我有一个R数据框,想要从一个列中减去另一个列。我使用$
运算符提取列,但是这些列的类别是“因子”,而R不会对因子执行算术运算。是否有特殊的函数可以处理这个问题?
如果你真的希望使用因子的水平,那么要么你正在做一些非常错误的事情,要么就是太聪明了而且自己玩过头了。
如果你拥有的是一个包含存储在因子水平中的数字的因子,那么你首先需要使用 as.numeric(as.character(...))
强制将其转换为数值类型:
dat <- data.frame(f=as.character(runif(10)))
你可以在这里看到访问因子索引和分配因子内容之间的差异:> as.numeric(dat$f)
[1] 9 7 2 1 4 6 5 3 10 8
> as.numeric(as.character(dat$f))
[1] 0.6369432 0.4455214 0.1204000 0.0336245 0.2731787 0.4219241 0.2910194
[8] 0.1868443 0.9443593 0.5784658
对于非每个元素都独立的情况,时间复杂度与仅在级别上进行转换的替代方法相比表现得更快:
dat <- data.frame( f = sample(as.character(runif(10)),10^4,replace=TRUE) )
library(microbenchmark)
microbenchmark(
as.numeric(as.character(dat$f)),
as.numeric( levels(dat$f) )[dat$f] ,
as.numeric( levels(dat$f)[dat$f] ),
times=50
)
expr min lq median uq max
1 as.numeric(as.character(dat$f)) 7835865 7869228 7919699 7998399 9576694
2 as.numeric(levels(dat$f))[dat$f] 237814 242947 255778 270321 371263
3 as.numeric(levels(dat$f)[dat$f]) 7817045 7905156 7964610 8121583 9297819
因此,如果 length(levels(dat$f)) < length(dat$f)
,使用 as.numeric(levels(dat$f))[dat$f]
可以大幅提高速度。
如果 length(levels(dat$f))
大约等于 length(dat$f)
,则不会有速度提升:
dat <- data.frame( f = as.character(runif(10^4) ) )
library(microbenchmark)
microbenchmark(
as.numeric(as.character(dat$f)),
as.numeric( levels(dat$f) )[dat$f] ,
as.numeric( levels(dat$f)[dat$f] ),
times=50
)
expr min lq median uq max
1 as.numeric(as.character(dat$f)) 7986423 8036895 8101480 8202850 12522842
2 as.numeric(levels(dat$f))[dat$f] 7815335 7866661 7949640 8102764 15809456
3 as.numeric(levels(dat$f)[dat$f]) 7989845 8040316 8122012 8330312 10420161
relevel
或整数序列不连续。假设级别索引与级别内容相同似乎是一个危险的假设。 - Ari B. Friedmanprint.microbenchmark
和plot.microbenchmark
都需要大幅改进)。 - Ari B. Friedman? Arith
。如果没有泛型组,则可以定义自己的二元运算符%operator%:%-% <- function (factor1, factor2){
# put in the code here to calculate difference
# of two factors (e.g. facor1 level cat - factor2 level mouse = ?)
}
首先,你应该仔细检查数据的提取方式。如果这些列确实是数字列,R会识别它们(Excel有时会出错)。但无论如何,由于列中可能存在其他不良因素,它可能被强制转换为因子。到目前为止,你收到的回复都没有提到as.numeric()只返回级别数字。这意味着你不会对已转换为因子的实际数字执行操作,而是对与每个因子相关联的级别数字执行操作。
a <- factor(c(5,6,5))
b <- factor(c(3,2,1))
df <- data.frame(a, b)
# WRONG: Factors can't be subtracted.
df$a - df$b
# CORRECT: Get the levels and substract
as.numeric(levels(df$a)[df$a]) - as.numeric(levels(df$b)[df$b])
as.numeric
应该只包装级别。请参见我的答案以获取基准测试结果。 - Ari B. Friedman