2017年4月将禁止因子中的重复级别。级别功能如何？

Question

在 R-devel 列表中，Martin Maechler 发布了关于因子中重复级别的消息

“具有非唯一（重复）级别的因子自 2009 年以来已被弃用 - 更多现在已弃用......”June 4, 2016

它指出，在计划于 2017 年 4 月发布的 R 3.4 中，重复的关卡将导致错误，而不仅仅是警告。

我想知道为什么级别函数不会引起类似的警告？在这里，我以两种方式将前三个级别组合为“a”，一种已弃用。

例子

> x <- c("a", "b", "c", "d")
> xf <- factor(x, levels = c("a", "b", "c", "d"), 
    labels = c("a", "a", "a", "d"))
Warning message:
In `levels<-`(`*tmp*`, value = if (nl == nL) 
    as.character(labels) else paste0(labels,  :
    duplicated levels in factors are deprecated
> xf <- factor(x)
> levels(xf) <- c("a", "a", "a", "d")
> xf
[1] a a a d
Levels: a d

我想了解为什么 R 对后者的处理方式与前者不同。

这是记录在案的关卡行为，我没有利用未说明的元素。在 ?levels 中，有一个允许重复级别的示例。我将其粘贴进去以节省查找时间。

## combine some levels
z <- gl(3, 2, 12, labels = c("apple", "salad", "orange"))
z
levels(z) <- c("fruit", "veg", "fruit")
z

Answer 1

因子用于创建分类变量。该变量的Levels 属性代表不同的类别。变量不能有重复的类别。它没有任何意义。但是，一个变量可以具有相同类别的重复数据值。

分类变量内的数据表示为整数向量。使用unclass 查看整数向量。 levels 属性表示此变量的类别。例如这个变量的第一个值属于一个特定的类别，它会被分配编号 1。如果它是一个有序因子，那么最低的类别将被分配编号 1。

x <- c(letters[1:3], letters[1:3])
xf <- factor(x)

xf
# [1] a b c a b c
# Levels: a b c

attributes(xf)
# $levels
# [1] "a" "b" "c" 
# 
# $class
# [1] "factor"

unclass(xf)
# [1] 1 2 3 1 2 3
# attr(,"levels")
# [1] "a" "b" "c"

如果一个类别在变量中没有值，那么它将被分配NA。

factor(c("a", "b", "c"), levels = c("e", "f", "g"))
# [1] <NA> <NA> <NA>
#   Levels: e f g

labels 是用于更改类别名称的可选参数。如果变量具有根据级别参数的数据值，那么标签参数中的值将被赋予它。请注意，值“e”被赋予类别“h”。

factor(c("a", "b", "e"), levels = c("e", "f", "g"), labels = c("h", "i", "j"))
# [1] <NA> <NA> h   
# Levels: h i j

现在levels() 是一个替换函数，用于更改因子变量中存在的数据。 levels() 函数中使用的数据必须与因子变量相对应。否则会产生垃圾。

xf
# [1] a b c a b c
# Levels: a b c

带有“a”的值更改为“e”，“b”更改为“f”，“c”更改为“g”。此示例说明如何正确转换因子变量的类别名称。

levels(xf) <- c("e", "f", "g", "e", "f", "g")
> xf
# [1] e f g e f g
# Levels: e f g

现在是垃圾类型：注意数据不对应因子变量xf。要查看整数向量，请使用unclass(xf)。

levels(xf) <- c("m", "m", "m", "n", "n", "n")
xf
# [1] m m m m m m
# Levels: m n