不同数据集上相同值的一致因子水平

Question

我不确定我是否完全理解因子的工作原理。因此，如果我错了，请以易于理解的方式纠正我。

我一直认为，在进行回归时，R 在幕后将分类变量转换为整数，但这部分超出了我的思路。

它将使用训练集中的分类值，并在构建模型后，检查测试数据集中的相同分类值。无论潜在的“水平”是什么——对我来说都无关紧要。

但是，我一直在考虑更多......并且需要澄清 - 特别是如果我在如何解决它方面做错了。

     train= c("March","April","January","November","January")
     train=as.factor(train)
     str(train)
     Factor w/ 4 levels "April","January",..: 3 1 2 4 2

     test= c(c("March","April"))
     test=as.factor(test)
      str(test)
     # Factor w/ 2 levels "April","March",..:  1 2

问题

如果您看到以上内容，它会创建因子水平，我相信这就是每个月的名称。但是，级别不一定匹配。

例如，在测试中，“APRIL”在两者中都是“1”，但在火车中，“JANUARY”是 2，而“MARCH”在 2 日是 2。

如果我要将它合并到模型中，我认为我不会出错，因为测试集中的所有分类值都已经在训练集中......但是会使用适当的系数/值?

请帮助我很困惑

Answer 1

当您使用as.factor 将向量转换/强制转换为因子时，R 会获取向量的所有唯一值并将数字 id 与每个值相关联；它还有一个默认的排序方法来决定哪个值得到 1、2 等。

如果您有不同的向量存在于一个共同的“宇宙”值中，并且您希望将它们转换为一致的因子（即出现在不同向量/dfs 中的值与相同的数字 id 相关联），请执行以下操作：

x <- letters[1:5]
y <- letters[3:8]
allvalues <- unique(union(x,y))  # superfluous but I think it adds clarity
x <- factor(x, levels = allvalues)
y <- factor(y, levels = allvalues)
str(x)   # Factor w/ 8 levels "a","b","c","d",..: 1 2 3 4 5
str(y)   # Factor w/ 8 levels "a","b","c","d",..: 3 4 5 6 7 8

编辑

一个小实验表明 R 足够聪明，可以识别不同向量中的因子值，即使它们被分配了不一致的数字 id：

y <- sample(1:2, size = 20, replace = T)
x <- factor(letters[y], levels = c("b","a"))  # so a~2 and b~1
y <- y + rnorm(0, 0.2, n = 20)
Set <- data.frame(x = x, y = y)
fit <- lm(data = Set, y ~ x)

要获取所有内容的描述：str(x)、str(y)、summary(fit)。

因此，fit 被训练为将 x = a（作为一个因子的数字标签为 2）与值 y ~= 1 和 y = b 与值 x ~= 2 相关联。

现在让我们制作一个“令人困惑”的测试集：

x2 <- factor(c("a","b"), levels = c("c","d","a","b"))
str(x2)   # Factor w/ 4 levels "c","d","a","b": 3 4

让我们使用predict 来看看 R 是怎么做的：

predict(fit, newdata = data.frame(x = x2))
#        1        2 
# 1.060569 1.961109 

这是我们对 R 的期望...