Question

清除包含需要折叠的多个级别的因子的最有效（即有效/适当）方法是什么？也就是说，如何将两个或多个因子级别合并为一个。

以下是一个示例，其中“是”和“Y”这两个级别应折叠为“是”，“否”和“N”折叠为“否”：

## Given: 
x <- c("Y", "Y", "Yes", "N", "No", "H")   # The 'H' should be treated as NA

## expectedOutput
[1] Yes  Yes  Yes  No   No   <NA>
Levels: Yes No  # <~~ NOTICE ONLY **TWO** LEVELS

当然，一个选项是使用sub和朋友预先清理字符串。

另一种方法是允许重复标签，然后删除它们

## Duplicate levels ==> "Warning: deprecated"
x.f <- factor(x, levels=c("Y", "Yes", "No", "N"), labels=c("Yes", "Yes", "No", "No"))

## the above line can be wrapped in either of the next two lines
factor(x.f)      
droplevels(x.f)

然而，是否有更有效的方法？

虽然我知道levels和labels参数应该是向量，但我尝试使用列表和命名列表以及命名向量来查看会发生什么不用说，以下没有一个让我更接近我的目标。

  factor(x, levels=list(c("Yes", "Y"), c("No", "N")), labels=c("Yes", "No"))
  factor(x, levels=c("Yes", "No"), labels=list(c("Yes", "Y"), c("No", "N")))

  factor(x, levels=c("Y", "Yes", "No", "N"), labels=c(Y="Yes", Yes="Yes", No="No", N="No"))
  factor(x, levels=c("Y", "Yes", "No", "N"), labels=c(Yes="Y", Yes="Yes", No="No", No="N"))
  factor(x, levels=c("Yes", "No"), labels=c(Y="Yes", Yes="Yes", No="No", N="No"))

Answer 1

使用levels函数，并将其传递给命名列表，其名称是级别的所需名称，元素是应重命名的当前名称。

x <- c("Y", "Y", "Yes", "N", "No", "H")
x <- factor(x)
levels(x) <- list(Yes=c("Y", "Yes"), No=c("N", "No"))
x
## [1] Yes  Yes  Yes  No   No   <NA>
## Levels: Yes No

如levels文档中所述;也看那里的例子。

值：对于'factor'方法，a 矢量字符串，长度至少为数字 'x'的级别，或指定如何重命名的命名列表水平。

这也可以在一行中完成，正如马雷克在这里所做的那样：https://stackoverflow.com/a/10432263/210673;这里解释levels<-法术https://stackoverflow.com/a/10491881/210673。

> `levels<-`(factor(x), list(Yes=c("Y", "Yes"), No=c("N", "No")))
[1] Yes  Yes  Yes  No   No   <NA>
Levels: Yes No

Answer 2

由于问题标题为清理因子级别（折叠多个级别/标签），因此为了完整起见，此处也应提及forcats包。 forcats于2016年8月在CRAN上出现。

有几种便利功能可用于清理因子水平：

x <- c("Y", "Y", "Yes", "N", "No", "H") 

library(forcats)

将折扣因子级别折叠为手动定义的组

fct_collapse(x, Yes = c("Y", "Yes"), No = c("N", "No"), NULL = "H")
#[1] Yes  Yes  Yes  No   No   <NA>
#Levels: No Yes

手动更改因子水平

fct_recode(x, Yes = "Y", Yes = "Yes", No = "N", No = "No", NULL = "H")
#[1] Yes  Yes  Yes  No   No   <NA>
#Levels: No Yes

自动重新标记因子水平，必要时崩溃

fun <- function(z) {
  z[z == "Y"] <- "Yes"
  z[z == "N"] <- "No"
  z[!(z %in% c("Yes", "No"))] <- NA
  z
}
fct_relabel(factor(x), fun)
#[1] Yes  Yes  Yes  No   No   <NA>
#Levels: No Yes

请注意fct_relabel()适用于因子级别，因此它需要因子作为第一个参数。另外两个函数fct_collapse()和fct_recode()也接受字符向量，这是一个未记录的功能。

按首次出现重新排序因子级别

OP给出的预期输出是

[1] Yes  Yes  Yes  No   No   <NA>
Levels: Yes No

此处的级别按x中显示的顺序排序，与默认值不同（?factor：默认排序因子的级别）。

为了与预期的输出一致，可以在折叠级别之前使用fct_inorder() 来实现：

fct_collapse(fct_inorder(x), Yes = c("Y", "Yes"), No = c("N", "No"), NULL = "H") fct_recode(fct_inorder(x), Yes = "Y", Yes = "Yes", No = "N", No = "No", NULL = "H")

