R语法学习第十二篇：因子

因子（factor)是R语言中比较特殊的一个数据类型，它是一个用于存储类别的类型，举个例子，从性别上，可以把人分为：男人和女人，从年龄上划分，又可以把人分为：未成年人（<18岁），成年人（>=18）。R把表示分类的数据称为因子，因子的行为有时像字符串，有时像整数。因子是一个向量，通常情况下，每个元素都是字符类型，也有其他数据类型的元素。因子具有因子水平（Levels），用于限制因子的元素的取值范围，R强制：因子水平是字符类型，因子的元素只能从因子水平中取值，这意味着，因子的每个元素要么是因子水平中的字符（或转换为其他数据类型），要么是缺失值，这是因子的约束，是语法上的规则。

一，创建因子

通常情况下，在创建数据框变量时，R隐式把数据类型为字符的列创建为因子，这是因为R会把文本类型默认为类别数据，并自动转换为因子。

例如，创建一个数据框变量，通过class()函数检查gender列的类，结果是因子类型，而不是字符向量：

heights <- data.frame(

  height_cm=c(,,),

  gender=c('f','m','f')

)

> class(heights$gender)

[] "factor"

还可以通过factor()函数创建因子，factor()函数的第一个参数必须是字符向量，通过levels参数显式设置因子水平，

factor(x = character(), levels, labels = levels,

       exclude = NA, ordered = is.ordered(x), nmax = NA)

参数注释：

x：是向量，通常是由少量唯一值的字符向量
levels：水平，字符类型，用于设置x可能包含的唯一值，默认值是x的所有唯一值。如果x不是字符向量，那么使用as.character(x)把x转换为字符向量，然后获取x向量的水平。x向量的取值跟levels有关。
labels：是水平的标签，字符类型，用于对水平添加标签，相当于对因子水平重命名；
exclude：排除的字符
ordered：逻辑值，用于指定水平是否有序；
nmax：水平的上限数量

例如，因子sex的值是向量c('f','m','f','f','m')，因子水平是c('f','m')：

> sex <- factor(c('f','m','f','f','m'),levels=c('f','m'))

> sex

[] f m f f m

Levels: f m

二，因子水平

因子水平规定了因子取值的范围，每一个因子，都包含因子水平的信息，例如，打印gender列，可以看到因子的元素和水平：

> heights$gender

[] f m f

Levels: f m

该因子中的每个值都是一个字符串，它们被限制为“f”、“m”和缺失值（NA）。如果把其他字符串添加到gender列中，R会抛出警告消息，并把错误赋值的元素设置为NA，例如：

> heights$gender[]<-"female"

Warning message:

In `[<-.factor`(`*tmp*`, , value = c(NA, 2L, 1L)) :

  invalid factor level, NA generated

1，查看因子水平

因子水平，可以通过函数levels(factor)来查看：

> levels(heights$gender)

[] "f" "m"

水平的级数，相当于level的长度，可以由nlevels函数查询到：

> nlevels(heights$gender)

[]

2，因子水平的标签

使用factor函数创建因子，可以使用labels参数为每个因子水平添加标签，labels参数的字符顺序，要和levels参数的字符顺序保持一致，例如：

> sex=factor(c('f','m','f','f','m'),levels=c('f','m'),labels=c('female','male'),ordered=TRUE)

> sex

[] female male   female female male

Levels: female < male

三，有序因子

通常情况下，因子一般是无序的，这可以通过is.ordered()函数来验证：

> is.ordered(sex)

[] FALSE

因子的顺序，实际上是指因子水平的顺序，有序因子的因子水平是有序的。在特殊情况下，有些因子的水平在语义上大于或小于其他水平，R支持按顺序排列的因子，使用ordered函数，或通过给factor函数传入order=TRUE参数，把无序因子转换为有序的因子。

1，通过ordered()函数把现有因子转换为有序因子

ordered()函数不能指定特定因子水平的顺序，通常情况下，因子中先出现的水平小于后出现的水平。

例如，通过ordered函数把sex因子转换为有序的因子：

> ordered(sex)

[] f m f f m

Levels: f < m

2，创建有序的因子

通过factor函数创建有序因子，通过levels指定因子的顺序。

> sex <- factor(c('f','m','f','f','m'),levels=c('f','m'),ordered=TRUE)

> sex

[] f m f f m

Levels: f < m

3，按照指定的顺序转换现有的因子

因子的顺序，其实是因子水平的顺序，我们可以通过levels，使现有的因子按照指定的因子水平来排序。

例如，把heights数据库框的gender，按照指定的levels，转换成有序因子：

heights$gender <- factor(heights$gender, levels=c('m','f'),ordered=TRUE)

四，删除因子水平

在数据清理时，可能需要去掉与因子水平对应的数据，通常情况下，需要删除未使用的因子水平，可以使用droplevels函数，它接受因子或是数据框作为参数。

## S3 method for class 'factor'

droplevels(x, exclude = if(anyNA(levels(x))) NULL else NA, ...)

## S3 method for class 'data.frame'

droplevels(x, except, exclude, ...)

如果x是数据框，那么把数据框中未使用的因子删除。

heights$gender <- droplevels(gender)

五，把因子水平转换为字符串

在数据清理中，有时需要把因子转换为字符，通常情况下，使用as.character()函数，把因子转换为字符串：

> as.character(heights$gender)

[] NA  "m" "f"

或者使用其他类型转换函数，把因子转换为特定的数据类型。

六，把因子转换成相应的整数

使用as.numeric()或as.integer()函数可以把因子转换成对应的整数

> as.integer(sex)

[]

七，把连续变量分割为类别

函数cut()能够把数值变量切成不同的块，然后返回一个因子

cut(x, breaks, labels = NULL)

参数注释：

x：数值变量
breaks：切割点向量
labels：每一个分组的标签

例如，把身高数据，按照指定的切割点向量分割：

cut(heights$height_cm,c(,,))

[] (,] (,] (,]

Levels: (,] (,]

八，修改数据框中的因子

一般情况下，数据框中的字符类型的列会转换为因子类型，要修改因子类型，一般通过三步来完成：

mydata$Category <- as.character(mydata$Category)

mydata <- within(mydata,{Category[Category=="old name"] <- "new name"})

mydata$Category <- as.factor(mydata$Category)

当需要把因子转换为有序因子时，要注意因子水平的顺序，

mydata$Category <- as.factor(mydata$Category, levels=c('your ordered'), ordered=TRUE)

参考文档：

如何理解R中因子(factor)的概念?