R学习 第九篇：因子
因子（factor)是R语言中比较特殊的一个数据类型， 它是一个用于存储类别的类型，举个例子，从性别上，可以把人分为：男人和女人，从年龄上划分，又可以把人分为：未成年人（<18岁），成年人（>=18）。R把表示分类的数据称为因子，因子的行为有时像字符串，有时像整数。因子是一个向量，通常情况下，每个元素都是字符类型，也有其他数据类型的元素。因子具有因子水平（Levels），用于限制因子的元素的取值范围，R强制：因子水平是字符类型，因子的元素只能从因子水平中取值，这意味着，因子的每个元素要么是因子水平中的字符（或转换为其他数据类型），要么是缺失值，这是因子的约束，是语法上的规则。
一，创建因子
通常情况下，在创建数据框变量时，R隐式把数据类型为字符的列创建为因子，这是因为R会把文本类型默认为类别数据，并自动转换为因子。
例如，创建一个数据框变量，通过class()函数检查gender列的类，结果是因子类型，而不是字符向量：
heights <- data.frame( height_cm=c(156,182,170), gender=c('f','m','f') ) > class(heights$gender) [1] "factor"
还可以通过factor()函数创建因子，factor()函数的第一个参数必须是字符向量，通过levels参数显式设置因子水平，
factor(x = character(), levels, labels = levels, exclude = NA, ordered = is.ordered(x), nmax = NA)
参数注释：
- x：是向量，通常是由少量唯一值的字符向量
- levels：水平，字符类型，用于设置x可能包含的唯一值，默认值是x的所有唯一值。如果x不是字符向量，那么使用as.character(x)把x转换为字符向量，然后获取x向量的水平。x向量的取值跟levels有关。
- labels：是水平的标签，字符类型，用于对水平添加标签，相当于对因子水平重命名；
- exclude：排除的字符
- ordered：逻辑值，用于指定水平是否有序；
- nmax：水平的上限数量
例如，因子sex的值是向量c('f','m','f','f','m')，因子水平是c('f','m')：
> sex <- factor(c('f','m','f','f','m'),levels=c('f','m')) > sex [1] f m f f m Levels: f m
二，因子水平
因子水平规定了因子取值的范围，每一个因子，都包含因子水平的信息，例如，打印gender列，可以看到因子的元素和水平：
> heights$gender [1] f m f Levels: f m
该因子中的每个值都是一个字符串，它们被限制为“f”、“m”和缺失值（NA）。如果把其他字符串添加到gender列中，R会抛出警告消息，并把错误赋值的元素设置为NA，例如：
> heights$gender[1]<-"female" Warning message: In `[<-.factor`(`*tmp*`, 1, value = c(NA, 2L, 1L)) : invalid factor level, NA generated
1，查看因子水平
因子水平，可以通过函数levels(factor)来查看：
> levels(heights$gender) [1] "f" "m"
水平的级数，相当于level的长度，可以由nlevels函数查询到：
> nlevels(heights$gender) [1] 2
2，因子水平的标签
使用factor函数创建因子，可以使用labels参数为每个因子水平添加标签，labels参数的字符顺序，要和levels参数的字符顺序保持一致，例如：
> sex=factor(c('f','m','f','f','m'),levels=c('f','m'),labels=c('female','male'),ordered=TRUE) > sex [1] female male female female male Levels: female < male
三，有序因子
通常情况下，因子一般是无序的，这可以通过is.ordered()函数来验证：
> is.ordered(sex) [1] FALSE
因子的顺序，实际上是指因子水平的顺序，有序因子的因子水平是有序的。在特殊情况下，有些因子的水平在语义上大于或小于其他水平，R支持按顺序排列的因子，使用ordered函数，或通过给factor函数传入order=TRUE参数，把无序因子转换为有序的因子。
1，通过ordered()函数把现有因子转换为有序因子
ordered()函数不能指定特定因子水平的顺序，通常情况下，因子中先出现的水平小于后出现的水平。
例如，通过ordered函数把sex因子转换为有序的因子：
> ordered(sex) [1] f m f f m Levels: f < m
2，创建有序的因子
通过factor函数创建有序因子，通过levels指定因子的顺序。
> sex <- factor(c('f','m','f','f','m'),levels=c('f','m'),ordered=TRUE) > sex [1] f m f f m Levels: f < m
3，按照指定的顺序转换现有的因子
因子的顺序，其实是因子水平的顺序，我们可以通过levels，使现有的因子按照指定的因子水平来排序。
例如，把heights数据库框的gender，按照指定的levels，转换成有序因子：
heights$gender <- factor(heights$gender, levels=c('m','f'),ordered=TRUE)
四，删除因子水平
在数据清理时，可能需要去掉与因子水平对应的数据，通常情况下，需要删除未使用的因子水平，可以使用droplevels函数，它接受因子或是数据框作为参数。
## S3 method for class 'factor' droplevels(x, exclude = if(anyNA(levels(x))) NULL else NA, ...) ## S3 method for class 'data.frame' droplevels(x, except, exclude, ...)
如果x是数据框，那么把数据框中未使用的因子删除。
heights$gender <- droplevels(gender)
五，把因子水平转换为字符串
在数据清理中，有时需要把因子转换为字符，通常情况下，使用as.character()函数，把因子转换为字符串：
> as.character(heights$gender) [1] NA "m" "f"
或者使用其他类型转换函数，把因子转换为特定的数据类型。
六，把因子转换成相应的整数
使用as.numeric()或as.integer()函数可以把因子转换成对应的整数
> as.integer(sex) [1] 1 2 1 1 2
七，把连续变量分割为类别
函数cut()能够把数值变量切成不同的块，然后返回一个因子
cut(x, breaks, labels = NULL)
参数注释：
- x：数值变量
- breaks：切割点向量
- labels：每一个分组的标签
例如，把身高数据，按照指定的切割点向量分割：
cut(heights$height_cm,c(150,170,190)) [1] (150,170] (170,190] (150,170] Levels: (150,170] (170,190]
八，修改数据框中的因子
一般情况下，数据框中的字符类型的列会转换为因子类型，要修改因子类型，一般通过三步来完成：
mydata$Category <- as.character(mydata$Category) mydata <- within(mydata,{Category[Category=="old name"] <- "new name"}) mydata$Category <- as.factor(mydata$Category)
当需要把因子转换为有序因子时，要注意因子水平的顺序，
mydata$Category <- as.factor(mydata$Category, levels=c('your ordered'), ordered=TRUE)
参考文档：
