R'deki faktörler: bir rahatsızlıktan daha fazlası mı?

R'deki temel veri türlerinden biri faktörlerdir. Deneyimlerime göre faktörler temelde bir acı ve onları asla kullanmıyorum. Ben her zaman karaktere dönüşürüm. Garip bir şekilde bir şey kaçırıyormuşum gibi hissediyorum.

Faktör veri türünün gerekli olduğu durumlarda değişkenleri gruplama olarak kullanan bazı önemli işlev örnekleri var mı? Faktörleri kullanmam gereken belirli durumlar var mı?

Faktörleri kullanmalısınız. Evet, acı verici olabilirler, ancak benim teorim, neden acı olduklarının% 90'ının read.tableve varsayılan olarak read.csvargümandan kaynaklandığı stringsAsFactors = TRUE(ve çoğu kullanıcı bu inceliği kaçırıyor). Kullanışlı olduklarını söylüyorum çünkü lme4 gibi model yerleştirme paketleri, modelleri farklı şekilde sığdırmak ve kullanılacak kontrast türlerini belirlemek için faktörleri ve sıralı faktörleri kullanır. Ve grafik paketleri de bunları gruplamak için kullanır. ggplotve model uydurma işlevlerinin çoğu karakter vektörlerini faktörlere zorlar, dolayısıyla sonuç aynıdır. Ancak, kodunuzda uyarılarla karşılaşırsınız:

lm(Petal.Length ~ -1 + Species, data=iris)

# Call:
# lm(formula = Petal.Length ~ -1 + Species, data = iris)

# Coefficients:
#     Speciessetosa  Speciesversicolor   Speciesvirginica  
#             1.462              4.260              5.552  

iris.alt <- iris
iris.alt$Species <- as.character(iris.alt$Species)
lm(Petal.Length ~ -1 + Species, data=iris.alt)

# Call:
# lm(formula = Petal.Length ~ -1 + Species, data = iris.alt)

# Coefficients:
#     Speciessetosa  Speciesversicolor   Speciesvirginica  
#             1.462              4.260              5.552  

Uyarı mesajı: Giriş model.matrix.default(mt, mf, contrasts):

değişken Speciesbirfactor

Bütünüyle aldatıcı bir şey var drop=TRUE. Vektörlerde bu, verilerde bulunmayan faktör düzeylerini kaldırmak için iyi çalışır. Örneğin:

s <- iris$Species
s[s == 'setosa', drop=TRUE]
#  [1] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [11] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [21] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [31] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [41] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# Levels: setosa
s[s == 'setosa', drop=FALSE]
#  [1] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [11] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [21] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [31] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [41] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# Levels: setosa versicolor virginica

Ancak , data.frames ile davranışı [.data.frame()farklıdır: bu e-postaya bakın veya ?"[.data.frame". Kullanılması drop=TRUEüzerine data.framehayal ediyorum gibi çalışmıyor s:

x <- subset(iris, Species == 'setosa', drop=TRUE)  # susbetting with [ behaves the same way
x$Species
#  [1] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [11] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [21] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [31] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# [41] setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa
# Levels: setosa versicolor virginica

Neyse ki droplevels(), tek bir faktör için veya a'daki her faktör için kullanılmayan faktör seviyelerini düşürmek için faktörleri kolayca düşürebilirsiniz data.frame(R 2.12'den beri):

x <- subset(iris, Species == 'setosa')
levels(x$Species)
# [1] "setosa"     "versicolor" "virginica" 
x <- droplevels(x)
levels(x$Species)
# [1] "setosa"

ggplotEfsanelere girmekten seçtiğiniz seviyeleri nasıl koruyacağınız budur .

Dahili olarak factors, öznitelik seviyesi karakter vektörüne (bakınız attributes(iris$Species)ve class(attributes(iris$Species)$levels)) sahip, temiz olan tam sayılardır . Bir seviye adını değiştirmeniz gerekirse (ve karakter dizilerini kullanıyor olsaydınız), bu çok daha az verimli bir işlem olurdu . Ve özellikle ggplotefsaneler için seviye isimlerini çok değiştiriyorum . Karakter vektörleriyle faktörleri taklit ederseniz, yalnızca bir öğeyi değiştirme ve yanlışlıkla ayrı bir yeni seviye oluşturma riski vardır.

sıralı faktörler harika, eğer portakalları seviyorsam ve elmalardan nefret ediyorsam ama üzümlere aldırış etmiyorsam, bunu söylemek için garip bir indeks yönetmem gerekmiyor:

d <- data.frame(x = rnorm(20), f = sample(c("apples", "oranges", "grapes"), 20, replace = TRUE, prob = c(0.5, 0.25, 0.25)))
d$f <- ordered(d$f, c("apples", "grapes", "oranges"))
d[d$f >= "grapes", ]

A factor, en çok diğer dillerdeki numaralandırılmış türe benzer. Uygun kullanımı, yalnızca önceden belirlenmiş değerlerden birini alabilen bir değişken içindir. Bu durumlarda, izin verilen her değer belirli bir veri kümesinde bulunmayabilir ve "boş" düzeyler bunu doğru bir şekilde yansıtır.

