7.3　因子

因子是一个用于存储类别变量的特殊的变量类型。它有时像字符串，有时又像整数。

7.3.1　创建因子

当你用一列文本数据创建数据框时，R将文本默认为类别数据并进行转换。下例中的数据集包含了随机的10个成年人的身高数据：

  1. (heights <- data.frame( 
  2. height_cm = c(153, 181, 150, 172, 165, 149, 174, 169, 198, 163), 
  3. gender = c( 
  4.     "female", "male", "female", "male", "male",
  5.     "female", "female", "male", "male", "female" 
  6.  )
  7. ))
  8. ##    height_cm gender
  9. ## 1        153 female
  10. ## 2        181   male
  11. ## 3        150 female
  12. ## 4        172   male
  13. ## 5        165   male
  14. ## 6        149 female
  15. ## 7        174 female
  16. ## 8        169   male
  17. ## 9        198   male
  18. ## 10       163 female

通过检查gender一列的类，正如你所料，我们发现它不是一个字符向量，而是一个因子：

  1. class(heights$gender)
  3. ## [1] "factor"

把这列打印出来可看到它更多的本质信息：

  1. heights$gender
  3. ## [1] female male female male male female female male male female 
  4. ## Levels: female male

因子中的每个值都是一个字符串，它们被限制为“female”、“male”或缺失值。如果我们把不同的字符串添加到genders中，此项约束则变得很明显：

  1. heights$gender[1] <- "Female" #注意是大写的"F"
  3. ## Warning: invalid factor level, NA generated
  5. heights$gender
  7. ## [1] <NA> male female male male female female male male female 
  8. ## Levels: female male

选项“female”和“male”被称为因子水平，它能用levels函数查询到：

  1. levels(heights$gender)
  3. ## [1] "female" "male"

水平的级数（相当于因子level的length）可由nlevel函数查询到：

  1. nlevels(heights$gender)
  3. ## [1] 2

除了使用数据框在内部自动创建因子之外，也可以使用factor函数创建它。它的第一个参数（唯一的强制要求）是一个字符向量：

  1. gender_char <- c( 
  2.   "female", "male", "female", "male", "male", 
  3.   "female", "female", "male", "male", "female" 
  4. ) 
  5. (gender_fac <- factor(gender_char))
  7. ## [1] female male female male male female female male male female 
  8. ## Levels: female male

7.3.2　更改因子水平

我们可以通过指定levels参数来更改因子被创建时水平的先后顺序：

  1. factor(gender_char, levels = c("male", "female"))
  3. ## [1] female male female male male female female male male female 
  4. ## Levels: male female

如果想在因子创建之后再改变因子水平的顺序，就再次使用factor函数，这时它的参数是当前的因子（而不是字符向量）：

  1. factor(gender_char, levels = c("male", "female"))
  3. ## [1] female male female male male female female male male female 
  4. ## Levels: male female

警告

不能使用levels函数直接改变因子的水平值。因为这将重新为每一个水平打上标签，更改数据值，这通常不是我们想要的。

在下例中，直接设置因子的水平值会将数据中的male变成female，female变成male，这并不是我们想要的：

  1. levels(gender_fac) <- c("male", "female")
  2. gender_fac
  3. ## [1] male female male female female male male female female male
  4. ## Levels: male female

relevel函数是另一种改变因子水平顺序的方法。在这种情况下，你只需指定第一个水平值。正如你所料，此功能的使用场景还是相当少的（在将不同类别和引用类别相比较的回归模型中，它很好用）。大多数时候，使用factor函数来设置水平值会更方便：

  1. relevel(gender_fac, "male")
  3. ## [1] male female male female female male male female female male 
  4. ## Levels: male female

7.3.3　去掉因子水平

在数据集清理的过程中，最终你可能需要去掉所有与因子水平对应的数据。考虑以下数据集，它记录了上班途中所使用的交通工具的次数：

  1. getting_to_work <- data.frame( 
  2.     mode = c( 
  3.         "bike", "car", "bus", "car", "walk", 
  4.         "bike", "car", "bike", "car", "car" 
  5.     ), 
  6.     time_mins = c(25, 13, NA, 22, 65, 28, 15, 24, NA, 14) 
  7. )

