R因子的算术运算

Posted 2023-02-19

【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 = ?)

【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。

【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。