在R中折叠（混乱）字符变量的多个因子级别

Question

我很难在 R Studio 中将多个因子水平折叠成一个特定变量的三个因子水平。

我的出发点是data.table，它有 250 个变量和大约 4,000 行。对于一个因素变量，我想将它的 75 个级别合并为 3 个级别。此外，在 75 个级别中，应忽略 4 个级别（或之前设置为 NA），因为它们包含有争议的信息。该因子变量基于调查答案，其中还包括文本格式的个人答案。有时甚至语言也不同。所以，有点乱。

我尝试以两种不同的方式将这 75 个级别（或者如果之前分别设置为 NA 的情况下为 71 个级别）折叠成 3 个级别。但是，R 总是在控制台中返回 + 而不是 >，我无法继续执行任何其他命令。当然，我可以通过点击Esc 来阻止这种情况，但这并不能帮助我获得想要的结果。

所以，这个虚构的例子应该显示我尝试过的内容：

1) 使用levels 和list 函数

levels(dt$x) <- list("No"=c("I don't allow anything", "..."), 
"Yes"= c("Number of visitors ,annual sales, sales growth, number of customers", "Net sales", "..."), 
"Maybe"=c("The CEO's approval is needed.", "To be discussed"))

2) 使用forcats 包

dt$x %>%
fct_collapse(No= c("I don't allow anything", "..."), 
Yes= c("Number of visitors ,annual sales, sales growth", "number of customers", "Net sales", "..."), 
Maybe=c("The CEO's approval is needed.", "To be discussed"))

我认为问题是由原始变量的结构引起的。有谁知道我该如何解决这个问题？

非常感谢您！

最好， 伊尔卡

Answer 1

dt$x 肯定是一个“因素”。要将不同的值分配给因子列，应首先将数据转换为“字符”类型

class(dt$x) # should be factor
dt$x <- as.character(dt$x)
class(dt$x) # should be "character"  

# a list of collapsed Categories
toCollapseCategories <- list(
    "No"=c("I don't allow anything", "..."), 
    "Yes"= c("Number of visitors ,annual sales, sales growth, number of customers", "Net 
           sales", "..."), 
    "Maybe"=c("The CEO's approval is needed.", "To be discussed")
)

dt$x[dt$x %in% toCollapseCategories$No] <- "No"
dt$x[dt$x %in% toCollapseCategories$Yes] <- "Yes"
dt$x[dt$x %in% toCollapseCategories$Maybe] <- "Maybe"

# and then get a factor
dt$x <- as.factor(dt$x)
class(dt$x) # factor

当然，代码可以优化，但 dt$x 应该是一个字符才能替换元素

Answer 2

我的一个朋友实际上提供了答案。与数据结构无关。

这样就可以了：

dt$x <- fct_collapse(dt$x, 
                          No = c(
                            "I don't allow anything", 
                             "..."),
                          Yes= c(
                             "Number of visitors ,annual sales, sales growth",
                             "number of customers", 
                             "Net sales", 
                             "..."),
                          Maybe= c(
                              "The CEO's approval is needed.", 
                              "To be discussed")
                               )

我仍然不知道为什么我在上面发布的第一个选项不起作用（它与另一个变量完美匹配）。

Answer 3

我在 github 上写了一个函数 xfactor 来帮助解决这种情况。它允许使用正则表达式匹配重新编码因子级别，因此对于处理混乱的数据很有用。它还允许您使用“排除”语句通过正则表达式匹配删除因子级别。

devtools::install_github("jwilliman/xfactor")
library(xfactor)

dt$x <- xfactor::xfactor(dt$x, levels = c(
  No = "don't|never",
  Yes = "sales|visitors|customers",
  Maybe = "approval|discuss"),
  exclude = "irrelevant", ignore.case = TRUE)
  )

更多示例请参见https://stackoverflow.com/a/37800944/4241780。

顺便说一句，如果 R 在控制台中返回 + 而不是 >，您可能在某处错过了关闭 ) 或 "！