Question

因素可以帮助防止R中的某些编程错误：您无法对使用不同级别的因素执行相等性检查，并且在执行大于/小于检查无序因子时会收到警告。

a <- factor(letters[1:3])
b <- factor(letters[1:3], levels=letters[4:1])
a == b
## Error in Ops.factor(a, b) : level sets of factors are different
a < a
## [1] NA NA NA
## Warning message:
## In Ops.factor(a, a) : < not meaningful for factors

然而，与我的预期相反，合并数据帧时不会执行此检查：

ad <- data.frame(x=a, a=as.numeric(a))
bd <- data.frame(x=b, b=as.numeric(b))
merge(ad, bd)
##   x a b
## 1 a 1 4
## 2 b 2 3
## 3 c 3 2

这些因素似乎只是强迫角色。

某个可以进行检查的“安全合并”吗？您是否看到默认情况下不进行此项检查的具体原因？

示例（现实使用案例）：假设两个空间数据集具有非常相似但不完全相同的细分，例如，communes。数据集指的是稍微不同的时间点，并且一些公社在该时间跨度内合并。每个数据集都有一个“commune ID”列，甚至可能名称相同。虽然此列的语义非常相似，但我不希望（意外地）合并此commune ID列上的数据集。相反，我在“旧”和“新”公社ID之间构建匹配表。如果将commune ID编码为因子，则“安全合并”将对合并操作进行正确性检查，而无需额外（实现）成本和非常少的计算成本。

Answer 1

merge的“安全警卫”是by=参数。您可以准确设置您认为应匹配的列。如果匹配两个因子列，R将使用这些值的标签来匹配它们。所以“a”将与“a”匹配，无论因子的隐藏内部工作如何编码这些值。这就是用户看到的内容，因此它将如何合并。它与数值一样，您可以选择合并具有完全不同范围的列（第一列为1:10，第二列为100：1000）。设置by值后，R将按照要求进行操作。如果您没有明确设置by参数，那么R将在两个data.frames中找到所有共享列名并使用它。

很多时候合并时，你并不总是期待比赛。有时您使用all.x或all.y专门获取不匹配的记录。在这种情况下，根据不同data.frames的创建方式，人们可能不知道它没有的级别。所以尝试合并它们并不是没有道理的。

所以基本上R在合并期间会处理像字符这样的因素，因为它假设你已经知道两列属于一起。

Answer 2

好吧，MrFlick给予了很多信任（并道歉）：

> attributes(ad$x)
$levels
[1] "a" "b" "c"

$class
[1] "factor"


> attributes(ad$a)
NULL

> attributes(ad$b)
NULL

> adfoo<-merge(ad,bd)

> attributes(adfoo$x)
$levels
[1] "a" "b" "c"

$class
[1] "factor"

事实上，合并后的列$x是一个因素，尽管只合并了ad和bd共有的级别。很久以前，其他列都是通过as.numeric强制执行的。

按因子列安全地合并数据帧

2 个答案: