用forcats操作因子(factor)

一、介绍

在R中，因子factor常是分类变量。这些变量是已知的、固定的一组值，比如男女，小学生、中学生、大学生等等。

因为在以前，因子操作起来会比字符串更方便，所以基础的R会自动把字符串转为因子。这也导致了，数据集中出现了许多不必要的因子。

但在tidyverse中没有这样的烦恼。forcats就是专门处理因子的一个库，但是它不是tidyverse的核心成员，我们需要额外加载。

二、因子基础

创建因子

创建因子总共分三步。
第一步：创建一个因子组成的字符串向量。

x1 <- c("Mar","Apr","May")`

第二步：创建因子的有效水平列表。

month_level <- c("Jan","Feb","Mar","Apr","May","Jun","Jul","Aug","Sep","Oct","Nov","Dec")`

第三步，通过factor函数来创建一个因子。

y1 <- factor(x1, levels=month_level)

我们打印一下y1看一看

但是如果我们创建的字符串向量中，如果不在level中的话，那会怎样呢？

你瞅瞅，所有没在level中的都被设定成了NA。
这也能让我们避免一些拼写错误。
怎么理解这个因子有效水平列表呢（valid level）？
一方面，它规定了因子的排序，就像电脑怎么才能知道小学生中学生和大学生的排序呢？我们通过level来告诉它；另一方面，它更像是因子的一个集合。

当然，必须设置有效水平（valid level）么？答案是否定的。如果你省去了level，电脑会默认按照字母顺序给因子排序。

除此之外，还有一种方法。

f1 <- x1 %>%  factor () %>% fct_inorder()

在这里，我们先用factor创建一个因子，然后用fct_inorder给它指定一个顺序，这个顺序就是我们最初给它的那个顺序。

三、实际应用

使用的数据集

我们使用forcats库提供的gss_cat数据集。
gss_cat是来自综合社会调查的分类变量样本。

大体看一下变量，除了year,age被设定成int变量，其它都是fct变量。因为这里提供的tibble而不是r中常见的dataframe，所以我们看不出这些分类变量的有效水平有哪些。

这个时候可以用count()函数。

这样，我们就看出了人种就分了三个水平，黑人、白人、其它。

当然，我们也可以用条形图的方式来看一看。（这个是之前的文章里提到的，不明白的同学去翻之前的文章）

ggplot(gss_cat,aes(race))+geom_bar()

这里就出现了一些问题，比如，因子的顺序问题，我们或许希望other这个因子最后出现。此外，我们也可能想改变因子的值。
这时候该怎么做呢？

改变因子顺序

改变因子顺序用fct_reorder函数，这个函数要求三个值：

1. 你要修改的因子变量
2. 一个数值型向量，明确因子的顺序
3. 最后一个值是可选的值，暂时不表。

例

比如，我们先看一个例子：

relig <- gss_cat %>% group_by(relig) %>% summarize(age=mean(age,na.rm=TRUE),tvhours=mean(tvhours,na.rm=TRUE),n=n())
 ggplot(relig,aes(tvhours,relig))+geom_point()

解释一下上面的代码。
首先对gss_cat数据集用group_by函数按照relig分组，在分组之后，用summarize函数进行数据汇总，不同relig组年龄平均值，看电视平均值，和数量。
紧接着用ggplot来绘图，横坐标是tvhours（看电视时间）纵坐标是relig(宗教信仰）。
结果如下：

这样看数据是乱的，所以我们想如果因子能按照看电视的时间进行排序，这代表着，越往上的relig，看电视时长越长，那数据能讲述的内容，就清晰了。

所以，我们对代码进行调整如下：

ggplot(relig,aes(tvhours,fct_reorder(relig,tvhours)))+geom_point()

这样，我们这个图就有了更多逻辑，讲述的能力也得到了增强。

在上一步中，我们是在ggplot中对因子进行了排序。那其实还可以更早一步，我们可以把这种顺序，直接作用在relig这个数据集中。
先看一下原本的relig数据集：

我们通过levels函数来查看一下relig表中relig这个因子变量的顺序。

好，先记住这个顺序，然后我们通过mutate函数，来做一个调整。

relig2 <- relig %>% mutate(relig=fct_reorder(relig,tvhours))

查看一下新生成的relig2数据集：

你会发现和relig没区别。
但是，如果我们用levels函数来看一下：

那你发现，因子的顺序已经和relig不一样了。
当我们再用ggplot的时候，直接出来的就是有顺序的因子。

relig2 %>% ggplot(aes(tvhours,relig))+geom_point()

修改因子值

在收集数据的时候，我们会给变量起一些简化的名字，方便操作。但是在发表的时候，尤其是作图的时候，我们需要给这些变量一个能够让大众读懂的名字。在类似的情况下，我们就需要修改因子的值。
这里用到的函数是fct_recode。

举个例子：
我们看看partyid这个因子都有哪些水平。

看看第六条，Ind，near rep，这个非常不友好。所以我们可以这样写：

gss_cat %>% mutate(partyid=fct_recode(partyid,"Democrat,weak"="Not str democrat","Democrat,strong"="Strong democrat")) %>% count(partyid)

如果你想合并几个因子为一个因子，可以这样写：

gss_cat %>%​  mutate(partyid = fct_collapse(partyid,​    other = c("No answer", "Don't know", "Other party"),​    rep = c("Strong republican", "Not str republican"),​    ind = c("Ind,near rep", "Independent", "Ind,near dem"),​    dem = c("Not str democrat", "Strong democrat")​  )) %>%​  count(partyid)​