Question

R中有用的data.frame的一个非常意外的行为来自于将character列作为因素保留。如果不考虑，这会导致许多问题。例如，假设以下代码：

foo=data.frame(name=c("c","a"),value=1:2)
#   name val
# 1    c   1
# 2    a   2

bar=matrix(1:6,nrow=3)
rownames(bar)=c("a","b","c")
#   [,1] [,2]
# a    1    4
# b    2    5
# c    3    6

那么您对运行bar[foo$name,]的期望是什么？它通常应该返回根据bar命名的foo$name行，这意味着行'c'和'a'。但结果却不同：

bar[foo$name,]
#   [,1] [,2]
# b    2    5
# a    1    4

原因在于：foo$name不是字符向量，而是整数向量。

foo$name
# [1] c a
# Levels: a c

为了获得预期的行为，我手动将其转换为字符向量：

foo$name = as.character(foo$name)
bar[foo$name,]
#   [,1] [,2]
# c    3    6
# a    1    4

但问题是我们可能很容易错过执行此操作，并在我们的代码中隐藏了错误。有没有更好的解决方案？

Answer 1

这是一项功能，R正在记录中。这通常可以通过以下几种方式处理：

在stringsAsFactors = TRUE的调用中使用参数data.frame()。请参阅?data.frame
如果您不喜欢此行为，请通过
全局设置该选项
```
options(stringsAsFactors = FALSE)
```
（@JoshuaUlrich在评论中指出）第三个选项是将字符变量包装在I(....)中。这会将分配给数据框组件的对象的类更改为包含"AsIs"。一般来说，这应该不是问题，因为对象继承了（在本例中）类"character"，所以应该像以前一样工作。

您可以通过以下方式检查当前正在运行的R流程中stringsAsFactors的默认值：

> default.stringsAsFactors()
[1] TRUE

问题范围略宽于范围data.frame()，因为这也会影响read.table()。在该函数中，以及上面的两个选项中，您还可以通过参数colClasses告诉R变量的所有类，R将尊重它，例如。

> tmp <- read.table(text = '"Var1","Var2"
+ "A","B"
+ "C","C"
+ "B","D"', header = TRUE, colClasses = rep("character", 2), sep = ",")
> str(tmp)
'data.frame':   3 obs. of  2 variables:
 $ Var1: chr  "A" "C" "B"
 $ Var2: chr  "B" "C" "D"

Answer 2

在下面的示例数据中，作者和标题会自动转换为因子（除非您在创建数据时添加参数stringsAsFactors = FALSE）。如果我们忘记更改默认设置而又不想全局设置选项怎么办？

我找到的某些代码（很可能是SO）使用sapply()来识别因子并将它们转换为字符串。

dat = data.frame(title = c("title1", "title2", "title3"),
                 author = c("author1", "author2", "author3"),
                 customerID = c(1, 2, 1))
# > str(dat)
# 'data.frame': 3 obs. of  3 variables:
#   $ title     : Factor w/ 3 levels "title1","title2",..: 1 2 3
#   $ author    : Factor w/ 3 levels "author1","author2",..: 1 2 3
#   $ customerID: num  1 2 1

dat[sapply(dat, is.factor)] = lapply(dat[sapply(dat, is.factor)], 
                                 as.character)
# > str(dat)
# 'data.frame':  3 obs. of  3 variables:
#   $ title     : chr  "title1" "title2" "title3"
#   $ author    : chr  "author1" "author2" "author3"
#   $ customerID: num  1 2 1

我假设这比使用stringsAsFactors = FALSE参数重新读取数据集更快，但从未测试过。

数据框和使用字符列时非常常见的错误

2 个答案: