r - 为什么使用 as.factor() 而不仅仅是 factor()

Question

我最近看到 Matt Dowle 用 as.factor() 写了一些代码， 具体来说

for (col in names_factors) set(dt, j=col, value=as.factor(dt[[col]]))

在 a comment to this answer .

我使用了这个片段，但我需要明确设置因子水平以确保水平以我想要的顺序出现，所以我不得不改变

as.factor(dt[[col]])

到

factor(dt[[col]], levels = my_levels)

这让我想到:使用 as.factor() 有什么好处(如果有的话)与只是 factor() ?

Answer 1

as.factor是 factor 的包装器，但如果输入向量已经是一个因子，它允许快速返回:

function (x) 
{
    if (is.factor(x)) 
        x
    else if (!is.object(x) && is.integer(x)) {
        levels <- sort(unique.default(x))
        f <- match(x, levels)
        levels(f) <- as.character(levels)
        if (!is.null(nx <- names(x))) 
        names(f) <- nx
        class(f) <- "factor"
        f
    }
else factor(x)
}

评论来自 Frank :它不仅仅是一个包装器，因为这种“快速返回”将保持因子水平不变，而 factor()将不会:

f = factor("a", levels = c("a", "b"))
#[1] a
#Levels: a b

factor(f)
#[1] a
#Levels: a

as.factor(f)
#[1] a
#Levels: a b

两年后扩展答案，包括以下内容:

说明书是怎么说的？

性能:as.factor > factor当输入是一个因子时

性能:as.factor > factor当输入为整数时

未使用的级别或 NA 级别

使用 R 的分组功能时的注意事项:注意未使用或 NA 级别

说明书是怎么说的？
?factor 的文档提到以下内容:

‘factor(x, exclude = NULL)’ applied to a factor without ‘NA’s is a
 no-operation unless there are unused levels: in that case, a
 factor with the reduced level set is returned.

 ‘as.factor’ coerces its argument to a factor.  It is an
 abbreviated (sometimes faster) form of ‘factor’.

性能: as.factor > factor当输入是一个因素时

“无操作”这个词有点模棱两可。不要把它当作“什么都不做”；事实上，它的意思是“做了很多事情，但本质上什么都不改变”。下面是一个例子:

set.seed(0)
## a randomized long factor with 1e+6 levels, each repeated 10 times
f <- sample(gl(1e+6, 10))

system.time(f1 <- factor(f))  ## default: exclude = NA
#   user  system elapsed 
#  7.640   0.216   7.887 

system.time(f2 <- factor(f, exclude = NULL))
#   user  system elapsed 
#  7.764   0.028   7.791 

system.time(f3 <- as.factor(f))
#   user  system elapsed 
#      0       0       0 

identical(f, f1)
#[1] TRUE

identical(f, f2)
#[1] TRUE

identical(f, f3)
#[1] TRUE

as.factor确实可以快速返回，但是 factor不是真正的“无操作”。简介 factor看看它做了什么。

Rprof("factor.out")
f1 <- factor(f)
Rprof(NULL)
summaryRprof("factor.out")[c(1, 4)]
#$by.self
#                      self.time self.pct total.time total.pct
#"factor"                   4.70    58.90       7.98    100.00
#"unique.default"           1.30    16.29       4.42     55.39
#"as.character"             1.18    14.79       1.84     23.06
#"as.character.factor"      0.66     8.27       0.66      8.27
#"order"                    0.08     1.00       0.08      1.00
#"unique"                   0.06     0.75       4.54     56.89
#
#$sampling.time
#[1] 7.98

首先 sort unique输入向量的值 f ，然后转换 f到一个字符向量，最后使用 factor将字符向量强制回一个因子。这是 factor的源代码确认。

function (x = character(), levels, labels = levels, exclude = NA, 
    ordered = is.ordered(x), nmax = NA) 
{
    if (is.null(x)) 
        x <- character()
    nx <- names(x)
    if (missing(levels)) {
        y <- unique(x, nmax = nmax)
        ind <- sort.list(y)
        levels <- unique(as.character(y)[ind])
    }
    force(ordered)
    if (!is.character(x)) 
        x <- as.character(x)
    levels <- levels[is.na(match(levels, exclude))]
    f <- match(x, levels)
    if (!is.null(nx)) 
        names(f) <- nx
    nl <- length(labels)
    nL <- length(levels)
    if (!any(nl == c(1L, nL))) 
        stop(gettextf("invalid 'labels'; length %d should be 1 or %d", 
            nl, nL), domain = NA)
    levels(f) <- if (nl == nL) 
        as.character(labels)
    else paste0(labels, seq_along(levels))
    class(f) <- c(if (ordered) "ordered", "factor")
    f
}

