¿Cómo convertir un factor a un entero \ numérico sin pérdida de información?

Question

Cuando convierto un factor en numérico o entero, obtengo los códigos de nivel subyacentes, no los valores como números.

f <- factor(sample(runif(5), 20, replace = TRUE)) 
## [1] 0.0248644019011408 0.0248644019011408 0.179684827337041 
## [4] 0.0284090070053935 0.363644931698218 0.363644931698218 
## [7] 0.179684827337041 0.249704354675487 0.249704354675487 
## [10] 0.0248644019011408 0.249704354675487 0.0284090070053935 
## [13] 0.179684827337041 0.0248644019011408 0.179684827337041 
## [16] 0.363644931698218 0.249704354675487 0.363644931698218 
## [19] 0.179684827337041 0.0284090070053935 
## 5 Levels: 0.0248644019011408 0.0284090070053935 ... 0.363644931698218 

as.numeric(f) 
## [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2 

as.integer(f) 
## [1] 1 1 3 2 5 5 3 4 4 1 4 2 3 1 3 5 4 5 3 2 

tengo que recurrir a paste para obtener los valores reales:

as.numeric(paste(f)) 
## [1] 0.02486440 0.02486440 0.17968483 0.02840901 0.36364493 0.36364493 
## [7] 0.17968483 0.24970435 0.24970435 0.02486440 0.24970435 0.02840901 
## [13] 0.17968483 0.02486440 0.17968483 0.36364493 0.24970435 0.36364493 
## [19] 0.17968483 0.02840901 

¿Hay una mejor manera de convertir un factor a numérico?

Answer 1

Consulte la sección de Advertencia ?factor:

In particular, as.numeric applied to a factor is meaningless, and may happen by implicit coercion. To transform a factor f to approximately its original numeric values, as.numeric(levels(f))[f] is recommended and slightly more efficient than as.numeric(as.character(f)) .

El FAQ en I has similar advice.

---

¿Por qué es más eficiente que as.numeric(levels(f))[f]as.numeric(as.character(f))?

as.numeric(as.character(f)) es efectivamente as.numeric(levels(f)[f]), por lo que está realizando la conversión a los valores numéricos en length(x), en lugar de en nlevels(x) valores. La diferencia de velocidad será más evidente para vectores largos con pocos niveles. Si los valores son en su mayoría únicos, no habrá mucha diferencia en la velocidad. Independientemente de cómo realice la conversión, es poco probable que esta operación sea el cuello de botella en su código, así que no se preocupe demasiado por ello.

---

Algunos temporizaciones

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 

Answer 2

R tiene un número de funciones de confort (sin papeles) para los factores de conversión:

• as.character.factor
• as.data.frame.factor
• as.Date.factor
• as.list.factor
• as.vector.factor
• ...

Pero molesto, no hay nada para manejar el factor -> numérico conversión. Como una extensión de la respuesta de Joshua Ulrich, sugeriría para superar esta omisión con la definición de su propia función idiomática:

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

que se puede almacenar en el comienzo de la secuencia de comandos, o incluso mejor en su archivo .Rprofile.

Answer 3

Es posible solo en el caso en que las etiquetas de factor coincidan con los valores originales. Lo explicaré con un ejemplo.

asumir los datos es vector x:

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

Ahora voy a crear un factor con cuatro etiquetas:

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

1) x es con el tipo doble, f es con tipo entero. Esta es la primera pérdida de información inevitable. Los factores siempre se almacenan como enteros.

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

2) No es posible volver a los valores originales (10, 20, 30, 40) que tiene solamente f disponible. Podemos ver que f contiene solo valores enteros 1, 2, 3, 4 y dos atributos: la lista de etiquetas ("A", "B", "C", "D") y el atributo de clase "factor". Nada mas.

> 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" 

Para volver a los valores originales, debemos conocer los valores de los niveles utilizados para crear el factor. En este caso c(10, 20, 30, 40). Si conocemos los niveles originales (en el orden correcto), podemos volver a los valores originales.

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

Y esto funcionará solo en caso de que las etiquetas se hayan definido para todos los valores posibles en los datos originales.

Si necesita los valores originales, debe conservarlos. De lo contrario, hay una gran probabilidad de que no sea posible volver a ellos solo por un factor.

Answer 4

La forma más fácil sería utilizar unfactor función del paquete de varhandle

unfactor(your_factor_variable) 

Este ejemplo puede ser un comienzo rápido:

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" 

Answer 5

Cada respuesta en este post no ha podido generar resultados para mí , Se generaron 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 

lo que funcionó para mí es esto -

library(magrittr) 
unclass(y2) %>% as.numeric 
    [1] 1 2 3 4 1