R Language
Czynniki

Składnia

1. współczynnik (x = znak (), poziomy, etykiety = poziomy, wykluczenie = NA, uporządkowane = is.ordered (x), nmax = NA)
2. Run ?factor lub zapoznać się z dokumentacją w Internecie.

Uwagi

set.seed(1)
Color <- sample(x = c("Red", "Blue", "Green", "Yellow"), 
                size = 1000, 
                replace = TRUE)
Color <- factor(Color)

#* 1. It is stored internally as an `integer` vector
typeof(Color)

#* 2. It maintains a `levels` attribute the shows the character representation of the values.
#* 3. Its class is stored as `factor`
attributes(Color)

#* Amount of memory required to store Color as a factor.
object.size(Color)

#* Amount of memory required to store Color as a character
object.size(as.character(Color))

head(Color)

head(as.numeric(Color))

head(levels(Color)[as.numeric(Color)])

head(Color)

Podstawowe tworzenie czynników

Czynniki są jednym ze sposobów reprezentowania zmiennych kategorialnych w R. Czynnik jest przechowywany wewnętrznie jako wektor liczb całkowitych . Unikalne elementy dostarczonego wektora znaków są znane jako poziomy współczynnika. Domyślnie, jeśli poziomy nie są dostarczane przez użytkownika, wówczas R wygeneruje zestaw unikalnych wartości w wektorze, posortuje te wartości alfanumerycznie i użyje ich jako poziomów.

 charvar <- rep(c("n", "c"), each = 3)
 f <- factor(charvar)
 f
 levels(f)

> f
[1] n n n c c c
Levels: c n
> levels(f)
[1] "c" "n"

Jeśli chcesz zmienić kolejność poziomów, jedną z opcji jest ręczne określenie poziomów:

levels(factor(charvar, levels = c("n","c")))

> levels(factor(charvar, levels = c("n","c")))
[1] "n" "c"

Czynniki mają wiele właściwości. Na przykład poziomy mogą mieć etykiety:

> f <- factor(charvar, levels=c("n", "c"), labels=c("Newt", "Capybara"))
> f
[1] Newt     Newt     Newt     Capybara Capybara Capybara
Levels: Newt Capybara

Inną właściwością, którą można przypisać, jest to, czy czynnik jest uporządkowany:

> Weekdays <- factor(c("Monday", "Wednesday", "Thursday", "Tuesday", "Friday", "Sunday", "Saturday"))
> Weekdays
[1] Monday    Wednesday Thursday  Tuesday   Friday    Sunday    Saturday 
Levels: Friday Monday Saturday Sunday Thursday Tuesday Wednesday
> Weekdays <- factor(Weekdays, levels=c("Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday"), ordered=TRUE)
> Weekdays
[1] Monday    Wednesday Thursday  Tuesday   Friday    Sunday    Saturday 
Levels: Monday < Tuesday < Wednesday < Thursday < Friday < Saturday < Sunday

Gdy poziom współczynnika nie jest już używany, możesz go upuścić za pomocą funkcji droplevels() :

> Weekend <- subset(Weekdays, Weekdays == "Saturday" |  Weekdays == "Sunday")
> Weekend
[1] Sunday   Saturday
Levels: Monday < Tuesday < Wednesday < Thursday < Friday < Saturday < Sunday
> Weekend <- droplevels(Weekend)
> Weekend
[1] Sunday   Saturday
Levels: Saturday < Sunday

Konsolidacja poziomów czynników z listą

Są chwile, w których pożądane jest konsolidowanie poziomów czynników w mniejszych grupach, być może z powodu rzadkich danych w jednej z kategorii. Może się również zdarzyć, gdy masz różne pisownię lub wielkie litery nazw kategorii. Rozważ jako przykład czynnik

set.seed(1)
colorful <- sample(c("red", "Red", "RED", "blue", "Blue", "BLUE", "green", "gren"),
                   size = 20,
                   replace = TRUE)
colorful <- factor(colorful)

Ponieważ R rozróżnia wielkość liter, tabela częstotliwości tego wektora wyglądałaby jak poniżej.

table(colorful)

colorful  
blue  Blue  BLUE green  gren   red   Red   RED  
   3     1     4     2     4     1     3     2

Ta tabela nie przedstawia jednak prawdziwego rozkładu danych, a kategorie można skutecznie zredukować do trzech typów: niebieskiego, zielonego i czerwonego. Podano trzy przykłady. Pierwszy ilustruje to, co wydaje się oczywistym rozwiązaniem, ale w rzeczywistości nie zapewnia rozwiązania. Drugi daje działające rozwiązanie, ale jest pełny i drogi pod względem obliczeniowym. Trzecie nie jest oczywistym rozwiązaniem, ale jest stosunkowo kompaktowe i wydajne obliczeniowo.

