《R数据科学》学习笔记|Note11:使用forcats处理因子

写在前面

本系列为《R数据科学》(R for Data Science)的学习笔记。相较于其他R语言教程来说，本书一个很大的优势就是直接从实用的R包出发，来熟悉R及数据科学。更新过程中，读者朋友如发现错误，欢迎指正。如果有疑问，也可以后台私信。希望各位读者朋友能学有所得！

使用forcats处理因子

11.1 简介

因子在 R 中用于处理分类变量。分类变量是在固定的已知集合中取值的变量。当想要以非字母表顺序显示字符向量时，也可以使用分类变量。

我们将使用 forcats 包来处理因子，这个包提供了能够处理分类变量（其实就是因子的另一种说法）的工具，其中还包括了处理因子的大量辅助函数。

library(tidyverse)
library(forcats)

11.2 创建因子

假设我们想要创建一个记录月份的变量：

x1 <- c("Dec", "Apr", "Jan", "Mar")

使用字符串来记录月份有两个问题。

• 月份只有 12 个取值，如果输入错误，那么代码不会有任何反应。
• 对月份的排序没有意义。

sort(x1)
> [1] "Apr" "Dec" "Jan" "Mar"

你可以通过使用因子来解决以上两个问题。要想创建一个因子，必须先创建有效水平的一 个列表：

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

现在可以创建因子了：

x1 <- c("Dec", "Apr", "Jan", "Mar")
y1 <- factor(x1, levels = month_levels)
y1
> y1
[1] Dec Apr Jan Mar
12 Levels: Jan Feb Mar Apr May Jun Jul Aug Sep ... Dec
sort(y1)
> sort(y1)
[1] Jan Mar Apr Dec
12 Levels: Jan Feb Mar Apr May Jun Jul Aug Sep ... Dec

不在有效水平集合内的所有值都会自动转换为 NA：

x2 <- c("Dec", "Apr", "Jam", "Mar")
y2 <- factor(x2, levels = month_levels)
> y2
[1] Dec  Apr  <NA> Mar 
12 Levels: Jan Feb Mar Apr May Jun Jul Aug Sep ... Dec

如果想要显示错误信息，那么你可以使用 readr::parse_factor() 函数：

y2 <- parse_factor(x2, levels = month_levels)
> y2 <- parse_factor(x2, levels = month_levels)
Warning: 1 parsing failure.
row col           expected actual
  3  -- value in level set    Jam

如果省略了定义水平的这个步骤，那么会将按字母顺序排序的数据作为水平：

> factor(x1)
[1] Dec Apr Jan Mar
Levels: Apr Dec Jan Mar

如果想让因子的顺序与初始数据的顺序保持一致。在创建因子时，将水平设置为 unique(x)，或者在创建因子后再对其使用 fct_inorder() 函数，就可以达到这个目的：

f1 <- factor(x1, levels = unique(x1))
f1
> [1] Dec Apr Jan Mar
> Levels: Dec Apr Jan Mar
f2 <- x1 %>% factor() %>% fct_inorder()
f2
> [1] Dec Apr Jan Mar
> Levels: Dec Apr Jan Mar

如果想要直接访问因子的有效水平集合，那么可以使用 levels() 函数：

levels(f2)
> [1] "Dec" "Apr" "Jan" "Mar"

11.3 综合社会调查

gss_cat 时包里自带的数据集中，这里用来说明处理因子时经常遇到的一些问题：

gss_cat
> gss_cat
# A tibble: 21,483 x 9
    year marital   age race  rincome partyid relig
   <int> <fct>   <int> <fct> <fct>   <fct>   <fct>
 1  2000 Never ~    26 White $8000 ~ Ind,ne~ Prot~
 2  2000 Divorc~    48 White $8000 ~ Not st~ Prot~
 3  2000 Widowed    67 White Not ap~ Indepe~ Prot~
 4  2000 Never ~    39 White Not ap~ Ind,ne~ Orth~
 5  2000 Divorc~    25 White Not ap~ Not st~ None 
 6  2000 Married    25 White $20000~ Strong~ Prot~
 7  2000 Never ~    36 White $25000~ Not st~ Chri~
 8  2000 Divorc~    44 White $7000 ~ Ind,ne~ Prot~
 9  2000 Married    44 White $25000~ Not st~ Prot~
10  2000 Married    47 White $25000~ Strong~ Prot~
# ... with 21,473 more rows, and 2 more variables:
#   denom <fct>, tvhours <int>

