为什么使用as.factor（）而不仅仅是因子（）

Question

我最近看到Matt Dowle用as.factor()写了一些代码，具体来说

for (col in names_factors) set(dt, j=col, value=as.factor(dt[[col]]))

在a comment to this answer。

我使用了这个片段，但是我需要明确设置因子级别以确保级别以我想要的顺序出现，所以我不得不改变

as.factor(dt[[col]])

至

factor(dt[[col]], levels = my_levels)

这让我想到：使用as.factor()而不仅仅是factor()有什么好处（如果有的话）？

Answer 1

as.factor是factor的包装器，但如果输入向量已经是一个因素，它允许快速返回：

function (x) 
{
    if (is.factor(x)) 
        x
    else if (!is.object(x) && is.integer(x)) {
        levels <- sort(unique.default(x))
        f <- match(x, levels)
        levels(f) <- as.character(levels)
        if (!is.null(nx <- names(x))) 
        names(f) <- nx
        class(f) <- "factor"
        f
    }
else factor(x)
}

---

来自Frank的评论：它不仅仅是一个包装器，因为这个“快速返回”将保留因子水平，而factor()不会：

f = factor("a", levels = c("a", "b"))
#[1] a
#Levels: a b

factor(f)
#[1] a
#Levels: a

as.factor(f)
#[1] a
#Levels: a b

---

两年后扩大答案，包括以下内容：

• 手册说什么？
• 表现：当输入是一个因素时，as.factor> factor
• 性能：当输入为整数时，as.factor> factor
• 未使用的水平或NA水平
• 使用R的分组功能时的注意事项：注意未使用或NA级别

---

What does the manual say?

?factor的文档提到了以下内容：

‘factor(x, exclude = NULL)’ applied to a factor without ‘NA’s is a
 no-operation unless there are unused levels: in that case, a
 factor with the reduced level set is returned.

 ‘as.factor’ coerces its argument to a factor.  It is an
 abbreviated (sometimes faster) form of ‘factor’.

Performance: as.factor > factor when input is a factor

“无操作”这个词有点含糊不清。不要把它当作“无所事事”;事实上，它意味着“做很多事情，但基本上没有改变任何事情”。这是一个例子：

set.seed(0)
## a randomized long factor with 1e+6 levels, each repeated 10 times
f <- sample(gl(1e+6, 10))

system.time(f1 <- factor(f))  ## default: exclude = NA
#   user  system elapsed 
#  7.640   0.216   7.887 

system.time(f2 <- factor(f, exclude = NULL))
#   user  system elapsed 
#  7.764   0.028   7.791 

system.time(f3 <- as.factor(f))
#   user  system elapsed 
#      0       0       0 

identical(f, f1)
#[1] TRUE

identical(f, f2)
#[1] TRUE

identical(f, f3)
#[1] TRUE

as.factor确实快速回归，但factor不是一个真正的“无操作”。让我们来看看factor，看看它做了什么。

Rprof("factor.out")
f1 <- factor(f)
Rprof(NULL)
summaryRprof("factor.out")[c(1, 4)]
#$by.self
#                      self.time self.pct total.time total.pct
#"factor"                   4.70    58.90       7.98    100.00
#"unique.default"           1.30    16.29       4.42     55.39
#"as.character"             1.18    14.79       1.84     23.06
#"as.character.factor"      0.66     8.27       0.66      8.27
#"order"                    0.08     1.00       0.08      1.00
#"unique"                   0.06     0.75       4.54     56.89
#
#$sampling.time
#[1] 7.98

它首先sort输入矢量unique的f值，然后将f转换为字符向量，最后使用factor强制字符向量回到一个因子。以下是factor的源代码供确认。

function (x = character(), levels, labels = levels, exclude = NA, 
    ordered = is.ordered(x), nmax = NA) 
{
    if (is.null(x)) 
        x <- character()
    nx <- names(x)
    if (missing(levels)) {
        y <- unique(x, nmax = nmax)
        ind <- sort.list(y)
        levels <- unique(as.character(y)[ind])
    }
    force(ordered)
    if (!is.character(x)) 
        x <- as.character(x)
    levels <- levels[is.na(match(levels, exclude))]
    f <- match(x, levels)
    if (!is.null(nx)) 
        names(f) <- nx
    nl <- length(labels)
    nL <- length(levels)
    if (!any(nl == c(1L, nL))) 
        stop(gettextf("invalid 'labels'; length %d should be 1 or %d", 
            nl, nL), domain = NA)
    levels(f) <- if (nl == nL) 
        as.character(labels)
    else paste0(labels, seq_along(levels))
    class(f) <- c(if (ordered) "ordered", "factor")
    f
}

