数值向量中的 R 因子从其级别中每 100.000 个元素下降

Question

考虑一个具有超过 100.000 个元素的

numeric

类型的向量。在下面的示例中，它只是范围 1:500001:

n <- 500001
arr <- as.numeric(1:n)

以下

factor

调用序列会导致奇怪的行为：

首先调用

factor

，并将

levels

参数指定为与定义

arr

完全相同的范围。可以预见的是，结果变量恰好具有

n

水平：

> tmp <- factor(arr, levels=1:n)
> length(levels(tmp))
[1] 500001

现在再次调用

factor

获取之前的结果。结果是新值

tmp2

缺少其级别中的一些值：

> tmp2 <- factor(tmp)
> length(levels(tmp2))
[1] 499996 

检查缺少哪些项目，我们发现它是每 100.000 个元素（在本例中，其值等于其索引）：

> which(!levels(tmp) %in% levels(tmp2))
[1] 100000 200000 300000 400000 500000 

减少

n

至 <=100.000 eliminates this unexpected behaviour. However, it occurs for any

n

> 100.000。

> n <- 99999
> arr <- as.integer(1:n)
> tmp <- factor(arr)
> tmp2 <- factor(tmp)
> print(length(levels(tmp2)))
[1] 99999
> which(!levels(tmp) %in% levels(tmp2))
integer(0)

当

arr

向量具有

numeric

以外的类型时，也不会发生这种情况：

> n <- 500001
> arr <- as.integer(1:n)
> tmp <- factor(arr, levels=1:n)
> tmp2 <- factor(tmp)
> print(length(levels(tmp2)))
[1] 500001

最后，当第一次调用

levels

时未指定

factor()

参数时，不会出现此问题。

什么可能导致这种行为？在 R 4.3.2 中测试。

Answer 1

我认为这与精度有关。如果指定

arr <- as.integer(1:n)

，则

tmp

和

tmp2

之间将具有相同的级别

> n <- 500001

> arr <- as.integer(1:n)

> tmp <- factor(arr, levels = 1:n)

> tmp2 <- factor(tmp)

> str(tmp)
 Factor w/ 500001 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 9 10 ...

> str(tmp2)
 Factor w/ 500001 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 9 10 ...