创建因子时设置水平和。 `水平（）<-`

Question

让我们先创建一些因子：

F1 <- factor(c(1,2,20,10,25,3))
F2 <- factor(paste0(F1, " years"))
F3 <- F2
levels(F3) <- paste0(sort(F1), " years")
F4 <- factor(paste0(F1, " years"), levels=paste0(sort(F1), " years"))

然后看看他们：

> F1
[1] 1  2  20 10 25 3 
Levels: 1 2 3 10 20 25

> F2
[1] 1 years  2 years  20 years 10 years 25 years 3 years 
Levels: 1 years 10 years 2 years 20 years 25 years 3 years

> F3
[1] 1 years  3 years  10 years 2 years  20 years 25 years
Levels: 1 years 2 years 3 years 10 years 20 years 25 years

> F4
[1] 1 years  2 years  20 years 10 years 25 years 3 years 
Levels: 1 years 2 years 3 years 10 years 20 years 25 years

首先我注意到 F2 中级别的“预期”顺序与 F1 不同。查看factor 文档可以了解原因：关卡是通过首先对输入进行排序来创建的。在 F2 的情况下，这些是字符串，其中排序会考虑长度 (?)。

让我更难理解的是 F3 和 F4 之间设置级别的区别。在 F3 中，我在创建因子后设置级别，而在 F4 中，我在创建因子时明确设置它们。在 F3 中，levels()

有人能解释一下区别吗？

Answer 1

F1 使用数字排序，正如您自己发现的那样。

F2 使用字典排序，首先比较第一个字符，然后使用第二个字符打破平局，依此类推，这就是为什么 "10 years" 介于 "1 years" 和 "2 years" 之间。

F4 是从字符向量创建的，但有一个明确的可能因素列表。因此，该列表被提取（不排序）并用数字 1 到 6 标识。然后将输入的每个项目与一组可能的级别进行比较，并存储相关的数字。毕竟，一个因素只是一堆数字（as.numeric 将向您显示它们）与用于打印的级别列表相关联。所以F4 会像F2 一样打印出来，但是它的级别排序不同。

F3 是从 F2 创建的，因此它的级别最初是未排序的。该分配仅替换了一组级别名称，而不是向量中的数字。因此，您可以将其视为重命名现有关卡。如果您查看这些数字，它们将与来自 F2 的数字相匹配，而相关的名称，尤其是名称的顺序，与来自 F4 的数字相匹配。

正如您的问题声称这不是纯粹的重新标记：是的，它是纯粹的重新标记，您使用以下更改从F2 获得F3（在打印输出的两行中）：

• 10 → 2
• 2 → 3
• 20 → 10
• 25 → 20
• 3 → 25

str 函数也是查看因子内部表示的好工具。

Answer 2

您根据以下数据创建了F2：

> paste0(F1, " years")
[1] "1 years"  "2 years"  "20 years" "10 years" "25 years"
[6] "3 years"

对唯一值进行排序以生成级别会导致您提到的字母数字排序

> levels(F2)
[1] "1 years"  "10 years" "2 years"  "20 years" "25 years"
[6] "3 years"

因此，"2 years" 实际上存储为3 - 它位于第三个类别或级别。请注意，这会导致数据在因子中的存储方式存在细微差别：

> as.numeric(F1)
[1] 1 2 5 4 6 3
> as.numeric(F2)
[1] 1 3 4 2 5 6

当您现在显式设置F3 的级别时，您将传入这些值：

> paste0(sort(F1), " years")
[1] "1 years"  "2 years"  "3 years"  "10 years" "20 years"
[6] "25 years"

从上面看，数据存储在F3中：

> as.numeric(F3)
[1] 1 3 4 2 5 6

因此F3 的第二个元素获得您指定的第三个​​ 级别； "3 years".

因此levels<- 所做的是更改数字表示和显示的标签之间的映射。这肯定不是不是一种重新排列或重新调整您所期望的因素的方法。 levels<- 也不会重新排序数据，它只是改变因子的水平；底层的数字表示仍然有效，因此映射到新的级别。

在F4 中，您在创建时明确设置级别，因此数据以与F1 相同的方式以数字方式存储：

> F4 <- factor(paste0(F1, " years"), levels=paste0(sort(F1), " years"))
> as.numeric(F4)
[1] 1 2 5 4 6 3

导致您在F3 和F4 之间看到差异的是各个数据点的数据（或映射到原始级别）的不同基础数字表示。

我以前被这个咬过，现在知道要注意它，但它确实会时不时地把我赶出去。