为什么使用as.factor()而不是只使用factor()
我最近看到Matt Dowle用as.factor()写了一些代码，特别是
for (col in names_factors) set(dt, j=col, value=as.factor(dt[[col]]))我使用了这个代码片段，但是我需要显式地设置因子级别，以确保级别按我想要的顺序出现，所以我必须更改
as.factor(dt[[col]])至
factor(dt[[col]], levels = my_levels)这让我思考:与只使用factor()相比，使用as.factor()有什么好处(如果有的话)
回答 1
Stack Overflow用户
发布于 2016-09-02 03:16:00
as.factor是factor的包装器，但是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)
}来自Frank的评论:它不只是一个包装器，因为这个“快速返回”将保留因子级别，而factor()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两年后的扩展答案，包括以下内容：
当使用R的say?
- Performance：-by函数时，使用R的-by函数时，integer
- Unused
as.factor>factorwhen input is a factor - Performance：
as.factor>factorwhen input is integer - Unused levels or NA levels
- Caution when R's group-by functions: watch
- unused or NA levels
手册上写了什么？
?factor的文档提到了以下内容：
‘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:当输入是一个因素时，as.factor > factor
"no-operation“这个词有点模棱两可。不要把它理解为“什么都不做”；实际上，它意味着“做了很多事情，但本质上什么也没改变”。下面是一个示例：
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] TRUEas.factor确实提供了一个快速的回报，但factor并不是一个真正的“无人操作”。让我们分析一下factor，看看它都做了些什么。
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它首先sort输入向量f的unique值，然后将f转换为字符向量，最后使用factor将字符向量强制返回一个因子。以下是factor的源代码以供确认。
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
}因此，函数factor实际上是为处理字符向量而设计的，它将as.character应用于其输入以确保这一点。我们至少可以从上面学到两个与性能相关的问题：
对于数据帧函数，如果很多列都很容易转换，那么
-
DF就会比lapply(DF, factor)快得多。factorisfactor可以解释为什么一些重要的R函数很慢，比如table：lapply(DF, as.factor)
性能:当输入为整数时，as.factor > factor
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只负责这件事。
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
现在让我们看一些关于factor和as.factor对因子水平的影响的例子(如果输入已经是一个因子)。Frank已经给出了一个未使用的因子水平，我将提供一个具有NA水平的。
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(通用的)函数droplevels可用于删除因子的未使用级别。但默认情况下不能删除NA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group-by函数时要注意:注意未使用的或NA级别
R执行分组操作的函数，如split，tapply希望我们将因子变量作为"by“变量提供。但我们通常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，并且它们中的大多数可能会首先使用as.factor (至少对于split.default和tapply是这样)。table函数看起来像是一个异常，我在里面发现了factor而不是as.factor。可能有一些特殊的考虑因素，不幸的是，当我检查它的源代码时，这一点对我来说并不明显。
由于大多数group-by R函数都使用as.factor，因此如果给它们一个未使用或NA级别的因子，结果中就会出现这样的group。
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，尽管table不依赖于as.factor，但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。一个典型的例子是barplot(table(f))
如果这确实是不需要的，我们需要使用droplevels或factor从因子变量中手动删除未使用的或NA级别。
提示：
split有一个参数drop，它缺省为FALSE，因此使用as.factor；通过drop = TRUE函数factor使用instead.aggregate依赖于split，所以它也有一个drop参数，它缺省为TRUE.tapply没有drop，尽管它也依赖于split。特别是，documentation?tapply说(总是)使用as.factor。
https://stackoverflow.com/questions/39279238
复制相似问题
腾讯云开发者