并非每次都有记录，所以我们的第一个任务是去掉那些time_mins是NA的行 ：

  1. (getting_to_work <- subset(getting_to_work, !is.na(time_mins)))
  3. ##   mode time_mins 
  4. ## 1 bike 25 
  5. ## 2 car 13 
  6. ## 4 car 22 
  7. ## 5 walk 65 
  8. ## 6 bike 28 
  9. ## 7 car 15 
  10. ## 8 bike 24 
  11. ## 10 car 14

请看mode一列，其中只有三个不同值，而因子水平却是four。我们可以使用unique函数（当然，也可以用levels函数）看清这一点：

  1. unique(getting_to_work$mode)
  3. ## [1] bike car walk 
  4. ## Levels: bike bus car walk

如果要删除未使用的水平因子，我们可以使用droplevels函数。它接受因子或是数据框作为参数。对后者来说，它将丢弃输入因子中所有未使用的水平。因为在我们的数据框里只有一个因子未使用，所以下例中的两行代码是等价的：

  1. getting_to_work$mode <- droplevels(getting_to_work$mode) 
  2. getting_to_work <- droplevels(getting_to_work) 
  3. levels(getting_to_work$mode)
  5. ## [1] "bike" "car" "walk"

7.3.4　有序因子

有些因子的水平在语义上大于或小于其他水平。这在多选择题的调查问题中很常见。例如，调查问题“你有多快乐？”可能的回答包括：“depressed”、“grumpy”、“so-so”、“cheery”和“ecstatic”2。结果是类别变量，所以我们可以创建一个拥有五个选项的因子。在此，使用sample函数来产生10000个随机回复：

2 有时这被称为李克特量（Likert scale）表。 

  1. happy_choices <- c("depressed", "grumpy", "so-so", "cheery", "ecstatic") 
  2. happy_values <- sample( 
  3.     happy_choices, 
  4.     10000, 
  5.     replace = TRUE 
  6. ) 
  7. happy_fac <- factor(happy_values, happy_choices) 
  8. head(happy_fac)
  10. ## [1] grumpy depressed cheery ecstatic grumpy grumpy 
  11. ## Levels: depressed grumpy so-so cheery ecstatic

在这种情况下，对调查者来说，五个选项其实是有顺序的：“grumpy”（暴躁的）比“depressed”（沮丧）更快乐些，而“so-so”（马马虎虎）又比“grumpy”更快乐些等。这意味着最好把回复存储在一个按顺序排列的因子中。使用ordered函数（或通过给factor传入order = TRUE参数）可实现这个功能：

  1. happy_ord <- ordered(happy_values, happy_choices) 
  2. head(happy_ord)
  4. ## [1] grumpy depressed cheery ecstatic grumpy grumpy 
  5. ## Levels: depressed < grumpy < so-so < cheery < ecstatic

一个有序的因子还是因子，但一般的因子却不一定是有序的：

  1. is.factor(happy_ord)
  3. ## [1] TRUE
  5. is.ordered(happy_fac)
  7. ## [1] FALSE

在大多数情况下，你无需为有序因子的使用担心，而仅会在某些模型中看到差别。不过，在分析调查数据时，它们比较有用。

7.3.5　将连续变量转换为类别

一个汇总数值变量的方法是计算有多少个值落入不同的“组”（bins）中，cut函数能将数值变量切成不同的块，然后返回一个因子。它通常使用table函数得到每组数字的总和。（hist函数能画出直方图，它也能实现这个功能，就像我们将在后面看到的包含在plyr包中的count一样。）

