R:因子的使用

Question

我有一些数据：

transaction <- c(1,2,3);
date <- c("2010-01-31","2010-02-28","2010-03-31");
type <- c("debit", "debit", "credit");
amount <- c(-500, -1000.97, 12500.81);
oldbalance <- c(5000, 4500, 17000.81)
evolution <- data.frame(transaction, date, type, amount, oldbalance, row.names=transaction,  stringsAsFactors=FALSE);
evolution$date <- as.Date(evolution$date, "%Y-%m-%d");
evolution <- transform(evolution, newbalance = oldbalance + amount);
evolution

如果我输入以下命令：

type <- factor(type) 

其中type是名义(分类)变量，那么它对我的数据有什么影响？

谢谢

Answer 1

进行统计时，因子与字符向量：在进行统计时，R处理因子和字符向量的方式没有区别。事实上，将因子变量保留为字符向量通常更容易。

如果使用字符向量作为分类变量，使用lm()进行回归或方差分析，则会得到正常模型输出，但会显示以下消息：

Warning message:
In model.matrix.default(mt, mf, contrasts) :
  variable 'character_x' converted to a factor

操纵数据帧时的因子与字符矢量：操纵数据帧时，字符矢量和因子的处理方式截然不同。有关R&因子的烦恼的一些信息可以在量子森林博客R pitfall #3: friggin’ factors上找到。

在使用read.table或read.csv从.csv或.txt读取数据时，使用stringsAsFactors = FALSE非常有用。正如在另一个回复中提到的，你必须确保字符向量中的所有内容都是一致的，否则每个打字错误都将被指定为不同的因素。您可以使用函数gsub()来修复拼写错误。

这是一个很好的例子，展示了lm()如何通过一个字符向量和一个因子给出相同的结果。

一个随机的自变量：

continuous_x <- rnorm(10,10,3)

作为字符向量的随机分类变量：

character_x  <- (rep(c("dog","cat"),5))

将字符向量转换为因子变量。factor_x <- as.factor(character_x)

为这两个类别提供随机值：

character_x_value <- ifelse(character_x == "dog", 5*rnorm(1,0,1), rnorm(1,0,2))

在自变量和因变量之间创建随机关系

continuous_y <- continuous_x*10*rnorm(1,0) + character_x_value

将线性模型的输出与因子变量和特征向量进行比较。注意字符向量给出的警告。

summary(lm(continuous_y ~ continuous_x + factor_x))
summary(lm(continuous_y ~ continuous_x + character_x))

Answer 2

这完全取决于您对数据提出的问题！

type.c <- c("debit", "debit", "credit")
type.f <- factor(type.c)

这里，type.c只是一个字符串列表，而type.f是一个因子列表(这是正确的吗？或者它是一个数组？)

storage.mode(type.c)
# [1] "character"
storage.mode(type.f)
# [1] "integer"

当创建一个因子变量时，它会查看所有已给出的值，并创建“级别”...看一眼：

 levels(type.f)
 # [1] "credit" "debit"

然后，代替存储字符串"debit“、"credit”、"mis-spelt debbit“等...它只存储整数和级别...看一看：

str(type.f)
# Factor w/ 2 levels "credit","debit": 2 2 1

也就是说，在type.c中，它表示c("debit"，"debit"，"，credit")，级别(type.f)表示"credit“"debit"，您可以看到str(type.f)开始列出存储时的前几个值，即2 2 1...

如果你错误地输入了"debbit“并将其添加到列表中，然后执行一个级别(type.f)，您将看到它是一个新的级别……否则，您可以使用table(type.c)。

当列表中只有三个元素时，这对存储量没有太大影响，但随着列表变长，"credit“(6个字符)和"debit”(5个字符)将占用比4个字节(加上几个字节)更多的存储空间。一个小实验表明，对于随机选择的一组type.c，object.size(type.c)>object.size(type.f)的阈值大约是96个元素。

dc <- c("debit", "credit")
N <- 300

# lets store the calculations as a matrix
# col1 = n
# col2 = sizeof(character)
# col3 = sizeof(factors)
res <- matrix(ncol=3, nrow=N)

for (i in c(1:N)) {
  type.c <- sample(dc, i, replace=T)
  type.f <- factor(type.c)
  res[i, 1] <- i
  res[i, 2] <- object.size(type.c)
  res[i, 3] <- object.size(type.f)
  cat('N=', i, '  object.size(type.c)=',object.size(type.c), '  object.size(type.f)=',object.size(type.f), '\n')
}
plot(res[,1], res[,2], col='blue', type='l', xlab='Number of items in type.x', ylab='bytes of storage')
lines(res[,1], res[,3], col='red')
mtext('blue for character; red for factor')

cat('Threshold at:', min(which(res[,2]>res[,3])), '\n')

抱歉，我认为这将有助于清晰，因为我缺乏R‘。

Answer 3

类型将从字符转换为因子。主要的区别是因素有预先定义的水平。因此，它们的值只能是这些级别中的一个或NA。而字符可以是任何东西。