连接字符串中的自定义因子级别

Question

我有一个因子变量，它由两个由_ 分隔的子字符串组成，例如string1_string2。我想分别设置前缀（“string1”）和后缀（“string2”）的因子水平，然后为连接的字符串定义一组整体的因子水平。此外，第一个子字符串和第二个子字符串中级别的优先级可能会有所不同。

---

我想要实现的一个小例子：

# reproducible data

x <- factor(c("DBO_A", "PH_A", "COND_A", "DBO_B", "PH_B", "COND_B", "DBO_C", "PH_C", "COND_C"))

[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
Levels: COND_A COND_B COND_C DBO_A DBO_B DBO_C PH_A PH_B PH_C

如果我没有定义因子水平，它们将按字母顺序排列。现在我想设置_分隔符左右两侧的字符串级别，例如

1. PH COND DBO 在左侧 (LHS)。
2. B A C 在右侧 (RHS)。

此外，我想指定哪一边，LHS 或 RHS，优先于另一边。根据优先级的不同，级别的整体顺序会有所不同：

(1) 如果 LHS 上的级别是先例：

[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
Levels: PH_B PH_A PH_C COND_B COND_A COND_C DBO_B DBO_A DBO_C

(2) 如果 RHS 上的级别是先例：

[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
Levels: PH_B COND_B DBO_B PH_A COND_A DBO_A PH_C COND_C DBO_C

---

现在我只想像factor(x, levels = c(xx, xx, ...))这样解决它，但是我的关卡比上面显示的要多，所以这看起来很荒谬。

注意：我不想更改数据的顺序，只更改级别的顺序。

Answer 1

如何接近类似的东西

x <- with(expand.grid(x = c("DBO", "PH", "COND"), y = c("A", "B", "C")),
          factor(paste(x, y, sep = "_"), levels = paste(x, y, sep = "_")))

您不需要写出所有可能的关卡，只需写出一侧和另一侧的关卡即可。

Answer 2

使用 CRAN 包forcats，您可以组合一系列因素。下面的函数需要输入 2 个向量，prefix 和 suffix，按照您想要的顺序。
参数sep = "_" 将其默认设置为问题中的分隔符。如果你愿意，你可以传递另一个分隔符。

library(forcats)

custom_fct <- function(prefix, suffix, sep = "_"){
  lst <- lapply(prefix, function(p){
    f <- paste(p, suffix, sep = sep)
    factor(f, levels = f)
  })
  fct_c(!!!lst)
}

x <- c("PH", "COND", "DBO")
y <- c("B", "A", "C")

custom_fct(x, y)

编辑。

查看问题的另一种方法是，我在 OP 的评论后才理解，是让输入数据向量 x 被强制转换为因子和 2 个向量，一个前缀和一个后缀。以下函数创建了这样一个向量，不需要外部包。

custom_fct2 <- function(x, prefix, suffix, sep = "_"){
  lst <- lapply(prefix, function(p){
    paste(p, suffix, sep = sep)
  })
  factor(x, levels = unlist(lst))
}

x <- c("DBO_A", "PH_A", "COND_A", "DBO_B",
       "PH_B", "COND_B", "DBO_C", "PH_C", "COND_C")
a <- c("PH", "COND", "DBO")
b <- c("B", "A", "C")

custom_fct2(x, a, b)
#[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C  
#[9] COND_C
#9 Levels: PH_B PH_A PH_C COND_B COND_A COND_C DBO_B ... DBO_C

Answer 3

我们可以使用base R 来执行此操作。使用sub 删除向量的levels 中的子字符串，使用match 通过检查自定义顺序中的那些值来创建数字索引，通过ordering 重新分配factor 的levels基于matching索引的向量的levels序列

i1 <- match(sub("_.*", "", levels(x)), c("PH", "COND", "DBO"))
i2 <- match(sub(".*_", "", levels(x)), c("B", "A", "C"))
factor(x, levels = levels(x)[seq_along(levels(x))[order(i1, i2)]])

