如何将一个范畴变量折叠成R中的较少元素

Question

假设我有一个分类变量，如：

set.seed(123)
x<-sample(c("I", "IA", "IB", "II", "IIB", "IIC", "III", "IIID", "IIIF", "XA", "XB", "XC"), 
    100, TRUE)
table(x, exclude=NULL)

#    x
#   I   IA   IB   II  IIB  IIC  III IIID IIIF   XA   XB   XC <NA> 
#   5   12    9    7    9   11    6    8    6   12    9    6    0 

我的问题是如何容易地将x分解成四种元素，例如I、II、III和X？将I、IA、IB组合成I等。

Answer 1

更普遍的情况是，如果您的分类变量没有按此类模式分组，则可以使用case_when从dplyr指定映射

y <- case_when(x %in% c("I", "IA", "IB") ~ "I", #or whatever conditions you want
               x %in% c("II", "IIA", "IIB") ~ "II", #as above
               TRUE ~ "III")
table(y)

  I  II III 
 33  24  43 

Answer 2

这里有一个选择：

table(gsub("[^I]", "", x))

#   I  II III 
#  33  34  33 

这将替换向量中的所有非I字符，然后计算其频率。

或者，更改x

x <- gsub("[^I]", "", x)

Answer 3

问题后的编辑的已经更新。

forcats包有一些处理因素的方便的功能。

fct_collapse()函数可用于将因子级别折叠为手动定义的组：

y <- forcats::fct_collapse(x, 
                           I   = c("I", "IA", "IB"),
                           II  = c("II", "IIB", "IIC"),
                           III = c("III", "IIID", "IIIF"),
                           X   = c("XA", "XB", "XC"))
table(y, exclude=NULL)

Y I II III X 26 27 20 27

fct_relabel()函数会根据需要自动重命名因子级别并折叠。它接受一个应用于每个级别的函数，该函数接受一个字符参数，并返回一个长度相同的字符向量作为输入。这里使用的函数从开头提取I或X字符的序列。

y <- forcats::fct_relabel(factor(x), stringr::str_extract, pattern = "^I+|X+")
table(y, exclude=NULL)

Y I II III X 26 27 20 27