使用forcats处理因子
因子在 R 中用于处理分类变量。从历史上看，因子远比字符串更容易处理。因此，R 基础包中的很多函数都自动将字符串转换为因子。
准备工作
使用forcats包来处理因子，这个包提供了能够处理因子的工具，其中还包括了处理因子的大量辅助函数。
library(tidyverse) library(forcats)
创建因子
假设我们想要创建一个记录月份的变量：
x1 <- c("Dec", "Apr", "Jan", "Mar")
使用字符串来记录月份有两个问题：
（1）月份只有 12 个取值，如果输入错误，那么代码不会有任何反应。
x2 <- c("Dec", "Apr", "Jam", "Mar")
（2） 其对月份的排序没有意义。
sort(x1) #> [1] "Apr" "Dec" "Jan" "Mar"
这时，通过创建因子就可以解决上述问题。要想创建一个因子，必须先创建一个有效列表：
month_levels <- c( "Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec" )
现在就可以创建因子了：
y1 <- factor(x1, levels = month_levels) y1 #> [1] Dec Apr Jan Mar #> Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec sort(y1) #> [1] Jan Mar Apr Dec #> Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
不在有效水平集合内的所有值都会自动转换为 NA：
y2 <- factor(x2, levels = month_levels) y2 #> [1] Dec Apr <NA> Mar #> Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
如果想要显示错误信息，那么你可以使用readr::parse_factor() 函数：
y2 <- parse_factor(x2, levels = month_levels) #> Warning: 1 parsing failure. #> row col expected actual #> 3 -- value in level set Jam
如果省略了定义水平的这个步骤，那么会将按字母顺序排序的数据作为水平：
factor(x1) #> [1] Dec Apr Jan Mar #> Levels: Apr Dec Jan Mar
若想让因子的顺序与初始数据的顺序保持一致。在创建因子时，将水平设置为unique(x)，或者在创建因子后再对其使用fct_inorder()函数，也可以达到这个目的：
f1 <- factor(x1, levels = unique(x1)) f1 #> [1] Dec Apr Jan Mar #> Levels: Dec Apr Jan Mar
f2 <- x1 %>% factor() %>% fct_inorder() f2 #> [1] Dec Apr Jan Mar #> Levels: Dec Apr Jan Mar
如果想要直接访问因子的有效水平集合，那么可以使用 levels() 函数：
levels(f2) #> [1] "Dec" "Apr" "Jan" "Mar"
实例练习
选取forcats::gss_cat数据集，该数据集是综合社会调查数据的一份抽样，利用这个数据集来说明处理因子时经常遇到的一些问题：
gss_cat #> # A tibble: 21,483 × 9 #> year marital age race rincome #> <int> <fctr> <int> <fctr> <fctr> #> 1 2000 Never married 26 White $8000 to 9999 #> 2 2000 Divorced 48 White $8000 to 9999 #> 3 2000 Widowed 67 White Not applicable #> 4 2000 Never married 39 White Not applicable #> 5 2000 Divorced 25 White Not applicable #> 6 2000 Married 25 White $20000 - 24999 #> # ... with 2.148e+04 more rows, and 4 more variables:
查看因子水平的一种方法是使用count()函数：
gss_cat %>% count(race) #> # A tibble: 3 × 2 #> race n #> <fctr> <int> #> 1 Other 1959 #> 2 Black 3129 #> 3 White 16395
或者使用条形图：
ggplot(gss_cat, aes(race)) + geom_bar()
![]@4UZ`G212H04HJHNP7@CC4.png](https://ucc.alicdn.com/pic/developer-ecology/2894cc0e728b4e2793090c87b3c87ed6.png?x-oss-process=image/resize,w_1400/format,webp "]@4UZ`G212H04HJHNP7@CC4.png")
默认情况下，ggplot2 会丢弃没有任何数据的那些水平，你可以使用以下代码来强制显示这些水平：
ggplot(gss_cat, aes(race)) + geom_bar() + scale_x_discrete(drop = FALSE)
修改因子水平
可以使用fct_recode()函数，它可以对每个水平进行修改或重新编码。该函数会让没有明确提及的水平保持原样，如果不小心修改了一个不存在的水平，那么它也会给出警告。以gss_cat$partyid为例：
gss_cat %>% count(partyid) #> # A tibble: 10 × 2 #> partyid n #> <fctr> <int> #> 1 No answer 154 #> 2 Don't know 1 #> 3 Other party 393 #> 4 Strong republican 2314 #> 5 Not str republican 3032 #> 6 Ind,near rep 1791 #> # ... with 4 more rows
对水平的描述太过简单，而且不一致。我们将其修改为较为详细的排比结构：
gss_cat %>% mutate(partyid = fct_recode(partyid, "Republican, strong" = "Strong republican", "Republican, weak" = "Not str republican", "Independent, near rep" = "Ind,near rep", "Independent, near dem" = "Ind,near dem", "Democrat, weak" = "Not str democrat", "Democrat, strong" = "Strong democrat" )) %>% count(partyid) #> # A tibble: 10 × 2 #> partyid n #> <fctr> <int> #> 1 No answer 154 #> 2 Don't know 1 #> 3 Other party 393 #> 4 Republican, strong 2314 #> 5 Republican, weak 3032 #> 6 Independent, near rep 1791 #> # ... with 4 more rows
如果想要合并多个水平，那么可以使用fct_collapse()函数。对于每 个新水平，你都可以提供一个包含原水平的向量：
gss_cat %>% mutate(partyid = fct_collapse(partyid, other = c("No answer", "Don't know", "Other party"), rep = c("Strong republican", "Not str republican"), ind = c("Ind,near rep", "Independent", "Ind,near dem"), dem = c("Not str democrat", "Strong democrat") )) %>% count(partyid) #> # A tibble: 4 × 2 #> partyid n #> <fctr> <int> #> 1 other 548 #> 2 rep 5346 #> 3 ind 8409 #> 4 dem 7180
