如何将因子转换为整数\数字而不丢失信息？

Question

当我将因子转换为数字或整数时，我得到的是基础级别代码，而不是数字形式的值。

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

我必须求助于 paste 来获取实际值：

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

是否有更好的方法将因子转换为数字？

Answer 1

请参阅 ?factor 的警告部分：

特别是，as.numeric 应用于
一个因素是没有意义的，并且可能
通过隐式强制发生。到
将因子 f 变换为
大约其原始数字
值，as.numeric(levels(f))[f] 是
推荐，稍微多一点
效率比
as.numeric(as.character(f))。

R 常见问题解答 有类似的建议。

---

为什么as.numeric(levels(f))[f]比as.numeric(as.character(f))更有效？

as.numeric(as.character(f)) 实际上是 as.numeric(levels(f)[f])，因此您要在 < code>length(x) 值，而不是 nlevels(x) 值。对于具有很少级别的长向量，速度差异最为明显。如果这些值大多是唯一的，则速度不会有太大差异。无论您如何进行转换，此操作都不太可能成为代码中的瓶颈，因此不必太担心。

---

一些时间

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

Answer 2

R 有许多（未记录的）转换因子的便利函数：

• as.character.factor
• as.data.frame.factor
• as.Date.factor code>
• as.list.factor
• as.vector.factor
• ...

但令人烦恼的是，没有任何东西可以处理 factor ->数字转换。作为 Joshua Ulrich 答案的扩展，我建议通过定义您自己的惯用函数来克服这种遗漏：

as.double.factor <- function(x) {as.numeric(levels(x))[x]}

您可以将其存储在脚本的开头，甚至更好地存储在 .Rprofile 文件。

Answer 3

注意：这个特定的答案不是用于将数值因子转换为数字，而是用于将分类因子转换为其相应的级别数字。

---

这篇文章中的每个答案都无法生成对我来说，结果是 NA 正在生成。

y2<-factor(c("A","B","C","D","A")); 
as.numeric(levels(y2))[y2] 
[1] NA NA NA NA NA Warning message: NAs introduced by coercion

对我有用的是这个 -

as.integer(y2)
# [1] 1 2 3 4 1

Answer 4

最简单的方法是使用包 varhandle 可以接受因子向量甚至数据帧：

unfactor(your_factor_variable)

此示例可以快速入门：

x <- rep(c("a", "b", "c"), 20)
y <- rep(c(1, 1, 0), 20)

class(x)  # -> "character"
class(y)  # -> "numeric"

x <- factor(x)
y <- factor(y)

class(x)  # -> "factor"
class(y)  # -> "factor"

library(varhandle)
x <- unfactor(x)
y <- unfactor(y)

class(x)  # -> "character"
class(y)  # -> "numeric"

您也可以在数据帧上使用它。例如 iris 数据集：

sapply(iris, class)

萼片长度 萼片宽度 花瓣长度 花瓣宽度 物种
   “数字” “数字” “数字” “数字” “因子”

# load the package
library("varhandle")
# pass the iris to unfactor
tmp_iris <- unfactor(iris)
# check the classes of the columns
sapply(tmp_iris, class)

萼片长度 萼片宽度 花瓣长度 花瓣宽度 物种
   “数字” “数字” “数字” “数字” “字符”

# check if the last column is correctly converted
tmp_iris$Species

<前><代码> [1] “setosa” “setosa” “setosa” “setosa” “setosa”
[6] 山楂树 山楂树 山楂树 山楂树 山楂树
[11] 山楂树 山楂树 山楂树 山楂树 山楂树
[16] 山楂树 山楂树 山楂树 山楂树 山楂树
[21] 山楂树 山楂树 山楂树 山楂树 山楂树
[26] 山楂树 山楂树 山楂树 山楂树 山楂树
[31] 山楂树 山楂树 山楂树 山楂树
[36] 山楂树 山楂树 山楂树 山楂树
[41] 山楂树 山楂树 山楂树 山楂树 山楂树
[46] 山楂树 山楂树 山楂树 山楂树 山楂树
[51] “杂色” “杂色” “杂色” “杂色” “杂色”
[56] “杂色” “杂色” “杂色” “杂色” “杂色”
[61] “杂色” “杂色” “杂色” “杂色” “杂色”
[66] “杂色” “杂色” “杂色” “杂色” “杂色”
[71] “杂色” “杂色” “杂色” “杂色” “杂色”
[76] “杂色” “杂色” “杂色” “杂色” “杂色”
[81] “杂色” “杂色” “杂色” “杂色” “杂色”
[86] “杂色” “杂色” “杂色” “杂色” “杂色”
[91] “杂色” “杂色” “杂色” “杂色” “杂色”
[96] “杂色” “杂色” “杂色” “杂色” “杂色”
[101] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡”
[106] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡”
[111] 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州
[116] 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州
[121] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡”
[126] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡”
[131] “维吉尼亚” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡”
[136] 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州
[141] 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州
[146] 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州 维吉尼亚州

Answer 5

仅在因子标签与原始值匹配的情况下才有可能。我将用一个例子来解释它。

假设数据是向量x：

x <- c(20, 10, 30, 20, 10, 40, 10, 40)

现在我将创建一个具有四个标签的因子：

f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))

1）x的类型为double，f的类型为整数。这是第一个不可避免的信息丢失。因子始终存储为整数。

> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"