Poziomy konsolidacyjne przy użyciu factor ( factor_approach )

factor(as.character(colorful),
       levels = c("blue", "Blue", "BLUE", "green", "gren", "red", "Red", "RED"),
       labels = c("Blue", "Blue", "Blue", "Green", "Green", "Red", "Red", "Red"))

 [1] Green Blue  Red   Red   Blue  Red   Red   Red   Blue  Red   Green Green Green Blue  Red   Green
[17] Red   Green Green Red  
Levels: Blue Blue Blue Green Green Red Red Red
Warning message:
In `levels<-`(`*tmp*`, value = if (nl == nL) as.character(labels) else paste0(labels,  :
  duplicated levels in factors are deprecated

Zauważ, że istnieją zduplikowane poziomy. Wciąż mamy trzy kategorie dla „Niebieskiego”, co nie kończy naszego zadania polegającego na konsolidacji poziomów. Dodatkowo pojawia się ostrzeżenie, że zduplikowane poziomy są przestarzałe, co oznacza, że ten kod może generować błąd w przyszłości.

Konsolidacja poziomów za pomocą ifelse ( ifelse_approach )

factor(ifelse(colorful %in% c("blue", "Blue", "BLUE"),
       "Blue",
       ifelse(colorful %in% c("green", "gren"),
              "Green",
              "Red")))

 [1] Green Blue  Red   Red   Blue  Red   Red   Red   Blue  Red   Green Green Green Blue  Red   Green
[17] Red   Green Green Red  
Levels: Blue Green Red

Ten kod generuje pożądany wynik, ale wymaga użycia zagnieżdżonych instrukcji ifelse . Chociaż w tym podejściu nie ma nic złego, zarządzanie zagnieżdżonymi instrukcjami ifelse może być żmudnym zadaniem i musi być wykonane ostrożnie.

Konsolidacja poziomów czynników za pomocą listy ( list_approach )

Mniej oczywistym sposobem konsolidacji poziomów jest użycie listy, w której nazwa każdego elementu jest nazwą żądanej kategorii, a element jest wektorem znaków poziomów w czynniku, który powinien być odwzorowany na pożądaną kategorię. Ma to tę dodatkową zaletę, że działa bezpośrednio na atrybucie levels czynnika, bez konieczności przypisywania nowych obiektów.

levels(colorful) <- 
     list("Blue" = c("blue", "Blue", "BLUE"),
          "Green" = c("green", "gren"),
          "Red" = c("red", "Red", "RED"))

 [1] Green Blue  Red   Red   Blue  Red   Red   Red   Blue  Red   Green Green Green Blue  Red   Green
[17] Red   Green Green Red  
Levels: Blue Green Red

Benchmarking każdego podejścia

Czas potrzebny na wykonanie każdego z tych podejść podsumowano poniżej. (Ze względu na miejsce kod do wygenerowania tego podsumowania nie jest wyświetlany)

Unit: microseconds
          expr     min      lq      mean   median      uq     max neval cld
        factor  78.725  83.256  93.26023  87.5030  97.131 218.899   100  b 
        ifelse 104.494 107.609 123.53793 113.4145 128.281 254.580   100   c
 list_approach  49.557  52.955  60.50756  54.9370  65.132 138.193   100 a

Podejście ifelse działa około dwa razy szybciej ifelse podejście ifelse . Jednak z wyjątkiem bardzo bardzo dużych ilości danych różnice w czasie wykonywania będą prawdopodobnie mierzone w mikrosekundach lub milisekundach. Przy tak niewielkich różnicach czasowych wydajność nie musi decydować o wyborze podejścia. Zamiast tego zastosuj podejście, które jest znane i wygodne, i które ty i twoi współpracownicy zrozumiecie w przyszłości.