当因子保存在 tibble 中时，其水平不是很容易看到的。查看因子水平的一种方法是使用 count() 函数：

gss_cat %>%
 count(race)
> gss_cat %>%
+   count(race)
# A tibble: 3 x 2
  race      n
  <fct> <int>
1 Other  1959
2 Black  3129
3 White 16395

或者使用条形图：

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

默认情况下，ggplot2 会丢弃没有任何数据的那些水平，可以使用以下代码来强制显示这些水平：

ggplot(gss_cat, aes(race)) +
 geom_bar() +
 scale_x_discrete(drop = FALSE)

11.4 修改因子水平

比修改因子水平顺序更强大的操作是修改水平的值。修改水平不仅可以使得图形标签更美 观清晰，以满足出版发行的要求，还可以将水平汇集成更高层次的显示。修改水平最常用、最强大的工具是 fct_recode() 函数，它可以对每个水平进行修改或重新编码。

例如， 我们看一下 gss_cat$partyid：

gss_cat %>% count(partyid)
> gss_cat %>% count(partyid)
# A tibble: 10 x 2
   partyid                n
   <fct>              <int>
 1 No answer            154
 2 Don't know             1
 3 Other party          393
 4 Strong republican   2314
 5 Not str republican  3032
 6 Ind,near rep        1791
 7 Independent         4119
 8 Ind,near dem        2499
 9 Not str democrat    3690
10 Strong democrat     3490

对水平的描述太过简单，而且不一致。我们将其修改为较为详细的排比结构：

gss_cat %>%
 mutate(partyid = fct_recode(partyid,
 "Republican, strong" = "Strong republican",
 "Republican, weak" = "Not str republican",
 "Independent, near rep" = "Ind,near rep",
 "Independent, near dem" = "Ind,near dem",
 "Democrat, weak" = "Not str democrat",
 "Democrat, strong" = "Strong democrat"
 )) %>%
 count(partyid)
># A tibble: 10 x 2
   partyid                   n
   <fct>                 <int>
 1 No answer               154
 2 Don't know                1
 3 Other party             393
 4 Republican, strong     2314
 5 Republican, weak       3032
 6 Independent, near rep  1791
 7 Independent            4119
 8 Independent, near dem  2499
 9 Democrat, weak         3690
10 Democrat, strong       3490

fct_recode() 会让没有明确提及的水平保持原样，如果不小心修改了一个不存在的水平， 那么它也会给出警告。

可以将多个原水平赋给同一个新水平，这样就可以合并原来的分类：

gss_cat %>%
 mutate(partyid = fct_recode(partyid,
 "Republican, strong" = "Strong republican",
 "Republican, weak" = "Not str republican",
 "Independent, near rep" = "Ind,near rep",
 "Independent, near dem" = "Ind,near dem",
 "Democrat, weak" = "Not str democrat",
 "Democrat, strong" = "Strong democrat",
 "Other" = "No answer",
 "Other" = "Don't know",
 "Other" = "Other party"
 )) %>%
 count(partyid)
 > # A tibble: 8 x 2
  partyid                   n
  <fct>                 <int>
1 Other                   548
2 Republican, strong     2314
3 Republican, weak       3032
4 Independent, near rep  1791
5 Independent            4119
6 Independent, near dem  2499
7 Democrat, weak         3690
8 Democrat, strong       3490

如果想要合并多个水平，那么可以使用 fct_recode() 函数的变体 fct_collapse() 函数。对于每 个新水平，你都可以提供一个包含原水平的向量：

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)
 
> # A tibble: 4 x 2
  partyid     n
  <fct>   <int>
1 other     548
2 rep      5346
3 ind      8409
4 dem      7180

---

往期文章：

《R数据科学》学习笔记|Note7:使用readr进行数据导入

《R数据科学》学习笔记|Note8:使用dplyr处理关系数据

《R数据科学》学习笔记|Note9:使用stringr处理字符串(上）

《R数据科学》学习笔记|Note10:使用stringr处理字符串(下）