在下例中，我们随机地生成10 000名工人的年龄数据（从16到66，使用Beta分布），并将他们按每10年分组：

  1. ages <- 16 + 50 * rbeta(10000, 2, 3) 
  2. grouped_ages <- cut(ages, seq.int(16, 66, 10)) 
  3. head(grouped_ages)
  5. ## [1] (26,36] (16,26] (26,36] (26,36] (26,36] (46,56] 
  6. ## Levels: (16,26] (26,36] (36,46] (46,56] (56,66]
  8. table(grouped_ages)
  10. ## grouped_ages 
  11. ## (16,26] (26,36] (36,46] (46,56] (56,66] 
  12. ## 1844 3339 3017 1533 267

在本例中，大部分工人的年龄分布于26到36和36到46两个类别中（这正是使用Beta分布的结果） 。

请注意，ages是一个数字变量，而grouped_ages是一个因子：

  1. class(ages)
  3. ## [1] "numeric"
  5. class(grouped_ages)
  7. ## [1] "factor"

7.3.6　将类别变量转换为连续变量

与上面相反的情况是把因子转换成数值变量，这在数据清理中非常有用。如果你有一些脏数据，例如打错了的数字，在数据导入的过程中，R会将它们解释为字符串，并将其转换为因子。在下例中，其中一个数字有两个小数点。诸如read.table的导入函数（第12章将深入探讨）将无法把这样的字符串解析成数字格式，而会默认把这一列转换成字符向量：

  1. dirty <- data.frame( 
  2.     x = c("1.23", "4..56", "7.89") 
  3. )

要想把x列转换为数字，显而易见的解决方法是调用as.numeric。可惜，它给出了错误的答案：

  1. as.numeric(dirty$x)
  3. ## [1] 1 2 3

将as.numeric函数作用于因子上却看到了整数值，这说明因子使用了整数来存储数据。在一般情况下，可以从levels(f)[as.integer(f)]中重构出f因子。

为了正确地把因子转换为数字，可先把因子转换为字符向量，再转换为数值。第二个值是NA，因为4..56并不是一个真正的数字：

  1. as.numeric(as.character(dirty$x))
  3. ## Warning: NAs introduced by coercion
  4. ## [1] 1.23 NA 7.89

这不够高效，因为相同的值须被多次转换。正如FAQ on R中所指出的，更好的方法是将因子水平转换为数字，然后再像上面一样重建因子：

  1. as.numeric(levels(dirty$x))[as.integer(dirty$x)]
  3. ## Warning: NAs introduced by coercion
  4. ## [1] 1.23 NA 7.89

因为这不够直观，所以如果你经常使用它，就把它包装成一个函数以方便调用：

  1. factor_to_numeric <- function(f) 
  2. { 
  3.     as.numeric(levels(f))[as.integer(f)] 
  4. }

7.3.7　生成因子水平

为了平衡数据，使到在每个水平上的数据点的数目相等，可用gl函数来生成因子。它最简单的形式是：第一个整型参数为要生成的因子的水平数，第二个为每个水平需要重复的次数。通常你想为每个水平命名，这可以通过给label参数传入一个字符向量来实现。你还可以通过传入length参数以创建更复杂的水平排序，例如交替值（alternating value）：

  1. gl(3, 2)
  3. ## [1] 1 1 2 2 3 3 
  4. ## Levels: 1 2 3
  6. gl(3, 2, labels = c("placebo", "drug A", "drug B"))
  8. ## [1] placebo placebo drug A drug A drug B drug B 
  9. ## Levels: placebo drug A drug B
  11. gl(3, 1, 6, labels = c("placebo", "drug A", "drug B")) #交替
  13. ## [1] placebo drug A drug B placebo drug A drug B 
  14. ## Levels: placebo drug A drug B

7.3.8　合并因子

如果我们有多个类别变量，有时把它们合并成一个单一的因子是有用的，其中每个水平由各个变量之间的交叉合并（使用interaction函数）组成：

  1. treatment <- gl(3, 2, labels = c("placebo", "drug A", "drug B")) 
  2. gender <- gl(2, 1, 6, labels = c("female", "male")) 
  3. interaction(treatment, gender)
  5. ## [1] placebo.female placebo.male drug A.female drug A.male 
  6. ## [5] drug B.female drug B.male 
  7. ## 6 Levels: placebo.female drug A.female drug B.female ... drug B.male