0.24970435 0.24970435 0.02486440 0.24970435 0.02840901
## [13] 0.17968483 0.02486440 0.17968483 0.36364493 0.24970435 0.36364493
## [19] 0.17968483 0.02840901

有没有更好的方法将因子转换为数字？

1104439 次浏览
小开
最佳答案

请参阅?factor的警告部分：

特别是，as.numeric应用于 一个因素是没有意义的，并且可能 通过隐性强制发生。对 将因子f转换为 约为其原始数字 值，as.numeric(levels(f))[f]是 推荐和略多 效率高于 as.numeric(as.character(f)).

关于R有类似的建议的常见问题解答。

为什么as.numeric(levels(f))[f]比as.numeric(as.character(f))更有效？

as.numeric(as.character(f))实际上就是as.numeric(levels(f)[f])，所以你是在length(x)值上执行到数字的转换，而不是在nlevels(x)值上执行。速度差异对于级别很少的长向量最为明显。如果值大多是唯一的，速度不会有太大差异。无论你如何进行转换，此操作不太可能成为代码中的瓶颈，所以不要太担心。

一些时间

library(microbenchmark)
microbenchmark(
as.numeric(levels(f))[f],
as.numeric(levels(f)[f]),
as.numeric(as.character(f)),
paste0(x),
paste(x),
times = 1e5
)
## Unit: microseconds
##                         expr   min    lq      mean median     uq      max neval
##     as.numeric(levels(f))[f] 3.982 5.120  6.088624  5.405  5.974 1981.418 1e+05
##     as.numeric(levels(f)[f]) 5.973 7.111  8.352032  7.396  8.250 4256.380 1e+05
##  as.numeric(as.character(f)) 6.827 8.249  9.628264  8.534  9.671 1983.694 1e+05
##                    paste0(x) 7.964 9.387 11.026351  9.956 10.810 2911.257 1e+05
##                     paste(x) 7.965 9.387 11.127308  9.956 11.093 2419.458 1e+05
小开

R有许多（未记录的）转换因子的便利函数：

  • as.character.factor
  • as.data.frame.factor
  • as.Date.factor
  • as.list.factor
  • as.vector.factor
  • …

但令人烦恼的是，没有什么可以处理因子->数字转换。作为Joshua Ulrich答案的扩展，我建议通过定义自己的惯用函数来克服这一遗漏：

as.double.factor <- function(x) {as.numeric(levels(x))[x]}

您可以将其存储在脚本的开头，甚至更好地存储在.Rprofile文件中。

小开

当因子标签与原始值匹配时，可能会只有。我将用一个例子来解释它。

假设数据是向量x：

x <- c(20, 10, 30, 20, 10, 40, 10, 40)

现在我将创建一个包含四个标签的因子：

f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))

1）x的类型是double，f的类型是integer。这是第一次不可避免的信息丢失。因子总是存储为整数。

> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"

2）只有f可用，不可能恢复到原始值（10,20,30,40）。我们可以看到f只包含整数值1,2,3,4和两个属性-标签列表（“A”，“B”，“C”，“D”）和类属性“因子”。仅此而已。

> str(f)
Factor w/ 4 levels "A","B","C","D": 2 1 3 2 1 4 1 4
> attributes(f)
$levels
[1] "A" "B" "C" "D"


$class
[1] "factor"

要恢复到原始值，我们必须知道创建因子时使用的级别值。在本例中为c(10, 20, 30, 40)。如果我们知道原始级别（按正确顺序），我们可以恢复到原始值。

> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE

这仅适用于为原始数据中的所有可能值定义标签的情况。

因此，如果您需要原始值，您必须保留它们。否则，很有可能仅从一个因素无法恢复它们。

小开

最简单的方法是使用包曲柄中的unfactor函数，它可以接受因子向量甚至数据帧：

unfactor(your_factor_variable)

这个例子可以是一个快速的开始：

x <- rep(c("a", "b", "c"), 20)
y <- rep(c(1, 1, 0), 20)


class(x)  # -> "character"
class(y)  # -> "numeric"


x <- factor(x)
y <- factor(y)


class(x)  # -> "factor"
class(y)  # -> "factor"


library(varhandle)
x <- unfactor(x)
y <- unfactor(y)


class(x)  # -> "character"
class(y)  # -> "numeric"

你也可以在数据框上使用它。例如iris数据集：

sapply(iris, class)