2) 无法恢复到只有 f 可用的原始值 (10, 20, 30, 40)。我们可以看到 f 仅包含整数值 1、2、3、4 和两个属性 - 标签列表（“A”、“B”、“C”、“D”）和类属性“因素”。而已。

> 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"

要恢复到原始值，我们必须知道创建因子时使用的级别值。在本例中为 c(10, 20, 30, 40)。如果我们知道原始级别（按正确的顺序），我们可以恢复到原始值。

> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE

仅当为原始数据中的所有可能值定义了标签时，这才有效。

因此，如果您需要原始值，则必须保留它们。否则，很有可能仅从某个因素就无法回复他们。

Answer 6

如果您有数据框，则可以使用 hablar::convert。语法很简单：

示例 df

library(hablar)
library(dplyr)

df <- dplyr::tibble(a = as.factor(c("7", "3")),
                    b = as.factor(c("1.5", "6.3")))

解决方案

df %>% 
  convert(num(a, b))

为您提供：

# A tibble: 2 x 2
      a     b
  <dbl> <dbl>
1    7.  1.50
2    3.  6.30

或者，如果您希望一列为整数，一列为数字：

df %>% 
  convert(int(a),
          num(b))

结果为：

# A tibble: 2 x 2
      a     b
  <int> <dbl>
1     7  1.50
2     3  6.30

Answer 7

如果您的因子级别是整数，则 strtoi() 有效。

Answer 8

游戏后期，无意中，我发现 trimws() 可以将 factor(3:5) 转换为 c("3","4","5 “）。然后你可以调用as.numeric()。那是：

as.numeric(trimws(x_factor_var))

Answer 9

水平完全数字化的因子上的 type.convert(f) 是另一个基本选项。

就性能而言，它大约相当于 as.numeric(as.character(f)) 但不如 as.numeric(levels(f))[f] 快。

identical(type.convert(f), as.numeric(levels(f))[f])

[1] TRUE

也就是说，如果在第一个实例中将向量创建为因子的原因尚未得到解决（即它可能包含一些无法强制为数字的字符），那么此方法将不起作用，它将返回一个因子。

levels(f)[1] <- "some character level"
identical(type.convert(f), as.numeric(levels(f))[f])

[1] FALSE

Answer 10

如果您有许多 factor 列要转换为 numeric，则

df <- rapply(df, function(x) as.numeric(levels(x))[x], "factor", how =  "replace")

此解决方案对于包含混合类型的 data.frames 非常可靠，前提是所有因子级别都是数字。

Answer 11

我发现 as.numeric(levels(f))[f] 很难使用 tidyverse 语法应用于列名列表。首先转换为字符，然后转换为整数给了我原始的数值，而无需添加额外的包。也许不是最高效/最优雅的解决方案，但使事情简单易读。

library(tidyverse)

tbl_df <- tibble(a = as.factor(c("7", "3")),
                 b = as.factor(c("1.5", "6.3")))

cols <- c("a", "b")

tbl_df %>%
  mutate(across(all_of(cols), as.character)) %>% 
  mutate(across(all_of(cols), as.numeric))

Answer 12

collapse 包包含一个围绕 as.numeric(levels(f))[f] 和 as.character(levels(f))[f]< 的包装器/code> 在 as_numeric_factor 和 as_character_factor 中。

library(collapse)
set.seed(1)
f <- factor(sample(runif(5), 5, replace = TRUE))

as_numeric_factor(f)
# [1] 0.2016819 0.5728534 0.3721239 0.5728534 0.5728534

as_character_factor(f)
# [1] "0.201681931037456" "0.572853363351896" "0.37212389963679" "0.572853363351896" "0.572853363351896"

与 as.numeric(levels(f))[f] 相比，它具有相似的性能。

# Unit: milliseconds
#                      expr      min        lq       mean    median        uq      max neval
#  as.numeric(levels(f))[f]   2.6026   3.01305   5.834900   3.54310   8.57450  66.3497   100
#  as.numeric(levels(f)[f]) 317.2509 336.78690 350.215388 349.85620 361.57980 401.1002   100
#      as_numeric_factor(f)   2.5793   2.92970   5.383223   3.23355   4.29355  68.4460   100

代码：

set.seed(1)
f <- factor(sample(runif(5), 1e6, replace = TRUE))
library(microbenchmark)
microbenchmark(
  as.numeric(levels(f))[f],
  as.numeric(levels(f)[f]),
  as_numeric_factor(f),
  times = 100
)

Answer 13

从我能读到的许多答案中，唯一给出的方法是根据因素的数量扩大变量的数量。如果你有一个变量“pet”，级别为“dog”和“cat”，那么你最终会得到 pet_dog 和 pet_cat。

就我而言，我想通过将因子变量转换为数字变量来保持相同数量的变量，以一种可以应用于多个级别的许多变量的方式，例如 cat=1 和dog=0。

请在下面找到相应的解决方案：

crime <- data.frame(city = c("SF", "SF", "NYC"),
                    year = c(1990, 2000, 1990),
                    crime = 1:3)

indx <- sapply(crime, is.factor)

crime[indx] <- lapply(crime[indx], function(x){ 
  listOri <- unique(x)
  listMod <- seq_along(listOri)
  res <- factor(x, levels=listOri)
  res <- as.numeric(res)
  return(res)
}
)

Answer 14

看起来解决方案 as.numeric(levels(f))[f] 不再适用于 R 4.0。

替代解决方案：

factor2number <- function(x){
    data.frame(levels(x), 1:length(levels(x)), row.names = 1)[x, 1]
}

factor2number(yourFactor)