如何在不丢失信息的情况下将因子转换为整数\数字?
Posted
技术标签:
【中文标题】如何在不丢失信息的情况下将因子转换为整数\\数字?【英文标题】:How to convert a factor to integer\numeric without loss of information?如何在不丢失信息的情况下将因子转换为整数\数字? 【发布时间】:2020-01-11 06:02:27 【问题描述】:当我将一个因子转换为数字或整数时,我得到的是底层代码,而不是数字形式的值。
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
才能获得真正的价值:
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?
【问题讨论】:
因子的级别无论如何都存储为字符数据类型(attributes(f)
),所以我认为as.numeric(paste(f))
没有任何问题。也许最好先想想为什么(在特定情况下)你会得到一个因素,并试图阻止它。例如,read.table
中的 dec
参数设置是否正确?
如果您使用数据框,您可以使用从 hablar 转换。 df %>% convert(num(column))
。或者如果你有一个因子向量,你可以使用as_reliable_num(factor_vector)
【参考方案1】:
查看?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 通过隐式强制发生。到 将因子f
转换为 大约其原始数字 值,as.numeric(levels(f))[f]
是 推荐和稍微更多 效率高于as.numeric(as.character(f))
.
关于 R has similar advice 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))
实际上是as.numeric(levels(f)[f])
,因此您将在length(x)
值上执行到数字的转换,而不是在nlevels(x)
值上。对于具有很少级别的长向量,速度差异将最为明显。如果值大多是唯一的,则速度不会有太大差异。不管你如何转换,这个操作不太可能成为你代码中的瓶颈,所以不要太担心。
一些时间安排
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
【讨论】:
有关时间安排,请参阅此答案:***.com/questions/6979625/… 非常感谢您的解决方案。我能问一下为什么 as.numeric(levels(f))[f] 更精确、更快吗?谢谢。 @Sam as.character(f) 需要“原始查找”来查找函数 as.character.factor(),该函数定义为 as.numeric(levels(f))[f] . 当应用 as.numeric(levels(f))[f] 或 as.numeric(as.character(f)) 时,我有一个警告消息:警告消息:强制引入的 NA。你知道问题可能出在哪里吗?谢谢! @user08041991 我和 maycca 有同样的问题。我怀疑这是由于 R 随着时间的推移逐渐变化(这个答案是在 2010 年发布的),这个答案现在已经过时了【参考方案2】:R 有许多(未记录的)用于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
...
但令人讨厌的是,没有什么可以处理 factor -> numeric 转换。作为 Joshua Ulrich 回答的延伸,我建议通过定义您自己的惯用函数来克服这种遗漏:
as.double.factor <- function(x) as.numeric(levels(x))[x]
您可以将其存储在脚本的开头,甚至更好地存储在您的 .Rprofile
文件中。
【讨论】:
没有什么可以处理因子到整数(或数字)的转换,因为预计as.integer(factor)
返回底层整数代码(如?factor
的示例部分所示)。在全局环境中定义这个函数可能没问题,但如果你真的将它注册为 S3 方法,可能会导致问题。
这是一个很好的观点,我同意:完全重新定义因子->数字转换可能会搞砸很多事情。我发现自己编写了繁琐的factor->numeric
转换很多,然后才意识到这实际上是 R 的一个缺点:应该可以使用一些方便的功能......称之为@ 987654333@ 对我来说很有意义,但是 YMMV。
如果你发现自己经常这样做,那么你应该在上游做一些事情来避免这一切。
as.numeric.factor 返回 NA?
@rui-barradas comment = 作为历史异常,R 有两种浮点向量类型:numeric
和 double
。根据文档,最好为double
类型编写代码,因此as.double.factor
似乎是一个更合适的名称。文档链接:stat.ethz.ch/R-manual/R-devel/library/base/html/numeric.html。谢谢@rui-barradas!【参考方案3】:
仅在因子标签与原始值匹配的情况下是可能的。我会用一个例子来解释。
假设数据为向量x
:
x <- c(20, 10, 30, 20, 10, 40, 10, 40)
现在我将创建一个带有四个标签的因子:
f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))
1) x
是双精度类型,f
是整数类型。这是第一次不可避免的信息丢失。因子始终存储为整数。
> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"
2) 只有f
可用,无法恢复到原始值(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"
$class
[1] "factor"
要恢复到原始值,我们必须知道用于创建因子的水平值。在这种情况下c(10, 20, 30, 40)
。如果我们知道原始级别(以正确的顺序),我们可以恢复到原始值。
> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE
这仅在为原始数据中的所有可能值定义了标签的情况下才有效。
因此,如果您需要原始值,则必须保留它们。否则很有可能无法仅从一个因素中回复他们。
【讨论】:
【参考方案4】:最简单的方法是使用 varhandle 包中的 unfactor
函数,它可以接受因子向量甚至是数据框:
unfactor(your_factor_variable)
这个例子可以作为一个快速入门:
x <- rep(c("a", "b", "c"), 20)
y <- rep(c(1, 1, 0), 20)
class(x) # -> "character"
class(y) # -> "numeric"
x <- factor(x)
y <- factor(y)