现在，两者都以相同的顺序返回预期输出。

Answer 3

也许命名向量作为键可能有用：

> factor(unname(c(Y = "Yes", Yes = "Yes", N = "No", No = "No", H = NA)[x]))
[1] Yes  Yes  Yes  No   No   <NA>
Levels: No Yes

这看起来与你上次的尝试非常相似......但是这个有效： - ）

Answer 4

另一种方法是创建一个包含映射的表：

# stacking the list from Aaron's answer
fmap = stack(list(Yes = c("Y", "Yes"), No = c("N", "No")))

fmap$ind[ match(x, fmap$values) ]
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: No Yes

# or...

library(data.table)
setDT(fmap)[x, on=.(values), ind ]
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: No Yes

我更喜欢这种方式，因为它留下了一个易于检查的对象，总结了地图; data.table代码看起来就像该语法中的任何其他连接一样。

当然，如果您不希望像fmap这样的对象总结变更，那么它可以是一个＆＃34;单行＆＃34;：

library(data.table)
setDT(stack(list(Yes = c("Y", "Yes"), No = c("N", "No"))))[x, on=.(values), ind ]
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: No Yes

Answer 5

自R 3.5.0（2018-04-23）起，您可以在一条清晰简单的代码行中执行此操作：

x = c("Y", "Y", "Yes", "N", "No", "H") # The 'H' should be treated as NA

tmp = factor(x, levels= c("Y", "Yes", "N", "No"), labels= c("Yes", "Yes", "No", "No"))
tmp
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: Yes No

1行，将多个值映射到同一级别，为缺失级别设置NA” – h / t @Aaron

Answer 6

我不知道你的真实用例，但strtrim在这里有用......

factor( strtrim( x , 1 ) , levels = c("Y" , "N" ) , labels = c("Yes" , "No" ) )
#[1] Yes  Yes  Yes  No   No   <NA>
#Levels: Yes No

Answer 7

与@ Aaron的方法类似，但稍微简单一点：

x <- c("Y", "Y", "Yes", "N", "No", "H")
x <- factor(x)
# levels(x)  
# [1] "H"   "N"   "No"  "Y"   "Yes"
# NB: the offending levels are 1, 2, & 4
levels(x)[c(1,2,4)] <- c(NA, "No", "Yes")
x
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: No Yes

Answer 8

我添加此答案以说明接受的答案在数据框中的特定因素上起作用，因为这最初对我而言并不明显（尽管可能应该如此）。

levels(df$var1)
# "0" "1" "Z"
summary(df$var1)
#    0    1    Z 
# 7012 2507    8 
levels(df$var1) <- list("0"=c("Z", "0"), "1"=c("1"))
levels(df$var1)
# "0" "1"
summary(df$var1)
#    0    1 
# 7020 2507

Answer 9

您可以使用以下功能组合/折叠多个因素：

combofactor <- function(pattern_vector,
         replacement_vector,
         data) {
 levels <- levels(data)
 for (i in 1:length(pattern_vector))
      levels[which(pattern_vector[i] == levels)] <-
        replacement_vector[i]
 levels(data) <- levels
  data
}

示例：

初始化x

x <- factor(c(rep("Y",20),rep("N",20),rep("y",20),
rep("yes",20),rep("Yes",20),rep("No",20)))

检查结构

str(x)
# Factor w/ 6 levels "N","No","y","Y",..: 4 4 4 4 4 4 4 4 4 4 ...

使用功能：

x_new <- combofactor(c("Y","N","y","yes"),c("Yes","No","Yes","Yes"),x)

重新检查结构：

str(x_new)
# Factor w/ 2 levels "No","Yes": 2 2 2 2 2 2 2 2 2 2 ...

Answer 10

首先让我们注意，在这种特定情况下，我们可以使用部分匹配：

x <- c("Y", "Y", "Yes", "N", "No", "H")
y <- c("Yes","No")
x <- factor(y[pmatch(x,y,duplicates.ok = TRUE)])
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: No Yes

在更一般的情况下，我会选择dplyr::recode：

library(dplyr)
x <- c("Y", "Y", "Yes", "N", "No", "H")
y <- c(Y="Yes",N="No")
x <- recode(x,!!!y)
x <- factor(x,y)
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: Yes No

如果起点是一个因素，则略有改变：

x <- factor(c("Y", "Y", "Yes", "N", "No", "H"))
y <- c(Y="Yes",N="No")
x <- recode_factor(x,!!!y)
x <- factor(x,y)
# [1] Yes  Yes  Yes  No   No   <NA>
# Levels: Yes No

清理因子水平（折叠多个级别/标签）

10 个答案:

将折扣因子级别折叠为手动定义的组

手动更改因子水平

自动重新标记因子水平，必要时崩溃

按首次出现重新排序因子级别