如何在不丢失信息的情况下将因子转换为整数\数字？

请参阅 ?factor 的警告部分：

特别是，应用于因子的 as.numeric 是没有意义的，并且可能通过隐式强制发生。要将因子 f 转换为近似其原始数值，建议使用 as.numeric(levels(f))[f]，并且比 as.numeric(as.character(f)) 稍微高效一些。

关于 R has similar advice 的常见问题解答。

为什么 as.numeric(levels(f))[f] 比 as.numeric(as.character(f)) 更有效？

as.numeric(as.character(f)) 实际上是 as.numeric(levels(f)[f])，因此您是在 length(x) 值上执行到数字的转换，而不是在 nlevels(x) 值上。对于具有很少级别的长向量，速度差异将最为明显。如果值大多是唯一的，则速度不会有太大差异。无论您如何进行转换，此操作都不太可能成为您代码中的瓶颈，因此不必太担心。

一些时间

library(microbenchmark)
microbenchmark(
  as.numeric(levels(f))[f],
  as.numeric(levels(f)[f]),
  as.numeric(as.character(f)),
  paste0(x),
  paste(x),
  times = 1e5
)
## Unit: microseconds
##                         expr   min    lq      mean median     uq      max neval
##     as.numeric(levels(f))[f] 3.982 5.120  6.088624  5.405  5.974 1981.418 1e+05
##     as.numeric(levels(f)[f]) 5.973 7.111  8.352032  7.396  8.250 4256.380 1e+05
##  as.numeric(as.character(f)) 6.827 8.249  9.628264  8.534  9.671 1983.694 1e+05
##                    paste0(x) 7.964 9.387 11.026351  9.956 10.810 2911.257 1e+05
##                     paste(x) 7.965 9.387 11.127308  9.956 11.093 2419.458 1e+05

---

有许多（未记录的）用于转换因子的便利函数：

as.character.factor

as.data.frame.factor

as.Date.factor

as.list.factor

作为向量因子

...

但令人讨厌的是，没有什么可以处理因子 -> 数字转换。作为 Joshua Ulrich 回答的延伸，我建议通过定义您自己的惯用函数来克服这种遗漏：

as.double.factor <- function(x) {as.numeric(levels(x))[x]}

您可以将其存储在脚本的开头，甚至更好地存储在 .Rprofile 文件中。

---

注意：此特定答案不是用于将数值因子转换为数字，而是用于将分类因子转换为相应的级别数。

这篇文章中的每个答案都未能为我生成结果，正在生成 NA。

y2<-factor(c("A","B","C","D","A")); 
as.numeric(levels(y2))[y2] 
[1] NA NA NA NA NA Warning message: NAs introduced by coercion

对我有用的是 -

as.integer(y2)
# [1] 1 2 3 4 1

---

最简单的方法是使用包 varhandle 中的 unfactor 函数，它可以接受 因子向量 甚至是 dataframe：

unfactor(your_factor_variable)

这个例子可以是一个快速的开始：

x <- rep(c("a", "b", "c"), 20)
y <- rep(c(1, 1, 0), 20)

class(x)  # -> "character"
class(y)  # -> "numeric"

x <- factor(x)
y <- factor(y)

class(x)  # -> "factor"
class(y)  # -> "factor"

library(varhandle)
x <- unfactor(x)
y <- unfactor(y)

class(x)  # -> "character"
class(y)  # -> "numeric"

您也可以在数据框上使用它。例如 iris 数据集：

sapply(iris, class)

Sepal.Length Sepal.Width Petal.Length Petal.Width 种类 "numeric" "numeric" "numeric" "numeric" "factor"

# load the package
library("varhandle")
# pass the iris to unfactor
tmp_iris <- unfactor(iris)
# check the classes of the columns
sapply(tmp_iris, class)

Sepal.Length Sepal.Width Petal.Length Petal.Width 种类 "numeric" "numeric" "numeric" "numeric" "character"

# check if the last column is correctly converted
tmp_iris$Species

[1] “setosa” “setosa” “setosa” “setosa” “setosa” [6] “setosa” “setosa” “setosa” “setosa” “setosa” [11] “setosa” “setosa” “setosa” “setosa” ” “setosa” [16] “setosa” “setosa” “setosa” “setosa” “setosa” [21] “setosa” “setosa” “setosa” “setosa” “setosa” [26] “setosa” “setosa” “ setosa” “setosa” “setosa” [31] “setosa” “setosa” “setosa” “setosa” “setosa” [36] “setosa” “setosa” “setosa” “setosa” “setosa” [41] “setosa” “setosa” “setosa” “setosa” “setosa” [46] “setosa” “setosa” “setosa” “setosa” “setosa” [51] “杂色” “杂色” “杂色” “杂色” “杂色” [56] ] “杂色” “杂色” “杂色” “杂色” “杂色” [61] “杂色” “杂色” “杂色” “杂色” “杂色” [66] “杂色” “杂色” “杂色” “杂色” “杂色” [71] “杂色” “杂色” “杂色” “杂色” “杂色” [76] “杂色” “杂色” “杂色” “杂色” “杂色” [81] “杂色” “杂色” “杂色” "杂色" "杂色" [86] "versic颜色“杂色”“杂色”“杂色”“杂色”[91]“杂色”“杂色”“杂色”“杂色”“杂色”[96]“杂色”“杂色”“杂色”“杂色”“杂色” [101] “处女座” “处女座” “处女座” “处女座” “处女座” [106] “处女座” “处女座” “处女座” “处女座” “处女座” [111] “处女座” “处女座” “处女座” “处女座” ” “virginica” [116] “virginica” “virginica” “virginica” “virginica” “virginica” [121] “virginica” “virginica” “virginica” “virginica” “virginica” [126] “virginica” “virginica” “维吉尼亚” “维吉尼卡” “维吉尼卡” [131] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” [136] “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” “维吉尼卡” [141] “维吉尼卡” “virginica” “virginica” “virginica” “virginica” [146] “virginica” “virginica” “virginica” “virginica” “virginica”