class(x) # -> "factor"
class(y) # -> "factor"
library(varhandle)
x <- unfactor(x)
y <- unfactor(y)
class(x) # -> "character"
class(y) # -> "numeric"
您也可以在数据框上使用它。例如iris
数据集:
sapply(iris, class)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species "numeric" "numeric" "numeric" "numeric" "factor"
# load the package
library("varhandle")
# pass the iris to unfactor
tmp_iris <- unfactor(iris)
# check the classes of the columns
sapply(tmp_iris, class)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species "numeric" "numeric" "numeric" "numeric" "character"
# check if the last column is correctly converted
tmp_iris$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"
【讨论】:
unfactor
函数先转换为字符数据类型,然后再转换回数值。在控制台输入unfactor
,你可以在函数的中间看到它。因此,它并没有提供比提问者已经拥有的更好的解决方案。
话虽如此,因子的级别无论如何都是字符类型的,因此这种方法不会丢失任何内容。
@Selrac 我已经提到这个功能在varhandle 包中可用,这意味着你应该首先加载包(library("varhandle")
)(正如我在回答的第一行中提到的那样!! )
我很欣赏你的包可能还有其他一些不错的功能,但是安装一个新包(并在你的代码中添加一个外部依赖项)并不像输入 as.character(as.numeric())
那样好或容易。
@Gregor 添加轻量依赖项通常不会造成伤害,当然,如果您正在寻找最有效的方法,您自己编写代码可能会执行得更快。但是正如您在评论中看到的那样,这并非微不足道,因为您还将as.numeric()
和as.character()
的顺序错误;)您的代码块所做的是将因子的级别索引转换为字符矩阵,那么您将拥有 and 是一个字符向量,其中包含一些数字,这些数字曾经分配给您的因子的某个级别。该包中的功能可以防止这些混淆【参考方案5】:
注意:此特定答案不是用于将数值因子转换为数字,而是用于将分类因子转换为相应的级别数。
这篇文章中的每个答案都未能为我生成结果,正在生成 NA。
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
对我有用的是这个 -
as.integer(y2)
# [1] 1 2 3 4 1
【讨论】:
你确定你有一个因素吗?看这个例子。y<-factor(c("5","15","20","2")); unclass(y) %>% as.numeric
这返回 4,1,3,2,而不是 5,15,20,2。这似乎是不正确的信息。
好的,这与我今天尝试做的类似:- y2% as.numeric 给了我需要的结果。
好的,这不是上面问的问题。在这个问题中,因子水平都是“数字”的。在你的情况下,as.numeric(y)
应该工作得很好,不需要unclass()
。但同样,这不是这个问题的目的。这个答案在这里不合适。
好吧,我真的希望它能帮助像我这样匆忙而只阅读标题的人!
如果你有代表整数的字符作为因子,这是我推荐的。这是唯一对我有用的。【参考方案6】:
如果您有数据框,则可以使用hablar::convert
。语法很简单:
样本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列数字:
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
【讨论】:
【参考方案7】:游戏晚了,偶然发现trimws()
可以把factor(3:5)
转换成c("3","4","5")
。然后您可以拨打as.numeric()
。那就是:
as.numeric(trimws(x_factor_var))
【讨论】:
您是否有理由推荐使用trimws
而不是as.character
,如接受的答案中所述?在我看来,除非您实际上有需要删除的空格,否则trimws
只会做一堆不必要的正则表达式工作以返回相同的结果。
as.numeric(levels(f))[f] 对于初学者来说可能有点混乱且难以记住。 trimws 没有害处。【参考方案8】:
从我能读到的许多答案中,唯一给定的方法是根据因子的数量来扩展变量的数量。如果您有一个具有“dog”和“cat”级别的变量“pet”,那么您最终会得到 pet_dog 和 pet_cat。
在我的情况下,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,这种方式可以应用于具有多个级别的许多变量,因此 cat=1 和 dog=0例如。
请在下面找到相应的解决方案:
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)
)
【讨论】:
【参考方案9】:看起来解决方案 as.numeric(levels(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)
【讨论】:
【参考方案10】:type.convert(f)
在水平完全为数字的因子上是另一个基本选项。
就性能而言,它与as.numeric(as.character(f))
差不多,但不如as.numeric(levels(f))[f]
快。
identical(type.convert(f), as.numeric(levels(f))[f])
[1] TRUE
也就是说,如果向量被创建为第一个实例中的一个因素的原因尚未得到解决(即它可能包含一些无法强制转换为数字的字符),那么这种方法将不起作用,它会返回一个因素。
levels(f)[1] <- "some character level"
identical(type.convert(f), as.numeric(levels(f))[f])
[1] FALSE
【讨论】:
【参考方案11】:strtoi()
在您的因子水平是整数时有效。
【讨论】:
不错的简单解决方案,与其他解决方案一样快。以上是关于如何在不丢失信息的情况下将因子转换为整数\数字?的主要内容,如果未能解决你的问题,请参考以下文章
如何在不丢失 swift 精度的情况下将 String 转换为 Double [重复]