所以函数factor实际上是设计用于处理字符向量，它将as.character应用于其输入以确保。我们至少可以从上面学习两个与绩效相关的问题：

1. 对于数据框DF，lapply(DF, as.factor)比lapply(DF, factor)快得多，用于类型转换，如果许多列是容易因素。
2. 那个函数factor很慢可以解释为什么一些重要的R函数很慢，比如table：R: table function suprisingly slow

Performance: as.factor > factor when input is integer

因子变量是整数变量的近亲。

unclass(gl(2, 2, labels = letters[1:2]))
#[1] 1 1 2 2
#attr(,"levels")
#[1] "a" "b"

storage.mode(gl(2, 2, labels = letters[1:2]))
#[1] "integer"

这意味着将整数转换为因子比将数字/字符转换为因子更容易。 as.factor只是照顾这个。

x <- sample.int(1e+6, 1e+7, TRUE)

system.time(as.factor(x))
#   user  system elapsed 
#  4.592   0.252   4.845 

system.time(factor(x))
#   user  system elapsed 
# 22.236   0.264  22.659 

Unused levels or NA levels

现在让我们看一些关于factor和as.factor对因子水平影响的例子（如果输入已经是一个因素）。 Frank给了一个未使用的因子水平，我将提供一个NA水平。

f <- factor(c(1, NA), exclude = NULL)
#[1] 1    <NA>
#Levels: 1 <NA>

as.factor(f)
#[1] 1    <NA>
#Levels: 1 <NA>

factor(f, exclude = NULL)
#[1] 1    <NA>
#Levels: 1 <NA>

factor(f)
#[1] 1    <NA>
#Levels: 1

有一个（通用）函数droplevels可用于删除未使用的因子级别。但是默认情况下不能删除NA级别。

## "factor" method of `droplevels`
droplevels.factor
#function (x, exclude = if (anyNA(levels(x))) NULL else NA, ...) 
#factor(x, exclude = exclude)

droplevels(f)
#[1] 1    <NA>
#Levels: 1 <NA>

droplevels(f, exclude = NA)
#[1] 1    <NA>
#Levels: 1

Caution when using R's group-by functions: watch for unused or NA levels

R函数执行分组操作，如split，tapply期望我们将因子变量提供为“by”变量。但通常我们只提供字符或数字变量。所以在内部，这些函数需要将它们转换为因子，并且可能大部分函数首先使用as.factor（至少对于split.default和tapply来说是如此）。 table函数看起来像一个例外，我发现factor而不是内部的as.factor。遗憾的是，当我检查其源代码时，可能会有一些特殊的考虑因素对我来说并不明显。

由于大多数分组R函数使用as.factor，如果它们被赋予未使用或NA级别的因子，则此类组将出现在结果中。

x <- c(1, 2)
f <- factor(letters[1:2], levels = letters[1:3])

split(x, f)
#$a
#[1] 1
#
#$b
#[1] 2
#
#$c
#numeric(0)

tapply(x, f, FUN = mean)
# a  b  c 
# 1  2 NA 

有趣的是，虽然table不依赖于as.factor，但它也保留了那些未使用的级别：

table(f)
#a b c 
#1 1 0 

有时这种行为可能是不受欢迎的。一个典型的例子是barplot(table(f))：

如果这确实是不受欢迎的，我们需要使用NA或droplevels手动从我们的因子变量中删除未使用的或factor级别。

暗示：

1. split有一个参数drop，默认为FALSE因此使用as.factor;通过drop = TRUE函数使用factor代替。
2. aggregate依赖于split，所以它也有一个drop参数，默认为TRUE。
3. tapply没有drop，虽然它也依赖于split。特别是文件?tapply说as.factor（总是）使用。