Sepal.Length  Sepal.Width Petal.Length  Petal.Width      Species
"numeric"    "numeric"    "numeric"    "numeric"     "factor"

# load the package
library("varhandle")
# pass the iris to unfactor
tmp_iris <- unfactor(iris)
# check the classes of the columns
sapply(tmp_iris, class)

Sepal.Length  Sepal.Width Petal.Length  Petal.Width      Species
"numeric"    "numeric"    "numeric"    "numeric"  "character"

# check if the last column is correctly converted
tmp_iris$Species

  [1] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[6] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[11] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[16] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[21] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[26] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[31] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[36] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[41] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[46] "setosa"     "setosa"     "setosa"     "setosa"     "setosa"
[51] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[56] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[61] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[66] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[71] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[76] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[81] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[86] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[91] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[96] "versicolor" "versicolor" "versicolor" "versicolor" "versicolor"
[101] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[106] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[111] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[116] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[121] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[126] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[131] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[136] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[141] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
[146] "virginica"  "virginica"  "virginica"  "virginica"  "virginica"
小开

注意：这个特殊的答案是不是用于将数值因子转换为数值，它是用于将分类因子转换为其相应的级别数。

这篇文章中的每个答案都没有为我产生结果，NAs正在生成。

y2<-factor(c("A","B","C","D","A"));
as.numeric(levels(y2))[y2]
[1] NA NA NA NA NA Warning message: NAs introduced by coercion

对我起作用的是- 

as.integer(y2)
# [1] 1 2 3 4 1
小开

如果您有数据帧，您可以使用hablar::convert。语法很简单：

示例df

library(hablar)
library(dplyr)


df <- dplyr::tibble(a = as.factor(c("7", "3")),
b = as.factor(c("1.5", "6.3")))

解决方案

df %>%
convert(num(a, b))

给你：

# A tibble: 2 x 2
a     b
<dbl> <dbl>
1    7.  1.50
2    3.  6.30

或者，如果您希望一列是整数和一个数字：

df %>%
convert(int(a),
num(b))

结果：

# A tibble: 2 x 2
a     b
<int> <dbl>
1     7  1.50
2     3  6.30
小开

游戏后期，偶然发现trimws()可以将factor(3:5)转换为c("3","4","5")。然后你可以调用as.numeric()。即：

as.numeric(trimws(x_factor_var))
小开

从我能读到的许多答案中，唯一给出的方法是根据因子的数量来扩展变量的数量。如果你有一个变量“宠物”，级别为“狗”和“猫”，你最终会得到pet_dog和pet_cat。

在我的例子中，我想保持相同数量的变量，只需将因子变量转换为数字变量，以一种可以应用于具有许多级别的许多变量的方式，例如cat=1和Dog=0。

请在下面找到对应的解决方案：

crime <- data.frame(city = c("SF", "SF", "NYC"),
year = c(1990, 2000, 1990),
crime = 1:3)


indx <- sapply(crime, is.factor)


crime[indx] <- lapply(crime[indx], function(x){
listOri <- unique(x)
listMod <- seq_along(listOri)
res <- factor(x, levels=listOri)
res <- as.numeric(res)
return(res)
}
)
小开

看起来解决方案as.numeric（级别（f））[f]不再适用于R 4.0。

替代解决方案：

factor2number <- function(x){
data.frame(levels(x), 1:length(levels(x)), row.names = 1)[x, 1]
}


factor2number(yourFactor)
小开

type.convert(f)上的一个因子，其水平是完全数值是另一个基本选项。

在性能方面，它相当于as.numeric(as.character(f))，但不如as.numeric(levels(f))[f]快。

identical(type.convert(f), as.numeric(levels(f))[f])


[1] TRUE

也就是说，如果在第一个实例中创建向量作为因子的原因没有被解决（即它可能包含一些不能强制转换为数字的字符），那么这种方法将不起作用，它将返回一个因子。

levels(f)[1] <- "some character level"
identical(type.convert(f), as.numeric(levels(f))[f])


[1] FALSE
小开

strtoi()如果您的因子级别是整数，则有效。

小开

如果您有许多factor列要转换为numeric，

df <- rapply(df, function(x) as.numeric(levels(x))[x], "factor", how =  "replace")

此解决方案对于包含混合类型的data.frames是健壮的，前提是所有因子级别都是数字。


提交答案