使用索引将数据框列转换为因子

Question

我将一些结果放入数据框中。我有一些因子列和许多数字列。根据this问题的答案，我可以通过索引轻松地将数字列转换为数字。

#create example data
df = data.frame(replicate(1000,sample(1:10,1000,rep=TRUE)))
df$X1 = LETTERS[df$X1]
df$X2 = LETTERS[df$X2]
df$X3 = LETTERS[df$X3]
df[-1] <- sapply(df[-1], function(x) ifelse(runif(length(x)) < 0.1, NA, x))

#find columns that are factors
factornames = c("X1", "X2", "X3")
factorfilt = names(df) %in% factornames

#convert non-factor columns to numeric
df[, !factorfilt] = as.numeric(as.character(unlist(df[, !factorfilt])))

但是当我想对我的因子列做同样的事情时，我无法让相同的索引工作：

#convert factor columns to factor
df[, factorfilt] = as.factor(as.character(unlist(df[, factorfilt])))
class(df$X1)

[1] "character"

df[, factorfilt] = as.factor(as.character(df[, factorfilt]))
class(df$X1)

[1] "character"

df[, factorfilt] = as.factor(unlist(df[, factorfilt]))
class(df$X1)

[1] "character"

df[, factorfilt] = as.factor(df[, factorfilt]) 

Error in sort.list(y) : 'x' must be atomic for 'sort.list'
Have you called 'sort' on a list?

如果我调用class(df$X1)，所有这些都返回"character"，而如果我运行df$X1= as.factor(df$X1)，它会返回"factor"。

为什么当我调用 as.factor 时这种索引方式不起作用，但如果我调用 as.numeric 时会起作用？

Answer 1

您应该观察您正在做的事情的一些行为方面。像你一样定义你的数据：

df = data.frame(replicate(1000,sample(1:10,1000,rep=TRUE)))
df$X1 = LETTERS[df$X1]
df$X2 = LETTERS[df$X2]
df$X3 = LETTERS[df$X3]
df[-1] <- sapply(df[-1], function(x) ifelse(runif(length(x)) < 0.1, NA, x))

factornames = c("X1", "X2", "X3")
factorfilt = names(df) %in% factornames
df[, !factorfilt] = as.numeric(as.character(unlist(df[, !factorfilt])))

现在让我们看看像您一样制作X1、X2 和X3 因子的结果，但我们先不要重新分配它。

test <- as.factor(as.character(df[, factorfilt]))
class(test) # "factor"
length(test) # 3

这里要注意的重要一点是test 不是数据框。它是一个向量，您正试图保存数据框的三列。我认为我们应该质疑将数据帧转换为向量以存储在数据帧中的智慧。

然后考虑你的第二个任务：

test2 <- as.factor(as.character(unlist(df[, factorfilt])))
class(test2) # factor
length(test2) # 3000

同样，这是一个因素，但它的长度与test 完全不同。 R 允许您将其重新分配回 df 是一种善意，并且这样做只是因为它认识到它可以协调维度。但是当您尝试将因子推入X1、X2 和X3 时，关于如何处理因子水平存在一个大问题。所有三个变量都应该具有相同的水平吗？每个变量是否应该仅具有其自身存在的级别？ R 没有尝试声明“适当的”选择是什么，而是忽略它并将其转换回一个字符供您自己处理。

以这种方式操作列可能会意外更改类，这是不这样做的一个很好的理由。这在您对NAs 的分配中很明显。让我们重温一下：

df = data.frame(replicate(1000,sample(1:10,1000,rep=TRUE)))
df$X1 = LETTERS[df$X1]
df$X2 = LETTERS[df$X2]
df$X3 = LETTERS[df$X3]

此时，X4 到X1000 都是integer 类列。当你运行时

df[-1] <- sapply(df[-1], function(x) ifelse(runif(length(x)) < 0.1, NA, x))

它们现在都是characters，您继续将它们转换为numeric。他们甚至不再是原来的班级了。

如果我们使用lapply

df[-1] <- lapply(df[-1], function(x) ifelse(runif(length(x)) < 0.1, NA, x))

原始类被保留，无需将它们转换回数字类。同样，我们可以轻松地将X1 到X3 转换为具有

df[, factorfilt] <- lapply(df[, factorfilt], as.factor)

作为一般规则，最好将列中的数据作为不同的列进行处理。一旦你开始在多列上分配一个向量，你就进入了一个恶作剧的黑暗世界。