---

只有在因子标签与原始值匹配的情况下才有可能。我将用一个例子来解释它。

假设数据是向量 x：

x <- c(20, 10, 30, 20, 10, 40, 10, 40)

现在我将创建一个带有四个标签的因子：

f <- factor(x, levels = c(10, 20, 30, 40), labels = c("A", "B", "C", "D"))

1) x 是双精度型，f 是整数型。这是第一次不可避免的信息丢失。因子始终存储为整数。

> typeof(x)
[1] "double"
> typeof(f)
[1] "integer"

2) 只有 f 可用，无法恢复到原始值 (10, 20, 30, 40)。我们可以看到 f 只包含整数值 1、2、3、4 和两个属性 - 标签列表（“A”、“B”、“C”、“D”）和类属性“因子” .而已。

> str(f)
 Factor w/ 4 levels "A","B","C","D": 2 1 3 2 1 4 1 4
> attributes(f)
$levels
[1] "A" "B" "C" "D"

$class
[1] "factor"

要恢复到原始值，我们必须知道创建因子时使用的水平值。在这种情况下 c(10, 20, 30, 40)。如果我们知道原始水平（以正确的顺序），我们可以恢复到原始值。

> orig_levels <- c(10, 20, 30, 40)
> x1 <- orig_levels[f]
> all.equal(x, x1)
[1] TRUE

这仅在为原始数据中的所有可能值定义标签的情况下才有效。

因此，如果您需要原始值，则必须保留它们。否则，很有可能无法仅从一个因素中恢复过来。

---

如果您有数据框，则可以使用 hablar::convert。语法很简单：

样本df

library(hablar)
library(dplyr)

df <- dplyr::tibble(a = as.factor(c("7", "3")),
                    b = as.factor(c("1.5", "6.3")))

解决方案

df %>% 
  convert(num(a, b))

给你：

# A tibble: 2 x 2
      a     b
  <dbl> <dbl>
1    7.  1.50
2    3.  6.30

或者，如果您希望一列是整数和一列数字：

df %>% 
  convert(int(a),
          num(b))

结果是：

# A tibble: 2 x 2
      a     b
  <int> <dbl>
1     7  1.50
2     3  6.30

---

如果您的因子水平是整数，则 strtoi() 有效。

---

游戏晚了，偶然发现trimws()可以将factor(3:5)转换为c("3","4","5")。然后您可以调用 as.numeric()。那是：

as.numeric(trimws(x_factor_var))

---

type.convert(f) 在水平完全为数字的因子上是另一个基本选项。

就性能而言，它与 as.numeric(as.character(f)) 差不多，但不如 as.numeric(levels(f))[f] 快。

identical(type.convert(f), as.numeric(levels(f))[f])

[1] TRUE

也就是说，如果向量被创建为第一个实例中的一个因素的原因尚未得到解决（即它可能包含一些无法强制转换为数字的字符），那么这种方法将不起作用，它将返回一个因素。

levels(f)[1] <- "some character level"
identical(type.convert(f), as.numeric(levels(f))[f])

[1] FALSE

---

从我能读到的许多答案中，唯一给定的方法是根据因素的数量来扩大变量的数量。如果您有一个具有“dog”和“cat”级别的变量“pet”，那么您最终会得到 pet_dog 和 pet_cat。

在我的情况下，我想保持相同数量的变量，只需将因子变量转换为数字变量，以一种可以应用于具有多个级别的许多变量的方式，例如 cat=1 和 dog=0。

请在下面找到相应的解决方案：

crime <- data.frame(city = c("SF", "SF", "NYC"),
                    year = c(1990, 2000, 1990),
                    crime = 1:3)

indx <- sapply(crime, is.factor)

crime[indx] <- lapply(crime[indx], function(x){ 
  listOri <- unique(x)
  listMod <- seq_along(listOri)
  res <- factor(x, levels=listOri)
  res <- as.numeric(res)
  return(res)
}
)

---

看起来解决方案 as.numeric(levels(f))[f] 不再适用于 R 4.0。

替代解决方案：

factor2number <- function(x){
    data.frame(levels(x), 1:length(levels(x)), row.names = 1)[x, 1]
}

factor2number(yourFactor)

---