R 中的因素：分类变量和连续变量

R 中的因子是什么？

R 中的因子 因子（Factor）是一种用于对数据进行分类和存储的变量，它具有有限数量的不同值。它将数据存储为整数值的向量。在 R 语言中，因子也称为分类变量，它同时存储字符串和整数数据值作为级别。因子主要用于 R 语言的统计建模和探索性数据分析。

从内部看，因子是由两个同时移动的对象组成的：一个编码整数向量和一个名为“字符属性”的字符。 各级每个代码都是该层级向量中的一个位置，这就是为什么打印一个因子会显示单词的原因。 取消分类() 显示数字。

在数据集中，我们可以区分两种类型的变量： 明确的 和 连续.

• 在 R 中对分类变量进行描述统计时，其值是有限的，通常基于特定的有限组。例如，R 中的分类变量可以是国家、年份、性别、职业。
• 然而，连续变量可以取任何值，从整数到小数。例如，我们可以有收入、股票价格等等。

这种区别值得注意，因为 R 会默默地为每种数据类型选择不同的默认值。数值列会用均值和中位数进行汇总，而因子列则会用每个级别的计数进行汇总。因此，将类别存储为文本或数字会改变你得到的分析结果。更广泛的存储模式集在指南中有所介绍。 R 数据类型和运算符.

分类变量

分类变量 R 数据存储为一个因子。让我们查看下面的代码，了解如何在 R 语言中将字符变量转换为因子变量。许多建模和机器学习程序无法直接处理原始文本，因此在拟合模型之前，必须将类别编码为级别或数字。

句法

factor(x = character(), levels, labels = levels, ordered = is.ordered(x))

R 基础参考文档中还记录了上述简略形式省略的另外两个论点： 排除这会先移除水平集构建之前的值，并且 n最大，限制了转换层数的上限，从而加快了超大向量的转换速度。

参数：

• x：R 语言中的分类数据向量。必须是字符串或整数，不能是小数。
• 各级：x 的可能取值向量。此参数为可选参数。默认值为向量 x 的所有元素的唯一列表，并按升序排列。
• 标签：在 R 中为 x 分类数据添加标签。例如，1 可以表示标签为男性，而 0 可以表示标签为女性。
• 排除：用于指定在形成水平集时要删除的值的向量。被排除的值在结果中变为 NA。
• 有序：一个逻辑标志，用于确定级别是否应按给定的顺序视为有序。
• n最大：层数的可选上限，对于长向量很有用。

计费示例：

让我们将字符向量转换为因子，并使用 class() 确认更改。

# Create gender vector
gender_vector <- c("Male", "Female", "Female", "Male", "Male")
class(gender_vector)
# Convert gender_vector to a factor
factor_gender_vector <-factor(gender_vector)
class(factor_gender_vector)

输出：

## [1] "character"
## [1] "factor"

类从字符型切换到了因子型，但打印值没有任何变化。转换很重要。 绳子 在 R 中，在进行机器学习任务之前，将其转换为因子变量，因为此时类别才成为一个固定的、经过验证的集合。

R 中的分类变量可以分为 名义分类变量 和 序数分类变量.

名义分类变量

名义分类变量可以有多个值，但顺序无关紧要。例如，男性或女性。R 语言中的名义分类变量不包含任何顺序信息。

# Create a color vector
color_vector <- c('blue', 'red', 'green', 'white', 'black', 'yellow')
# Convert the vector to factor
factor_color <- factor(color_vector)
factor_color

输出：

## [1] blue   red    green  white  black  yellow
## Levels: black blue green red white yellow

从 factor_color 的值中，我们无法判断顺序。级别列表之所以按字母顺序排列，仅仅是因为没有提供 levels 参数，所以 R 自行对唯一值进行了排序。这种排序遵循的是当前区域设置，而不是纯 ASCII 码，这也是为什么在顺序至关重要时，需要显式指定级别的原因之一。

序数分类变量

有序分类变量确实具有自然的顺序。这种顺序来源于传递给函数的向量的顺序。 各级 参数 `ordered` 设置为 `TRUE` 会告诉 R 将该序列视为排序序列而非普通列表。设置 `ordered` 为 `FALSE` 并不会反转排序，它只会生成一个普通的无序因子。要从高到低排序，只需反转 `levels` 向量本身即可。

计费示例：

我们可以使用 summary 来计算 R 中每个因子变量的值。

# Create Ordinal categorical vector 
day_vector <- c('evening', 'morning', 'afternoon', 'midday', 'midnight', 'evening')
# Convert `day_vector` to a factor with ordered level
factor_day <- factor(day_vector, order = TRUE, levels =c('morning', 'midday', 'afternoon', 'evening', 'midnight'))
# Print the new variable
factor_day

输出：

## [1] evening   morning   afternoon midday    
midnight  evening

控制台首先打印数值，然后打印排名。下一个代码块以 Levels 行开头，该行仍然被注释掉，因此排名会保持可见，同时 summary() 调用会附加到之前的代码中。

## Levels: morning < midday < afternoon < evening < midnight
# Append the line to above code
# Count the number of occurence of each level
summary(factor_day)

输出：

##   morning    midday afternoon   evening  midnight
##         1         1         1         2         1

R 按照 levels 参数的指定顺序，将颜色级别从“早晨”到“午夜”排序。由于该因子是有序的，因此诸如 < 和 > 之类的比较运算符也适用于它，而这些运算符对上述名义颜色因子则无效。