Czynniki

Czynniki są jedną z metod reprezentowania zmiennych kategorialnych w R. Biorąc pod uwagę wektor x którego wartości można konwertować na znaki za pomocą as.character() , domyślne argumenty argumentu factor() i as.factor() przypisują liczbę całkowitą do każdego odrębnego elementu wektor oraz atrybut poziomu i atrybut etykiety. Poziomy są wartościami, które x może ewentualnie przyjąć, a etykiety mogą być danym elementem lub określone przez użytkownika.

Na przykład, jak działają czynniki, utworzymy czynnik z domyślnymi atrybutami, następnie poziomy niestandardowe, a następnie poziomy niestandardowe i etykiety.

# standard
factor(c(1,1,2,2,3,3))
[1] 1 1 2 2 3 3
Levels: 1 2 3

Mogą wystąpić sytuacje, w których użytkownik wie, ile możliwych wartości może przyjąć czynnik, jest większy niż bieżące wartości w wektorze. W tym celu sami przypisujemy poziomy w factor() .

factor(c(1,1,2,2,3,3),
         levels = c(1,2,3,4,5))
[1] 1 1 2 2 3 3
Levels: 1 2 3 4 5

Ze względów stylowych użytkownik może chcieć przypisać etykiety do każdego poziomu. Domyślnie etykiety reprezentują znaki poziomów. Tutaj przypisujemy etykiety dla każdego z możliwych poziomów współczynnika.

factor(c(1,1,2,2,3,3),
       levels = c(1,2,3,4,5),
       labels = c("Fox","Dog","Cow","Brick","Dolphin"))
[1] Fox Fox Dog Dog Cow Cow
Levels: Fox Dog Cow Brick Dolphin

Zwykle współczynniki można porównywać tylko za pomocą == i != I jeśli czynniki mają takie same poziomy. Poniższe porównanie czynników nie powiedzie się, mimo że wydają się równe, ponieważ czynniki mają różne poziomy czynników.

factor(c(1,1,2,2,3,3),levels = c(1,2,3)) == factor(c(1,1,2,2,3,3),levels = c(1,2,3,4,5))
Error in Ops.factor(factor(c(1, 1, 2, 2, 3, 3), levels = c(1, 2, 3)),  : 
  level sets of factors are different

Ma to sens, ponieważ dodatkowe poziomy w RHS oznaczają, że R nie ma wystarczającej ilości informacji o każdym czynniku, aby porównać je w znaczący sposób.

Operatory < , <= , > i >= są użyteczne tylko dla czynników uporządkowanych. Mogą reprezentować wartości jakościowe, które nadal mają porządek liniowy. Współczynnik uporządkowany można utworzyć, podając argument funkcji ordered = TRUE do funkcji factor lub po prostu używając funkcji ordered .

x <- factor(1:3, labels = c('low', 'medium', 'high'), ordered = TRUE)
print(x)
[1] low    medium high  
Levels: low < medium < high

y <- ordered(3:1, labels = c('low', 'medium', 'high'))
print(y)
[1] high   medium low   
Levels: low < medium < high

x < y
[1]  TRUE FALSE FALSE

Aby uzyskać więcej informacji, zobacz dokumentację Factor .

Czynniki zmiany i zmiany kolejności

Kiedy czynniki są tworzone z wartościami domyślnymi, levels są tworzone przez as.character zastosowane do danych wejściowych i są uporządkowane alfabetycznie.

charvar <- rep(c("W", "n", "c"), times=c(17,20,14))
f <- factor(charvar)
levels(f)
# [1] "c" "n" "W"

W niektórych sytuacjach dopuszczalna jest domyślna kolejność levels (kolejność alfabetyczna / leksykalna). Na przykład, jeśli ktoś po prostu chce plot częstotliwości, będzie to wynik:

plot(f,col=1:length(levels(f)))

Ale jeśli chcemy mieć inną kolejność levels , musimy to określić w parametrze levels lub labels (uważając, że znaczenie słowa „kolejność” tutaj różni się od czynników uporządkowanych , patrz poniżej). Istnieje wiele alternatywnych sposobów wykonania tego zadania w zależności od sytuacji.

