因子水平和因子标签之间的混淆

Question

R 中因子的级别和标签之间似乎存在差异。 到目前为止，我一直认为水平是因子水平的“真实”名称，标签是用于输出的名称（例如表格和绘图）。显然，情况并非如此，如下例所示：

df <- data.frame(v=c(1,2,3),f=c('a','b','c'))
str(df)
'data.frame':   3 obs. of  2 variables:
 $ v: num  1 2 3
 $ f: Factor w/ 3 levels "a","b","c": 1 2 3

df$f <- factor(df$f, levels=c('a','b','c'),
  labels=c('Treatment A: XYZ','Treatment B: YZX','Treatment C: ZYX'))
levels(df$f)
[1] "Treatment A: XYZ" "Treatment B: YZX" "Treatment C: ZYX"

我认为在编写脚本时仍然可以以某种方式访问​​级别（'a'、'b'、'c'），但这不起作用：

> df$f=='a'
[1] FALSE FALSE FALSE

但这确实：

> df$f=='Treatment A: XYZ' 
[1]  TRUE FALSE FALSE

所以，我的问题包括两部分：

• 级别和标签有什么区别？

• 脚本和输出的因子级别是否可以有不同的名称？

背景：对于较长的脚本，编写具有较短因子级别的脚本似乎要容易得多。但是，对于报告和绘图，这个简短的因子水平可能不够，应该用更精确的名称替换。

Answer 1

非常短：级别是输入，标签是factor() 函数中的输出。一个因子只有一个level 属性，该属性由factor() 函数中的labels 参数设置。这与 SPSS 等统计软件包中的标签概念不同，一开始可能会造成混淆。

你在这行代码中做了什么

df$f <- factor(df$f, levels=c('a','b','c'),
  labels=c('Treatment A: XYZ','Treatment B: YZX','Treatment C: ZYX'))

告诉 R 有一个向量 df$f

• 你想转换成一个因子，
• 其中不同的级别被编码为 a、b 和 c
• 并且您希望将其级别标记为治疗 A 等。

因子函数将查找值 a、b 和 c，将它们转换为数值因子类，并将标签值添加到因子的 level 属性中。此属性用于将内部数值转换为正确的标签。但是如您所见，没有label 属性。

> df <- data.frame(v=c(1,2,3),f=c('a','b','c'))    
> attributes(df$f)
$levels
[1] "a" "b" "c"

$class
[1] "factor"

> df$f <- factor(df$f, levels=c('a','b','c'),
+   labels=c('Treatment A: XYZ','Treatment B: YZX','Treatment C: ZYX'))    
> attributes(df$f)
$levels
[1] "Treatment A: XYZ" "Treatment B: YZX" "Treatment C: ZYX"

$class
[1] "factor"

Answer 2

我编写了一个包“lfactors”，它允许您引用级别或标签。

# packages
install.packages("lfactors")
require(lfactors)

flips <- lfactor(c(0,1,1,0,0,1), levels=0:1, labels=c("Tails", "Heads"))
# Tails can now be referred to as, "Tails" or 0
# These two lines return the same result
flips == "Tails"
#[1]  TRUE FALSE FALSE  TRUE  TRUE FALSE
flips == 0 
#[1]  TRUE FALSE FALSE  TRUE  TRUE FALSE

请注意，lfactor 要求级别为数字，以免与标签混淆。

Answer 3

只是想分享一种我通常用来处理这个问题的技术，即为脚本和漂亮打印的因子变量的级别使用不同的名称：

# Load packages
library(tidyverse)
library(sjlabelled)
library(patchwork)

# Create data frames
df <- data.frame(v = c(1, 2, 3), f = c("a", "b", "c"))
df_labelled <- data.frame(v = c(1, 2, 3), f = c("a", "b", "c")) %>%
  val_labels(
    # levels are characters
    f = c(
      "a" = "Treatment A: XYZ", "b" = "Treatment B: YZX", 
      "c" = "Treatment C: ZYX"
    ), 
    # levels are numeric
    v = c("1" = "Exp. Unit 1", "2" = "Exp. Unit 2", "3" = "Exp. Unit 3")
  )

# df and df_labelled appear exactly the same when printed and nothing changes
# in terms of scripting
df
#>   v f
#> 1 1 a
#> 2 2 b
#> 3 3 c
df_labelled
#>   v f
#> 1 1 a
#> 2 2 b
#> 3 3 c

# Now, let's take a look at the structure of df and df_labelled
str(df)
#> 'data.frame':    3 obs. of  2 variables:
#>  $ v: num  1 2 3
#>  $ f: chr  "a" "b" "c"
str(df_labelled) # notice the attributes
#> 'data.frame':    3 obs. of  2 variables:
#>  $ v: num  1 2 3
#>   ..- attr(*, "labels")= Named num [1:3] 1 2 3
#>   .. ..- attr(*, "names")= chr [1:3] "Exp. Unit 1" "Exp. Unit 2" "Exp. Unit 3"
#>  $ f: chr  "a" "b" "c"
#>   ..- attr(*, "labels")= Named chr [1:3] "a" "b" "c"
#>   .. ..- attr(*, "names")= chr [1:3] "Treatment A: XYZ" "Treatment B: YZX" "Treatment C: ZYX"

# Lastly, create ggplots with and without pretty names for factor levels
p1 <- df_labelled %>% # or, df
  ggplot(aes(x = f, y = v)) + 
  geom_point() + 
  labs(x = "Treatment", y = "Measurement")
p2 <- df_labelled %>%
  ggplot(aes(x = to_label(f), y = to_label(v))) + 
  geom_point() + 
  labs(x = "Treatment", y = "Experimental Unit")

p1 / p2

^{由reprex package (v2.0.0) 于 2021-08-17 创建}