所以函数 factor真正设计用于处理字符向量，它适用于 as.character以确保其投入。我们至少可以从上面了解到两个与性能相关的问题:

对于数据框 DF , lapply(DF, as.factor)比lapply(DF, factor)快得多对于类型转换，如果许多列是容易因子。

那个函数factor慢可以解释为什么一些重要的 R 函数很慢，比如 table :R: table function suprisingly slow

性能: as.factor > factor当输入为整数时

因子变量是整数变量的近亲。

unclass(gl(2, 2, labels = letters[1:2]))
#[1] 1 1 2 2
#attr(,"levels")
#[1] "a" "b"

storage.mode(gl(2, 2, labels = letters[1:2]))
#[1] "integer"

这意味着将整数转换为因子比将数字/字符转换为因子更容易。 as.factor只是照顾这个。

x <- sample.int(1e+6, 1e+7, TRUE)

system.time(as.factor(x))
#   user  system elapsed 
#  4.592   0.252   4.845 

system.time(factor(x))
#   user  system elapsed 
# 22.236   0.264  22.659 

未使用的级别或 NA 级别

现在让我们看看 factor 上的几个例子和 as.factor对因子水平的影响(如果输入已经是一个因子)。 Frank给了一个未使用的因子水平，我将提供一个 NA等级。

f <- factor(c(1, NA), exclude = NULL)
#[1] 1    <NA>
#Levels: 1 <NA>

as.factor(f)
#[1] 1    <NA>
#Levels: 1 <NA>

factor(f, exclude = NULL)
#[1] 1    <NA>
#Levels: 1 <NA>

factor(f)
#[1] 1    <NA>
#Levels: 1

有一个(通用)函数 droplevels可用于删除未使用的因子水平。但是 NA默认情况下不能删除级别。

## "factor" method of `droplevels`
droplevels.factor
#function (x, exclude = if (anyNA(levels(x))) NULL else NA, ...) 
#factor(x, exclude = exclude)

droplevels(f)
#[1] 1    <NA>
#Levels: 1 <NA>

droplevels(f, exclude = NA)
#[1] 1    <NA>
#Levels: 1

使用 R 的分组功能时的注意事项:注意未使用或 NA 级别

R 函数执行分组操作，如 split , tapply希望我们提供因子变量作为“by”变量。但通常我们只提供字符或数字变量。因此，在内部，这些函数需要将它们转换为因子，并且可能大多数会使用 as.factor首先(至少 split.default 和 tapply 是这样)。 table函数看起来像一个异常(exception)，我发现 factor而不是 as.factor里面。不幸的是，当我检查它的源代码时，可能有一些特殊的考虑对我来说并不明显。

由于大多数 group-by R 函数使用 as.factor , 如果它们被赋予一个未使用的因子或 NA级别，这样的组会出现在结果中。

x <- c(1, 2)
f <- factor(letters[1:2], levels = letters[1:3])

split(x, f)
#$a
#[1] 1
#
#$b
#[1] 2
#
#$c
#numeric(0)

tapply(x, f, FUN = mean)
# a  b  c 
# 1  2 NA 

有趣的是，虽然 table不依赖 as.factor ，它也保留了那些未使用的级别:

table(f)
#a b c 
#1 1 0 

有时这种行为可能是不受欢迎的。一个经典的例子是 barplot(table(f)) :



如果这真的不受欢迎，我们需要手动删除未使用的或 NA我们的因子变量的水平，使用 droplevels或 factor .

提示:

split有争论 drop默认为 FALSE因此 as.factor用来;来自 drop = TRUE功能 factor改为使用。

aggregate依赖 split ，所以它还有一个 drop参数，它默认为 TRUE .

tapply没有drop虽然它也依赖于 split .特别是文档 ?tapply说 as.factor被(总是)使用。