1. Przedefiniuj współczynnik

Gdy jest to możliwe, możemy odtworzyć czynnik, używając parametru levels z żądaną kolejnością.

ff <- factor(charvar, levels = c("n", "W", "c"))
levels(ff)
# [1] "n" "W" "c"
 
gg <- factor(charvar, levels = c("W", "c", "n"))
levels(gg)
# [1] "W" "c" "n"

Gdy poziomy wejściowe są inne niż pożądane poziomy wyjściowe, używamy parametru labels , który powoduje, że parametr levels staje się „filtrem” dla akceptowalnych wartości wejściowych, ale pozostawia końcowe wartości „poziomów” dla wektora czynnikowego jako argument labels :

fm <- factor(as.numeric(f),levels = c(2,3,1),
             labels = c("nn", "WW", "cc"))
levels(fm)
# [1] "nn" "WW" "cc"

fm <- factor(LETTERS[1:6], levels = LETTERS[1:4],  # only 'A'-'D' as input
                 labels = letters[1:4])            # but assigned to 'a'-'d'
fm
#[1] a    b    c    d    <NA> <NA>
#Levels: a b c d

2. Użyj funkcji relevel

Gdy istnieje jeden konkretny level który musi być pierwszy, możemy użyć relevel . Dzieje się tak na przykład w kontekście analizy statystycznej, gdy kategoria base jest niezbędna do testowania hipotezy.

g<-relevel(f, "n") # moves n to be the first level
levels(g)
# [1] "n" "c" "W"  

Jak można zweryfikować, f i g są takie same

all.equal(f, g)
# [1] "Attributes: < Component “levels”: 2 string mismatches >"
all.equal(f, g, check.attributes = F)
# [1] TRUE

3. Czynniki zmiany kolejności

Są przypadki, gdy musimy reorder levels na podstawie liczby, wyniku częściowego, obliczonej statystyki lub wcześniejszych obliczeń. Zmieńmy kolejność na podstawie częstotliwości levels

table(g)
# g
#  n  c  W 
# 20 14 17 

Funkcja zmiany reorder jest ogólna (patrz help(reorder) ), ale w tym kontekście potrzebuje: x , w tym przypadku współczynnik; X , wartość liczbowa o tej samej długości co x ; i FUN , funkcja do zastosowania do X i obliczona na podstawie poziomu x , który określa kolejność levels , domyślnie rosnąca. Wynik jest taki sam, jak w przypadku zmiany kolejności poziomów.

g.ord <- reorder(g,rep(1,length(g)), FUN=sum) #increasing
levels(g.ord)
# [1] "c" "W" "n"

Aby uzyskać malejące zamówienie, bierzemy pod uwagę wartości ujemne ( -1 )

g.ord.d <- reorder(g,rep(-1,length(g)), FUN=sum)
levels(g.ord.d)
# [1] "n" "W" "c"

Ponownie czynnik jest taki sam jak inne.

data.frame(f,g,g.ord,g.ord.d)[seq(1,length(g),by=5),] #just same lines
#    f g g.ord g.ord.d
# 1  W W     W       W
# 6  W W     W       W
# 11 W W     W       W
# 16 W W     W       W
# 21 n n     n       n
# 26 n n     n       n
# 31 n n     n       n
# 36 n n     n       n
# 41 c c     c       c
# 46 c c     c       c
# 51 c c     c       c

Gdy istnieje zmienna ilościowa związana ze zmienną czynnikową, moglibyśmy użyć innych funkcji do zmiany kolejności levels . Weźmy dane iris ( help("iris") aby uzyskać więcej informacji), w celu zmiany kolejności współczynnika Species przy użyciu jego średniej wartości Sepal.Width .

miris <- iris  #help("iris") # copy the data
with(miris, tapply(Sepal.Width,Species,mean))
#    setosa versicolor  virginica 
#     3.428      2.770      2.974 

miris$Species.o<-with(miris,reorder(Species,-Sepal.Width))
levels(miris$Species.o)
# [1] "setosa"     "virginica"  "versicolor"

Zwykły boxplot (powiedzmy: za with(miris, boxplot(Petal.Width~Species) ) pokaże especies w tej kolejności: setosa , versicolor i virginica . Ale używając uporządkowanego czynnika otrzymujemy gatunek uporządkowany według średniej Sepal.Width :

boxplot(Petal.Width~Species.o, data = miris,
        xlab = "Species", ylab = "Petal Width",
        main = "Iris Data, ordered by mean sepal width", varwidth = TRUE,
        col = 2:4) 

