web-dev-qa-db-ja.com

factor（）だけでなくas.factor（）を使用する理由

最近、Matt Dowleがas.factor()でコードを書くのを見ました。具体的には

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

in この回答へのコメント 。

このスニペットを使用しましたが、因子レベルを明示的に設定して、レベルが希望の順序で表示されるようにする必要があったため、変更する必要がありました

as.factor(dt[[col]])

に

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

これは私に考えさせられました：as.factor()対factor()を使用する利点は（もしあれば）何ですか？

rr-factor
44
Ben

as.factorはfactorのラッパーですが、入力ベクトルが既にファクターである場合、すばやく戻ることができます。

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)
}

Frank からのコメント：これは単なるラッパーではありません。これは、この「クイックリターン」が因子レベルをそのままにして、factor()が以下を行わないためです。

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

2年後、次のような回答を拡大しました。

  • マニュアルには何と書かれていますか？
  • パフォーマンス：as.factor> factor入力が要因の場合
  • パフォーマンス：as.factor> factor入力が整数の場合
  • 未使用レベルまたはNAレベル
  • Rのグループ化機能を使用する場合の注意：未使用またはNAレベルに注意してください

マニュアルには何と書かれていますか？

?factorのドキュメントには、次のことが記載されています。

‘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’.

パフォーマンス：as.factor> factor入力が要因の場合

「無操作」という言葉は少し曖昧です。 「何もしない」と考えないでください。実際には、「多くのことを行うが、本質的には何も変更しない」ことを意味します。以下に例を示します。

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はすぐに戻りますが、factorは実際の "no-op"ではありません。 factorをプロファイルして、それが何をしたかを見てみましょう。

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

最初にsort入力ベクトルのunique値をf変換し、次にfを文字ベクトルに変換し、最後にfactorを使用して文字ベクトルを強制的に戻します要因。確認のためのfactorのソースコードを次に示します。

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
}

したがって、関数factorは実際に文字ベクトルで動作するように設計されており、as.characterを入力に適用してそれを保証します。上記から少なくとも2つのパフォーマンス関連の問題を学ぶことができます。

  1. データフレームの場合、DF、lapply(DF, as.factor)は、多くの列がすぐに要因となる場合、型変換のlapply(DF, factor)よりもはるかに高速です。
  2. その関数factorは遅いので、いくつかの重要なR関数が遅い理由を説明できます。たとえばtable： R：驚くほど遅い

パフォーマンス：as.factor> factor入力が整数の場合

因子変数は、整数変数の近縁です。

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"

これは、数値/文字を係数に変換するよりも、整数を係数に変換する方が簡単であることを意味します。 as.factorがこれを処理します。

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

未使用レベルまたはNAレベル

factorとas.factorが因子レベルに及ぼす影響のいくつかの例を見てみましょう（入力が既に因子である場合）。 Frank は、未使用の因子レベルを持つものを与えました。NAレベルを持つものを提供します。

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

因子の未使用レベルを削除するために使用できる（汎用）関数droplevelsがあります。ただし、NAレベルはデフォルトでは削除できません。

## "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

Rのグループ化機能を使用する場合の注意：未使用またはNAレベルに注意してください

split、tapplyなどのグループ化操作を行うR関数は、因子変数を「by」変数として提供することを期待しています。しかし、多くの場合、文字変数または数値変数を提供するだけです。内部的には、これらの関数はそれらをファクターに変換する必要があり、おそらくほとんどの場合、最初はas.factorを使用します（少なくともsplit.defaultおよびtapplyはそうです）。 table関数は例外のように見え、as.factorの代わりにfactorを見つけます。ソースコードを調べると、残念ながら私には明らかではない特別な考慮事項があります。

ほとんどのgroup-by R関数はas.factorを使用するため、未使用またはNAレベルの係数が与えられると、そのようなグループが結果に表示されます。

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

興味深いことに、tableはas.factorに依存していませんが、これらの未使用レベルも保持します。

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

この種の動作は望ましくない場合があります。古典的な例はbarplot(table(f))です：

enter image description here

これが本当に望ましくない場合は、NAまたはdroplevelsを使用して、因子変数から未使用またはfactorレベルを手動で削除する必要があります。

ヒント：

  1. splitには引数dropがあり、デフォルトではFALSEに設定されているため、as.factorが使用されます。 by drop = TRUE function factorが代わりに使用されます。
  2. aggregateはsplitに依存しているため、drop引数もあり、デフォルトはTRUEです。
  3. tapplyにはdropもありませんが、splitはありません。特に、ドキュメント?tapplyは、as.factorが（常に）使用されていると述べています。
60
李哲源