Quando converto un fattore in un numerico o intero, ottengo i codici di livello sottostanti, non i valori come numeri.
f <- factor(sample(runif(5), 20, replace = TRUE))
## [1] 0.0248644019011408 0.0248644019011408 0.179684827337041
## [4] 0.0284090070053935 0.363644931698218 0.363644931698218
## [7] 0.179684827337041 0.249704354675487 0.249704354675487
## [10] 0.0248644019011408 0.249704354675487 0.0284090070053935
## [13] 0.179684827337041 0.0248644019011408 0.179684827337041
## [16] 0.363644931698218 0.249704354675487 0.363644931698218
## [19] 0.179684827337041 0.0284090070053935
## 5 Levels: 0.0248644019011408 0.0284090070053935 ... 0.363644931698218
as.numeric(f)
## [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2
as.integer(f)
## [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2
Devo ricorrere al paste
per ottenere i valori reali:
as.numeric(paste(f))
## [1] 0.02486440 0.02486440 0.17968483 0.02840901 0.36364493 0.36364493
## [7] 0.17968483 0.24970435 0.24970435 0.02486440 0.24970435 0.02840901
## [13] 0.17968483 0.02486440 0.17968483 0.36364493 0.24970435 0.36364493
## [19] 0.17968483 0.02840901
C'è un modo migliore per convertire un fattore in numerico?
Vedi la sezione Warning di ?factor
:
In particolare, as.numeric
applicato a
un fattore è privo di significato, e può avvenire per coercizione implicita. Per trasformare un fattore
f
in circa i suoi valori numerici originali valori,as.numeric(levels(f))[f]
è raccomandato e leggermente più efficiente dias.numeric(as.character(f))
.
Le FAQ su R hanno un consiglio simile.
**Perché as.numeric(levels(f))[f]
è più efficace di as.numeric(as.character(f))
?
as.numeric(as.character(f))
è effettivamente as.numeric(levels(f)[f])
, quindi state eseguendo la conversione in numerico sui valori di length(x)
, piuttosto che sui valori di nlevels(x)
. La differenza di velocità sarà più evidente per vettori lunghi con pochi livelli. Se i valori sono per lo più unici, non ci sarà molta differenza di velocità. Comunque tu faccia la conversione, è improbabile che questa operazione sia il collo di bottiglia del tuo codice, quindi non preoccupartene troppo.
Alcuni tempi
library(microbenchmark)
microbenchmark(
as.numeric(levels(f))[f],
as.numeric(levels(f)[f]),
as.numeric(as.character(f)),
paste0(x),
paste(x),
times = 1e5
)
## Unit: microseconds
## expr min lq mean median uq max neval
## as.numeric(levels(f))[f] 3.982 5.120 6.088624 5.405 5.974 1981.418 1e+05
## as.numeric(levels(f)[f]) 5.973 7.111 8.352032 7.396 8.250 4256.380 1e+05
## as.numeric(as.character(f)) 6.827 8.249 9.628264 8.534 9.671 1983.694 1e+05
## paste0(x) 7.964 9.387 11.026351 9.956 10.810 2911.257 1e+05
## paste(x) 7.965 9.387 11.127308 9.956 11.093 2419.458 1e+05
R ha un certo numero di funzioni (non documentate) per convertire i fattori:
as.character.factor
as.data.frame.factor
as.Date.factor
as.list.factor
as.vector.factor
Ma fastidiosamente, non c'è nulla per gestire la conversione fattore -> numerico. Come estensione della risposta di Joshua Ulrich, suggerirei di superare questa omissione con la definizione di una propria funzione idiomatica:
as.numeric.factor <- function(x) {as.numeric(levels(x))[x]}
che puoi memorizzare all'inizio del tuo script, o meglio ancora nel tuo file .Rprofile
.
È possibile solo nel caso in cui le etichette dei fattori corrispondano ai valori originali. Lo spiego con un esempio.
Supponiamo che i dati siano il vettore x
:
x <- c(20, 10, 30, 20, 10, 40, 10, 40)
Ora creerò un fattore con quattro etichette:
f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))
x
è di tipo double, f
è di tipo integer. Questa è la prima inevitabile perdita di informazioni. I fattori sono sempre memorizzati come interi.> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"
f
a disposizione. Possiamo vedere che f
contiene solo i valori interi 1, 2, 3, 4 e due attributi - la lista di etichette ("A", "B", "C", "D") e l'attributo di classe "factor". Niente di più.> str(f)
Factor w/ 4 levels "A","B","C","D": 2 1 3 2 1 4 1 4
> attributes(f)
$levels
[1] "A" "B" "C" "D"
$class
[1] "factor"
Per tornare ai valori originali dobbiamo conoscere i valori dei livelli utilizzati nella creazione del fattore. In questo caso c(10, 20, 30, 40)
. Se conosciamo i livelli originali (nell'ordine corretto), possiamo tornare ai valori originali.
> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE
E questo funzionerà solo nel caso in cui le etichette siano state definite per tutti i possibili valori nei dati originali.
Quindi, se avete bisogno dei valori originali, dovete conservarli. Altrimenti c'è un'alta probabilità che non sarà possibile tornare ad essi solo da un fattore.