子集数据帧中的丢包因子级别

我有一个包含的数据框factor。当我使用subset或其他索引功能创建此数据框的子集时，将创建一个新的数据框。但是，factor即使/如果新数据帧中不存在变量，该变量将保留其所有原始级别。

在进行刻面绘图或使用依赖于因子水平的函数时，这会引起问题。

从新数据框中的因素中删除级别的最简洁方法是什么？

这是一个例子：

df <- data.frame(letters=letters[1:5],
                    numbers=seq(1:5))

levels(df$letters)
## [1] "a" "b" "c" "d" "e"

subdf <- subset(df, numbers <= 3)
##   letters numbers
## 1       a       1
## 2       b       2
## 3       c       3    

# all levels are still there!
levels(subdf$letters)
## [1] "a" "b" "c" "d" "e"

您要做的就是在子集设置之后再次将factor（）应用于变量：

> subdf$letters
[1] a b c
Levels: a b c d e
subdf$letters <- factor(subdf$letters)
> subdf$letters
[1] a b c
Levels: a b c

编辑

从因子页面示例中：

factor(ff)      # drops the levels that do not occur

要从数据框中的所有因子列中删除级别，可以使用：

subdf <- subset(df, numbers <= 3)
subdf[] <- lapply(subdf, function(x) if(is.factor(x)) factor(x) else x)

从R版本2.12开始，提供了一个droplevels()功能。

levels(droplevels(subdf$letters))

如果您不希望这种行为，请不要使用因子，而应使用字符向量。我认为这比事后修补更有意义。在使用read.table或加载数据之前，请尝试以下操作read.csv：

options(stringsAsFactors = FALSE)

缺点是您只能按字母顺序排列。（重新排序是您的情节朋友）

这是一个已知问题，您的示例将drop.levels()在gdata包中提供一种可能的解决方法

> drop.levels(subdf)
  letters numbers
1       a       1
2       b       2
3       c       3
> levels(drop.levels(subdf)$letters)
[1] "a" "b" "c"

Hmisc软件包中还包含该dropUnusedLevels功能。但是，它只能通过更改子集运算符来工作，不适用于此处。[

作为必然结果，在每个列的基础上直接采取的方法很简单as.factor(as.character(data))：

> levels(subdf$letters)
[1] "a" "b" "c" "d" "e"
> subdf$letters <- as.factor(as.character(subdf$letters))
> levels(subdf$letters)
[1] "a" "b" "c"

这样做的另一种方法是 dplyr

library(dplyr)
subdf <- df %>% filter(numbers <= 3) %>% droplevels()
str(subdf)

编辑：

也可以！感谢agenis

subdf <- df %>% filter(numbers <= 3) %>% droplevels
levels(subdf$letters)

为了完整起见，现在fct_drop在forcats包中还包含http://forcats.tidyverse.org/reference/fct_drop.html。

它与droplevels处理方式不同NA：

f <- factor(c("a", "b", NA), exclude = NULL)

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

forcats::fct_drop(f)
# [1] a    b    <NA>
# Levels: a b

这是另一种方式，我认为等同于该factor(..)方式：

> df <- data.frame(let=letters[1:5], num=1:5)
> subdf <- df[df$num <= 3, ]

> subdf$let <- subdf$let[ , drop=TRUE]

> levels(subdf$let)
[1] "a" "b" "c"

这是令人讨厌的。这就是我通常这样做的方法，以避免加载其他软件包：

levels(subdf$letters)<-c("a","b","c",NA,NA)

这使您：

> subdf$letters
[1] a b c
Levels: a b c

请注意，新级别将替换旧级别中占用其索引的所有内容（subdf $ letters），因此类似：

levels(subdf$letters)<-c(NA,"a","c",NA,"b")

将无法正常工作。

当您有很多关卡时，这显然不是理想的选择，但是对于一些关卡来说，这是快速且容易的。

查看R源代码中的droplevels方法代码，您可以看到它可以包装factor功能。这意味着您基本上可以使用factor函数重新创建该列。
在data.table方法下方，从所有因子列中降低水平。

library(data.table)
dt = data.table(letters=factor(letters[1:5]), numbers=seq(1:5))
levels(dt$letters)
#[1] "a" "b" "c" "d" "e"
subdt = dt[numbers <= 3]
levels(subdt$letters)
#[1] "a" "b" "c" "d" "e"

upd.cols = sapply(subdt, is.factor)
subdt[, names(subdt)[upd.cols] := lapply(.SD, factor), .SDcols = upd.cols]
levels(subdt$letters)
#[1] "a" "b" "c"

这是一种方法

varFactor <- factor(letters[1:15])
varFactor <- varFactor[1:5]
varFactor <- varFactor[drop=T]

我写了实用程序函数来做到这一点。现在，我知道了gdata的drop.levels，它看起来非常相似。它们在这里（从此处开始）：

present_levels <- function(x) intersect(levels(x), x)

trim_levels <- function(...) UseMethod("trim_levels")

trim_levels.factor <- function(x)  factor(x, levels=present_levels(x))

trim_levels.data.frame <- function(x) {
  for (n in names(x))
    if (is.factor(x[,n]))
      x[,n] = trim_levels(x[,n])
  x
}

非常有趣的线程，我特别喜欢再次考虑子选择的想法。之前我也遇到过类似的问题，我只是转换为字符，然后再转换为因数。

   df <- data.frame(letters=letters[1:5],numbers=seq(1:5))
   levels(df$letters)
   ## [1] "a" "b" "c" "d" "e"
   subdf <- df[df$numbers <= 3]
   subdf$letters<-factor(as.character(subdf$letters))

不幸的是，当使用RevoScaleR的rxDataStep时，factor（）似乎不起作用。我分两个步骤进行操作：1）转换为字符并存储在临时外部数据帧（.xdf）中。2）转换回因子并存储在确定的外部数据框中。这消除了任何未使用的因子水平，而无需将所有数据加载到内存中。

# Step 1) Converts to character, in temporary xdf file:
rxDataStep(inData = "input.xdf", outFile = "temp.xdf", transforms = list(VAR_X = as.character(VAR_X)), overwrite = T)
# Step 2) Converts back to factor:
rxDataStep(inData = "temp.xdf", outFile = "output.xdf", transforms = list(VAR_X = as.factor(VAR_X)), overwrite = T)

如果不是全部，都尝试过这里的大多数示例，但在我看来，这些示例都不起作用。在奋斗了一段时间之后，我尝试在factor列上使用as.character（）将其更改为带有字符串的col，这似乎工作得很好。

不确定性能问题。