对于第二种情况，只需反转order中的索引

factor(x, levels = levels(x)[seq_along(levels(x))[order(i2, i1)]])

---

为了重复使用，可以包装在一个函数中

f1 <- function(vec, lvls1, lvls2, flag = "former") {
   i1 <- match(sub("_.*", "", levels(vec)), lvls1)
   i2 <- match(sub(".*_", "", levels(vec)), lvls2)

   if(flag == 'former') {
     factor(vec, levels = levels(vec)[seq_along(levels(vec))[order(i1, i2)]])
   } else {
     factor(vec, levels = levels(vec)[seq_along(levels(vec))[order(i2, i1)]])

   }


}

f1(x, c("PH", "COND", "DBO"), c("B", "A", "C"))
#[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
#Levels: PH_B PH_A PH_C COND_B COND_A COND_C DBO_B DBO_A DBO_C


f1(x, c("PH", "COND", "DBO"), c("B", "A", "C"), flag = "latter")
#[1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
#Levels: PH_B COND_B DBO_B PH_A COND_A DBO_A PH_C COND_C DBO_C

Answer 4

使用data.table 便利函数tstrsplit 和setorderv。

为子字符串 (cols <- c("V1", "V2")) 创建一个包含（任意）列名的向量。将向量转换为data.table (d <- data.table(x))。将向量分成两列 ((cols) := tstrsplit(x, split = "_"))。设置子字符串的因子级别 (factor(V1, levels = l1))。按第一个子字符串然后第二个子字符串或第二个然后第一个 (setorderv(d, if(prec == 1) cols else rev(cols))) 对数据进行排序。使用 data.table 中的有序列“x”作为向量“x”的因子水平 (factor(x, levels = d$x))。

library(data.table)

f <- function(x, l1, l2, prec){
  cols <- c("V1", "V2")
  d <- data.table(x)
  d[ , (cols) := tstrsplit(x, split = "_")]
  d[ , `:=`(
    V1 = factor(V1, levels = l1),
    V2 = factor(V2, levels = l2))]
  setorderv(d, if(prec == 1) cols else rev(cols))
  factor(x, levels = d$x)
}

# First substring has precedence
f(x, l1 = c("PH", "COND", "DBO"), l2 = c("B", "A", "C"), prec = 1)
# [1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
# Levels: PH_B PH_A PH_C COND_B COND_A COND_C DBO_B DBO_A DBO_C

# Second substring has precedence
f(x, l1 = c("PH", "COND", "DBO"), l2 = c("B", "A", "C"), prec = 2)
# [1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
# Levels: PH_B COND_B DBO_B PH_A COND_A DBO_A PH_C COND_C DBO_C

---

base 的替代方案，类似的，但将子字符串放在矩阵中。使用标准正则表达式（参见例如here）来获取子字符串。转换为因子并设置水平。创建列索引 (i <- c(1, 2, 1)[prec:(prec + 1)])。 'x' (as.character(x)[order(m[ , i[1]], m[ , i[2]])])) 的订单级别。

f2 <- function(x, l1, l2, prec){
  m <- cbind(factor(sub("_.*", "", x), l1), factor(sub(".*_", "", x), l2))
  i <- c(1, 2, 1)[prec:(prec + 1)]
  factor(x, levels = as.character(x)[order(m[ , i[1]], m[ , i[2]])])}

f2(x, l1, l2, prec = 1)
# [1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
# Levels: PH_B PH_A PH_C COND_B COND_A COND_C DBO_B DBO_A DBO_C

f2(x, l1, l2, prec = 2)
# [1] DBO_A  PH_A   COND_A DBO_B  PH_B   COND_B DBO_C  PH_C   COND_C
# Levels: PH_B COND_B DBO_B PH_A COND_A DBO_A PH_C COND_C DBO_C