Ponadto można również zmieniać nazwy levels , łączyć je w grupy lub dodawać nowe levels . W tym celu korzystamy z funkcji o tych samych levels nazw.

f1<-f
levels(f1)
# [1] "c" "n" "W"
levels(f1) <- c("upper","upper","CAP") #rename and grouping
levels(f1)
# [1] "upper" "CAP" 

f2<-f1
levels(f2) <- c("upper","CAP", "Number") #add Number level, which is empty
levels(f2)
# [1] "upper"  "CAP"    "Number"
f2[length(f2):(length(f2)+5)]<-"Number" # add cases for the new level
table(f2)
# f2
#  upper    CAP Number 
#     33     17      6 

f3<-f1
levels(f3) <- list(G1 = "upper", G2 = "CAP", G3 = "Number") # The same using list
levels(f3)
# [1] "G1" "G2" "G3"
f3[length(f3):(length(f3)+6)]<-"G3" ## add cases for the new level
table(f3)
# f3
# G1 G2 G3 
# 33 17  7 

- uporządkowane czynniki

Wreszcie wiemy, że ordered czynniki różnią się od factors , pierwszy służy do reprezentowania danych porządkowych , a drugi do pracy z danymi nominalnymi . Na początku zmiana sensu levels dla uporządkowanych czynników nie ma sensu, ale możemy zmienić jego labels .

ordvar<-rep(c("Low", "Medium", "High"), times=c(7,2,4))

of<-ordered(ordvar,levels=c("Low", "Medium", "High"))
levels(of)
# [1] "Low"    "Medium" "High" 

of1<-of
levels(of1)<- c("LOW", "MEDIUM", "HIGH")
levels(of1)
# [1] "LOW"    "MEDIUM" "HIGH"
is.ordered(of1)
# [1] TRUE
of1
# [1] LOW    LOW    LOW    LOW    LOW    LOW    LOW    MEDIUM MEDIUM HIGH   HIGH   HIGH   HIGH  
# Levels: LOW < MEDIUM < HIGH

Czynniki przebudowujące od zera

Problem

Współczynniki są używane do reprezentowania zmiennych, które pobierają wartości z zestawu kategorii, znanych jako Poziomy w R. Na przykład, niektóre eksperymenty mogą charakteryzować się poziomem energii akumulatora, z czterema poziomami: pustym, niskim, normalnym i pełnym. Następnie, dla 5 różnych miejsc pobierania próbek, poziomy te można określić następującymi terminami:

pełny , pełny , normalny , pusty , niski

Zazwyczaj w bazach danych lub innych źródłach informacji przetwarzanie tych danych odbywa się za pomocą dowolnych wskaźników całkowitych powiązanych z kategoriami lub poziomami. Jeśli założymy, że dla podanego przykładu przypisalibyśmy następujące wskaźniki: 1 = pusty, 2 = niski, 3 = normalny, 4 = pełny, wówczas 5 próbek można zakodować jako:

4 , 4 , 3 , 1 , 2

Może się zdarzyć, że z twojego źródła informacji, np. Bazy danych, masz tylko zakodowaną listę liczb całkowitych i katalog łączący każdą liczbę całkowitą z każdym słowem kluczowym poziomu. Jak można zrekonstruować czynnik R na podstawie tych informacji?

Rozwiązanie

Będziemy symulować wektor 20 liczb całkowitych reprezentujących próbki, z których każda może mieć jedną z czterech różnych wartości:

set.seed(18)
ii <- sample(1:4, 20, replace=T)
ii

[1] 4 3 4 1 1 3 2 3 2 1 3 4 1 2 4 1 3 1 4 1

Pierwszym krokiem jest utworzenie współczynnika z poprzedniej sekwencji, w którym poziomy lub kategorie są dokładnie liczbami od 1 do 4.

fii <- factor(ii, levels=1:4) # it is necessary to indicate the numeric levels
fii

[1] 4 3 4 1 1 3 2 3 2 1 3 4 1 2 4 1 3 1 4 1
Poziomy: 1 2 3 4

Teraz wystarczy ubrać czynnik już utworzony za pomocą tagów indeksu:

levels(fii) <- c("empty", "low", "normal", "full")
fii

[1] pełny normalny pełny pusty pusty normalny niski normalny niski pusty
[11] normalna pełna pusta niska pełna pusta normalna pusta pełna pusta
Poziomy: pusty niski normalny pełny