R因子的算术运算
Posted
技术标签:
【中文标题】R因子的算术运算【英文标题】:Arithmetic operations on R factors 【发布时间】:2011-10-22 05:14:55 【问题描述】:我有一个 R 数据框,我正在尝试从另一列中减去一列。我使用$
运算符提取列,但列的类是“因子”,R 不会对因子执行算术运算。是否有特殊功能可以做到这一点?
【问题讨论】:
R 中的因子通常用于分类(或序数)数据。您如何定义分类数据的算术? 【参考方案1】:如果您真的希望使用因子的级别,那么您要么做错了事,要么太聪明了。
如果您所拥有的是包含存储在因子级别中的数字的因子,那么您希望首先使用 as.numeric(as.character(...))
将其强制转换为数字:
dat <- data.frame(f=as.character(runif(10)))
您可以在此处查看访问因子索引和分配因子内容之间的区别:
> as.numeric(dat$f)
[1] 9 7 2 1 4 6 5 3 10 8
> as.numeric(as.character(dat$f))
[1] 0.6369432 0.4455214 0.1204000 0.0336245 0.2731787 0.4219241 0.2910194
[8] 0.1868443 0.9443593 0.5784658
时间与仅在级别上进行转换的替代方法表明,如果级别不是每个元素唯一的,它会更快:
dat <- data.frame( f = sample(as.character(runif(10)),10^4,replace=TRUE) )
library(microbenchmark)
microbenchmark(
as.numeric(as.character(dat$f)),
as.numeric( levels(dat$f) )[dat$f] ,
as.numeric( levels(dat$f)[dat$f] ),
times=50
)
expr min lq median uq max
1 as.numeric(as.character(dat$f)) 7835865 7869228 7919699 7998399 9576694
2 as.numeric(levels(dat$f))[dat$f] 237814 242947 255778 270321 371263
3 as.numeric(levels(dat$f)[dat$f]) 7817045 7905156 7964610 8121583 9297819
因此,如果是length(levels(dat$f)) < length(dat$f)
,请使用as.numeric(levels(dat$f))[dat$f]
以获得显着的速度增益。
如果length(levels(dat$f))
约等于length(dat$f)
,则没有速度增益:
dat <- data.frame( f = as.character(runif(10^4) ) )
library(microbenchmark)
microbenchmark(
as.numeric(as.character(dat$f)),
as.numeric( levels(dat$f) )[dat$f] ,
as.numeric( levels(dat$f)[dat$f] ),
times=50
)
expr min lq median uq max
1 as.numeric(as.character(dat$f)) 7986423 8036895 8101480 8202850 12522842
2 as.numeric(levels(dat$f))[dat$f] 7815335 7866661 7949640 8102764 15809456
3 as.numeric(levels(dat$f)[dat$f]) 7989845 8040316 8122012 8330312 10420161
【讨论】:
虽然,R 在因式分解之前进行排序很聪明,所以如果它们是整数,这个问题就无关紧要了。 @Brandon:除非有人用过relevel
或者整数序列不连续。假设关卡索引与关卡内容相同似乎是一个危险的假设。
提示:使用 rbenchmark 代替 microbenchmark 以获得更易读的输出和相对速度。
@Joris:我喜欢 rbenchmark 的输出,但我认为 microbenchmark 更准确,因为它不包括 system.time() 引起的一些调用开销......
好吧,准确在这里是一个相对的概念。重复分析三次,每次得到不同的数字。精确的毫秒是一件好事,但除此之外你会陷入随机性......【参考方案2】:
您可以定义自己的运算符来执行此操作,请参阅? Arith
。没有组泛型,你可以定义自己的二元运算符%operator%:
%-% <- function (factor1, factor2)
# put in the code here to calculate difference
# of two factors (e.g. facor1 level cat - factor2 level mouse = ?)
【讨论】:
【参考方案3】:您应该首先仔细检查您是如何提取数据的。如果这些是真正的数字列,R 应该认识到这一点(Excel 有时会搞砸)。无论哪种方式,它都可能被强制转换为一个因素,因为列中还有其他不受欢迎的因素。到目前为止,您收到的回复没有提到 as.numeric() 只返回级别编号。这意味着您不会对已转换为因子的实际数字执行操作,而是对与每个因子关联的级别数字执行操作。
【讨论】:
【参考方案4】:您需要将因子转换为数值数组。
a <- factor(c(5,6,5))
b <- factor(c(3,2,1))
df <- data.frame(a, b)
# WRONG: Factors can't be subtracted.
df$a - df$b
# CORRECT: Get the levels and substract
as.numeric(levels(df$a)[df$a]) - as.numeric(levels(df$b)[df$b])
【讨论】:
-1 这假设 a) 您的因子是有序的并且 b) 数据是区间缩放的。如果是这种情况,那么数据首先不应该是一个因素。 +1 因为这是一种比其他解决方案中给出的 as.numeric(as.character()) 更好的转换因子的方法。 Andrie:如果向量没有排序,减法是否有有意义的解释(当然,人们可能想做一组交集)?我怀疑数据导入存在问题,导致数据首先被考虑在内。它发生在我身上好几次了。然后,当然,正确的方法是分解数据并修复导入。 @Joris:这不是正确的做法,但看起来与正确的做法相似。如果您希望获得效率提升,对as.numeric
的调用应该只包含级别。请参阅我的基准答案。
@gsk3:谢谢,不知道所涉及的性能问题。当然,你的方式更有效率。以上是关于R因子的算术运算的主要内容,如果未能解决你的问题,请参考以下文章