数值向量中的因子从其级别中每 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)
> nlevels(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)
> nlevels(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)
> nlevels(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)
> nlevels(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

在第二次调用

factor

时，所有

NA

都不会记录为级别，例如

> factor(c(NA, 1))
[1] <NA> 1
Levels: 1

---

在您的情况下，您可以看到，级别在

NA

 中被识别为 

tmp

> tail(tmp)
[1] 499996 499997 499998 499999 <NA>   500001
500001 Levels: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 ... 500001

> setdiff(levels(tmp), levels(tmp2))
[1] "100000" "200000" "300000" "400000" "500000"

所以在

tmp2

中，

NA

中的5个

tmp

（对应于

100000, 200000, 300000, 400000, 500000

）不会添加到

tmp2

的级别中

---

如果你在生成

levels = 1:n

时没有指定

tmp

，你会看到

> tail(tmp)
[1] 499996 499997 499998 499999 5e+05  500001
500001 Levels: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 ... 500001

> tail(levels(tmp))
[1] "499996" "499997" "499998" "499999" "5e+05"  "500001"

如果

5e+05

中有

NA

而不是

tmp

，你自然就知道所有这些

NA

都是麻烦制造者。

Answer 2

基于 ThomasIsCoding 的答案，这是由于科学记数规则适用于实数，但不适用于整数......

例如，在控制台中...

options(scipen = 0) #uses scientific notation if fewer characters than normal

500000L
[1] 500000   #integer displayed in normal notation

500000
[1] 5e+05    #numeric displayed in shorter scientific notation

因此，这些名称会导致使用数值的 100000 的每个倍数的因子水平不匹配。

问题可以通过增加

scipen

来解决。

我认为

scipen

主要是为了控制显示值，所以它被用于因子水平很奇怪。

Answer 3

经过很好的解释，一个可能的解决方案是使用

gl

。

> n <- 500001
> tmp <- gl(n, 1)
> nlevels(tmp)
[1] 500001
> tmp2 <- factor(tmp)
> nlevels(tmp2)
[1] 500001