连续变量

在 R 语言中，连续型变量是默认值，它们以数值或整数形式存储。我们可以从下面的数据集中看出这一点。mtcars 是一个内置数据集，它收集了不同类型汽车的信息。我们可以使用 `mtcars` 导入该数据集，并检查变量 `mpg`（每加仑行驶里程）的类型。它返回一个数值，表明这是一个连续型变量。

dataset <- mtcars
class(dataset$mpg)

输出

## [1] "numeric"

并非所有数值列都是真正连续的。在同一数据集中，`cyl` 列只包含 4、6 和 8，而 `am` 列只包含 0 和 1，因此它们都是恰好以数字形式存储的类别。在建模之前使用 `factor()` 函数将它们转换为连续值，可以防止 R 将 4 缸和 6 缸之间的间隙视为测量值。相反的操作，即把连续列分割成多个区间，则由 `cut()` 函数处理。

R语言中的因子水平和标签

levels 属性是您需要花费最多时间调整的部分，因为它既控制哪些内容会被打印出来，也控制模型将什么视为基线。四个基本的 R 辅助函数几乎可以涵盖所有情况。

下面的代码块将这四个因素应用于之前创建的颜色和性别因素。

# Inspect the levels of an existing factor
levels(factor_color)          # the level names, in the order R stored them
nlevels(factor_color)         # how many distinct levels exist

# Rename the levels in place (the new vector must follow the same order)
levels(factor_color) <- c('Black', 'Blue', 'Green', 'Red', 'White', 'Yellow')

# Attach labels at creation time instead of renaming afterwards
gender_coded <- factor(c(1, 0, 0, 1, 1), levels = c(0, 1), labels = c('female', 'male'))

# Make 'male' the reference level that modelling functions compare against
gender_coded <- relevel(gender_coded, ref = 'male')

# Remove levels that survived a subset but no longer occur in the data
subset_color <- droplevels(factor_color[1:3])

有两个细节值得注意。`levels()` 函数会按位置重命名，因此不匹配的向量会悄悄地将类别重新标记。此外，子集会保留每个原始级别，直到调用 `droplevels()` 函数为止，这就是为什么过滤后的值会受到影响的原因。 数据框 仍然可以绘制空柱状图。 标签 参数又有所不同：它在创建时命名级别，重复的标签会将多个输入值合并到一个级别中。

如何在 R 语言中将因子转换为数值或字符型

这是 R 语言中最常见的因子错误。因为因子存储的是整数代码，所以对其调用 `as.numeric()` 函数会返回这些代码，而不是屏幕上显示的值。例如，2021 年至 2023 年的因子会返回 1、2 和 3。

# A factor whose labels happen to look like numbers
year_factor <- factor(c('2021', '2023', '2022', '2023'))

# WRONG: this returns the internal codes 1, 3, 2, 3 - not the years
as.numeric(year_factor)

# RIGHT: read the label through the levels attribute first
as.numeric(levels(year_factor))[year_factor]

# Equivalent and easier to remember, but slightly slower
as.numeric(as.character(year_factor))

# Back to plain text
as.character(year_factor)

R 基础文档推荐使用 `as.numeric(levels(f))[f]` 作为正确且稍快的写法，而 `as.numeric(as.character(f))` 则是更易读的等效写法。两者都先读取标签，然后再进行转换。

• 性格因素as.character(f) 将标签作为纯文本返回。
• 因式分解为整数代码: 当代码正是你想要的时，可以使用 as.integer(f) 或 unclass(f)。
• 因素: factor(x) 或更快的 as.factor(x) 快捷方式。
• 数值因子: factor(x) 用于离散码，cut(x, breaks) 用于需要分段的连续值。

所有这些方法都适用一项安全措施。如果 x 中的某个值未出现在 levels 向量中，factor() 函数会将该元素设置为 NA 而不是引发错误，因此多余的空格或大小写差异可能会导致行被悄悄删除。比较转换前后的唯一值，或者 对数据框进行排序 在新栏目中，问题很快就暴露出来了。

R 语言中因子型、字符型和数值型：何时使用哪种类型

尽早选择存储模式可以大大减少后续的调试工作。下表比较了文本或代码列可以采用的三种模式。

使用 因素 当值来自已知的封闭列表、显示或排名顺序很重要，或者列为模型或图表图例提供数据时，请使用此方法。 字符 适用于自由文本、标识符以及任何需要解析或连接的内容，例如名称、备注和不断更新的值的代码。 数字 只有当两个值之间的距离有意义时才适用。

下面这个方框展示了检查你实际拥有什么的最快方法。

# Ask R what each column of a data frame actually is
sapply(mtcars, class)

# Direct membership tests
is.factor(factor_day)
is.ordered(factor_day)

# unclass() exposes the integer codes hiding behind the labels
unclass(factor_color)

两个习惯可以确保选择的准确性。每次导入后都运行 `sapply(df, class)`，因为数值列中哪怕只有一个多余的字符都会将整列转换为文本。并且尽可能晚地将数据转换为因子，最好在数据清理和合并之后再进行转换。 dplyr 连接和筛选仍然比较的是普通字符串，而不是不匹配的级别集。

常见问题