Keď prevediem faktor na číselný alebo celočíselný, dostanem kódy základných úrovní, nie hodnoty ako čísla.
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
Musím sa uchýliť k metóde vložiť
, aby som získal skutočné hodnoty:
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
Existuje lepší spôsob, ako previesť faktor na číselný?
Pozri časť Upozornenie v ?factor
:
Najmä
as.numeric
aplikovaný na faktor je nezmyselná a môže stať implicitným donútením. Na transformovať faktorf
na približne na jeho pôvodný číselný hodnoty,as.numeric(levels(f))[f]
je odporúčané a o niečo viac efektívnejšie akoas.numeric(as.character(f))
.
Podobné rady nájdete aj v FAQ o R 2.
**Prečo je as.numeric(levels(f))[f]
efektívnejšie ako as.numeric(as.character(f))
?
as.numeric(as.character(f))
je efektívne as.numeric(levels(f)[f])
, takže konverziu na číselné hodnoty vykonávate na hodnotách length(x)
, a nie na hodnotách nlevels(x)
. Rozdiel v rýchlosti sa najviac prejaví pri dlhých vektoroch s niekoľkými úrovňami. Ak sú hodnoty väčšinou unikátne, rozdiel v rýchlosti nebude veľký. Nech už konverziu vykonáte akokoľvek, táto operácia pravdepodobne nebude úzkym miestom vášho kódu, takže sa ňou príliš nezaoberajte.
Niekoľko časových údajov
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 má niekoľko (nedokumentovaných) pohodlných funkcií na konverziu faktorov:
as.character.factor
as.data.frame.factor
as.Date.factor
as.list.factor
as.vector.factor
Je však nepríjemné, že neexistuje nič, čo by riešilo konverziu faktor -> numeric. Ako rozšírenie odpovede Joshuu Ulricha'by som navrhoval prekonať toto opomenutie definíciou vlastnej idiomatickej funkcie:
as.numeric.factor <- function(x) {as.numeric(levels(x))[x]}
ktorú môžete uložiť na začiatok svojho skriptu, alebo ešte lepšie do súboru .Rprofile
.
Je to možné len v prípade, keď sa označenia faktorov zhodujú s pôvodnými hodnotami. Vysvetlím to na príklade.
Predpokladajme, že údaje sú vektor x
:
x <- c(20, 10, 30, 20, 10, 40, 10, 40)
Teraz vytvorím faktor so štyrmi značkami:
f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))
x
je typu double, f
je typu integer. Toto je prvá nevyhnutná strata informácie. Faktory sú vždy uložené ako celé čísla.> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"
f
. Vidíme, že f
obsahuje len celočíselné hodnoty 1, 2, 3, 4 a dva atribúty - zoznam štítkov ("A", "B", "C", "D") a atribút triedy "factor". Nič viac.> 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"
Ak sa chceme vrátiť k pôvodným hodnotám, musíme poznať hodnoty úrovní použité pri vytváraní faktora. V tomto prípade c(10, 20, 30, 40)
. Ak poznáme pôvodné úrovne (v správnom poradí), môžeme sa vrátiť k pôvodným hodnotám.
> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE
A to bude fungovať len v prípade, keď boli definované štítky pre všetky možné hodnoty v pôvodných údajoch.
Ak teda budete potrebovať pôvodné hodnoty, musíte ich zachovať. V opačnom prípade je veľká pravdepodobnosť, že sa k nim nebude možné vrátiť len z faktora.