Bazı örnekleri ele alalım. Birleşik Devletler'in tamamında toplanan bazı veriler için eyalet bir faktör olarak kaydedilmelidir. Bu durumda, belirli bir eyaletten hiçbir vakanın toplanmaması önemlidir. Bu durumdan veri olabilirdi, ancak olmadı (her ne sebeple olursa olsun, bu bir ilgi nedeni olabilir). Memleket toplanmış olsaydı, bu bir faktör olmazdı. Önceden belirlenmiş olası memleketler dizisi yoktur. Veriler ulusal olarak değil üç kasabadan toplanmış olsaydı, kasaba bir faktör olurdu: Başlangıçta verilen üç seçenek vardır ve bu üç kasabadan birinde herhangi bir ilgili vaka / veri bulunmadıysa, bu önemlidir.

factorS'nin bir dizi dizgeye keyfi bir sıralama düzeni vermenin bir yolunu sağlama gibi diğer yönleri, s'nin yararlı ikincil özellikleridir factor, ancak varlıklarının nedeni değildir.

Bir kişi istatistiksel analiz yaparken ve verileri gerçekten keşfederken faktörler harikadır. Bununla birlikte, bundan önce kişi verileri okurken, temizlerken, sorun giderirken, birleştirirken ve genel olarak manipüle ederken, faktörler tam bir acıdır. Daha yakın zamanlarda, son birkaç yılda olduğu gibi, faktörleri daha iyi ele almak için birçok işlev geliştirildi. Örneğin, rbind onlarla güzelce oynuyor. Bir alt küme fonksiyonundan sonra boş seviyeleri bırakmayı hala tam bir sıkıntı buluyorum.

#drop a whole bunch of unused levels from a whole bunch of columns that are factors using gdata
require(gdata)
drop.levels(dataframe)

Bir faktörün seviyelerini yeniden kodlamanın ve etiketleri yeniden düzenlemenin kolay olduğunu ve seviyeleri yeniden düzenlemenin harika yolları da olduğunu biliyorum. Beynim onları hatırlayamıyor ve her kullandığımda yeniden öğrenmem gerekiyor. Yeniden kodlama, olduğundan çok daha kolay olmalıdır.

R'nin string fonksiyonlarının kullanımı oldukça kolay ve mantıklıdır. Bu yüzden manipüle ederken genellikle karakterleri faktörlere tercih ederim.

Ne kadar keskin bir başlık!

Pek çok tahmin fonksiyonunun, kukla değişkenleri kolayca tanımlamak için faktörleri kullanmanıza izin verdiğine inanıyorum ... ama onları bunun için kullanmıyorum.

Birkaç benzersiz gözlem içeren çok büyük karakter vektörlerim olduğunda bunları kullanırım. Bu, özellikle karakter vektöründeki dizeler daha uzunsa bellek tüketimini azaltabilir.

Not - Başlık hakkında şaka yapıyorum. Tweetini gördüm. ;-)

Faktörler, mükemmel bir "benzersiz durum" rozeti motorudur. Bunu defalarca kötü bir şekilde yeniden yarattım ve ara sıra birkaç kırışıklığa rağmen son derece güçlüler.

library(dplyr)
d <- tibble(x = sample(letters[1:10], 20, replace = TRUE))

## normalize this table into an indexed value across two tables
id <- tibble(x_u = sort(unique(d$x))) %>% mutate(x_i = row_number())
di <- tibble(x_i = as.integer(factor(d$x)))


## reconstruct d$x when needed
d2 <- inner_join(di, id) %>% transmute(x = x_u)
identical(d, d2)
## [1] TRUE

Bu görevi yapmanın daha iyi bir yolu varsa, görmeyi çok isterim, bu yeteneğin factortartışıldığını görmüyorum .

tapply (ve aggregate ) faktörlere bağlıdır. Bu fonksiyonların bilgi-çaba oranı çok yüksektir.

Örneğin, tek bir kod satırında ( aşağıdaki dokunma çağrısı ), Cut ve Color'a göre ortalama elmas fiyatını alabilirsiniz:

> data(diamonds, package="ggplot2")

> head(dm)

   Carat     Cut    Clarity Price Color
1  0.23     Ideal     SI2   326     E
2  0.21   Premium     SI1   326     E
3  0.23      Good     VS1   327     E


> tx = with(diamonds, tapply(X=Price, INDEX=list(Cut=Cut, Color=Color), FUN=mean))

> a = sort(1:diamonds(tx)[2], decreasing=T)  # reverse columns for readability

> tx[,a]

         Color
Cut         J    I    H    G    F    E    D
Fair      4976 4685 5136 4239 3827 3682 4291
Good      4574 5079 4276 4123 3496 3424 3405
Very Good 5104 5256 4535 3873 3779 3215 3470
Premium   6295 5946 5217 4501 4325 3539 3631
Ideal     4918 4452 3889 3721 3375 2598 2629