Come convertire un fattore in numero intero \ numerico senza perdita di informazioni?

Quando converto un fattore in un numero o in un numero 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 a pasteper 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 Avvertenza di ?factor:

In particolare, as.numericapplicato a un fattore non ha senso e può accadere per coercizione implicita. Per trasformare un fattore fapprossimativamente nei suoi valori numerici originali, as.numeric(levels(f))[f]è consigliato e leggermente più efficiente di as.numeric(as.character(f)).

Le FAQ su R hanno consigli simili .

Perché è as.numeric(levels(f))[f]più efficace di as.numeric(as.character(f))?

as.numeric(as.character(f))è efficace as.numeric(levels(f)[f]), quindi stai eseguendo la conversione in length(x)valori numerici , anziché in nlevels(x)valori. La differenza di velocità sarà più evidente per i vettori lunghi con pochi livelli. Se i valori sono per lo più unici, non ci sarà molta differenza nella velocità. Comunque tu faccia la conversione, è improbabile che questa operazione sia il collo di bottiglia nel tuo codice, quindi non preoccuparti 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 una serie di funzioni di convenienza (non documentate) per la conversione di 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 il fattore -> conversione numerica . Come estensione della risposta di Joshua Ulrich, suggerirei di superare questa omissione con la definizione della tua funzione idiomatica:

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

che puoi memorizzare all'inizio del tuo script o, meglio, nel tuo .Rprofilefile.

Il modo più semplice sarebbe usare la unfactorfunzione dal pacchetto varhandle

unfactor(your_factor_variable)

Questo esempio può essere un avvio rapido:

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"

Nota: questa particolare risposta non è per convertire i fattori con valori numerici in numerici, ma per convertire i fattori categorici nei corrispondenti numeri di livello.

Ogni risposta in questo post non è riuscita a generare risultati per me, i NA venivano generati.

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

Ciò che ha funzionato per me è questo -

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

È possibile solo nel caso in cui le etichette dei fattori corrispondano ai valori originali. Lo spiegherò con un esempio.

Supponiamo che i dati siano vettoriali 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"))

1) xè con tipo double, fè con tipo integer. Questa è la prima inevitabile perdita di informazioni. I fattori sono sempre memorizzati come numeri interi.

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

2) Non è possibile ripristinare i valori originali (10, 20, 30, 40) solo fdisponibili. Possiamo vedere che fcontiene solo valori interi 1, 2, 3, 4 e due attributi: l'elenco delle etichette ("A", "B", "C", "D") e l'attributo di classe "fattore". 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 ripristinare i 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 ripristinare i 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 siano state definite etichette per tutti i possibili valori nei dati originali.

Quindi, se avrai bisogno dei valori originali, devi mantenerli. Altrimenti c'è un'alta probabilità che non sarà possibile tornare a loro solo da un fattore.

È possibile utilizzare hablar::convertse si dispone di un frame di dati. La sintassi è semplice:

Esempio df

library(hablar)
library(dplyr)

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

Soluzione

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

ti dà:

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

O se vuoi che una colonna sia intera e una numerica:

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

risulta in:

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

Sembra che la soluzione as.numeric (livelli (f)) [f] non funzioni più con R 4.0.

Soluzione alternativa:

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

factor2number(yourFactor)

Dalle molte risposte che ho potuto leggere, l'unico modo dato era espandere il numero di variabili in base al numero di fattori. Se hai una variabile "pet" con livelli "dog" e "cat", finiresti con pet_dog e pet_cat.

Nel mio caso volevo rimanere con lo stesso numero di variabili, semplicemente traducendo la variabile fattore in una numerica, in un modo che possa essere applicato a molte variabili con molti livelli, in modo che cat = 1 e dog = 0 per esempio.

Di seguito trovi la soluzione corrispondente:

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)
}
)

tardi al gioco, per caso, ho scoperto che trimws()può essere convertito factor(3:5)in c("3","4","5"). Quindi puoi chiamare as.numeric(). Questo è:

as.numeric(trimws(x_factor_var))