Факторы в R: категориальные данные, уровни и типичные ловушки

Что такое фактор на самом деле

Фактор — это ответ R на категориальные данные, значения из фиксированного меню возможностей: экспериментальные группы, ответы в опросе, размеры футболок. При печати он выглядит как символьный вектор, но им не является. Внутри фактор — это вектор целочисленных кодов плюс таблица меток, называемых уровнями:

sizes <- factor(c("small", "large", "small", "medium"))

print(sizes)
print(levels(sizes))
print(as.integer(sizes))
print(class(sizes))

Вывод показывает метки, а затем строку Levels: со списком меню. as.integer() обнажает механику: коды возвращаются как 3 1 3 2, потому что каждое значение на самом деле является индексом в таблице уровней, а уровни по умолчанию сортируются по алфавиту (large, medium, small), а не в порядке появления в данных. Так что small — код 3, а large — код 1, что не совпадает ни с чьей интуицией. Запомните этот алфавитный порядок по умолчанию; он лежит в основе двух ловушек ниже.

Зачем нужна эта двухслойная конструкция вместо обычных строк? Потому что она нужна статистике. Модель не может умножить «small» на коэффициент — зато может закодировать три известных уровня фиктивными переменными в столбцы из нулей и единиц. Функции вроде lm(), glm(), table() и механика, стоящая за дисперсионным анализом, опираются на факторы, чтобы понять, что переменная категориальная, каков полный набор категорий (включая отсутствующие в данных) и какая категория базовая. Обычные символьные векторы ничего этого не несут.

Создание факторов: levels, labels и table()

По умолчанию factor() берёт найденные различные значения и сортирует их по алфавиту в уровни. Вам часто захочется контролировать и набор, и порядок — передайте levels =:

sizes <- factor(c("small", "large", "small", "medium"),
                levels = c("small", "medium", "large"))

print(levels(sizes))
print(nlevels(sizes))
print(table(sizes))

Теперь уровни идут в естественном порядке размеров, и table() — однострочный подсчёт частот, которым вы будете постоянно пользоваться с факторами, — тоже сообщает количества в этом порядке. nlevels() считает категории.

Ещё две вещи, которые даёт levels =. Значения в данных, отсутствующие в вашем списке уровней, становятся NA (это хорошо: опечатки всплывают вместо того, чтобы стать отдельной категорией). А уровни с нулевым числом наблюдений всё равно существуют, поэтому сводка по ответам опроса покажет «категорически не согласен: 0», а не сделает вид, что такого варианта не было.

labels = переименовывает уровни в момент создания, что удобно, когда сырые данные используют коды:

raw <- c(1, 2, 2, 1, 1)
group <- factor(raw, levels = c(1, 2), labels = c("control", "treatment"))
print(group)
print(table(group))

А as.factor(x) — быстрый конвертер для существующего вектора, когда настройки по умолчанию устраивают.

Упорядоченные факторы для порядковых данных

Обычные факторы считают категории неупорядоченными: «red» не меньше «blue». Но у некоторых категориальных шкал есть настоящее ранжирование: низкий/средний/высокий, не согласен/нейтрально/согласен. Объявите это через ordered = TRUE:

ratings <- factor(c("low", "high", "medium", "low"),
                  levels = c("low", "medium", "high"),
                  ordered = TRUE)

print(ratings)
print(ratings[2] > ratings[1])
print(ratings[ratings >= "medium"])

Теперь вывод показывает Levels: low < medium < high, и операторы сравнения работают: можно спросить, превышает ли одна оценка другую, или отфильтровать всё на уровне «medium» и выше — на неупорядоченном факторе оба действия дали бы ошибки (точнее, предупреждения и NA). Упорядоченные факторы также меняют то, как модели кодируют переменную (полиномиальные контрасты вместо фиктивных переменных), — и обычно это как раз то, что нужно для порядковых предикторов.

Используйте ordered = TRUE только когда ранжирование реально. Кодирование обычных групп как упорядоченных меняет вывод модели так, что его легко неверно прочитать.

Базовый уровень и relevel()

Первый уровень фактора особенный: функции моделей считают его референсной категорией, базой, с которой сравнивается коэффициент каждого другого уровня. Поскольку порядок уровней по умолчанию алфавитный, вашу базу выбирает алфавит, если вы не вмешаетесь, — а проигрыш «control» слову «aspirin» по алфавиту не является научным решением.

relevel() продвигает уровень на первое место:

group <- factor(c("treatment", "control", "treatment", "control"))
print(levels(group))

group <- relevel(group, ref = "control")
print(levels(group))

До: control оказался первым лишь по алфавитной удаче. После relevel(..., ref = "control") он первый намеренно. В линейной регрессии с этим предиктором коэффициент treatment теперь отвечает на вопрос «чем treatment отличается от control?» — тот вопрос, который вы на самом деле задавали. Всякий раз, когда категориальные коэффициенты модели выглядят непонятно, сначала проверьте базовый уровень.

(Для полного переупорядочивания, а не только первой позиции, снова передайте factor() полный вектор levels =.)

Классическая ловушка: преобразование фактора в число

Иногда числа приходят факторами — обычно из-за столбца CSV, содержавшего затесавшееся нечисловое значение. Обратное преобразование выглядит очевидным и запоминающимся образом идёт не так:

f <- factor(c("20", "10", "30"))

print(as.numeric(f))
print(as.numeric(as.character(f)))

as.numeric(f) возвращает 2 1 3. Не 20, 10, 30 — коды уровней. Уровни сортируются по алфавиту в "10", "20", "30", поэтому "20" — это уровень 2 и преобразуется в... 2. Ни ошибки, ни предупреждения — просто правдоподобные маленькие целые числа тихо заменяют ваши данные. Из-за этого отзывали опубликованные исследования.

Правильный путь идёт через символьный тип: as.numeric(as.character(f)) сначала восстанавливает метки как текст, затем разбирает текст как числа — 20 10 30. Впечатайте эту идиому в память: фактор в число всегда через as.character().

droplevels() и история stringsAsFactors

При выборке подмножества фактор сохраняет полный набор уровней даже для категорий, которые больше не встречаются:

sizes <- factor(c("small", "large", "small", "medium"),
                levels = c("small", "medium", "large"))

no_large <- sizes[sizes != "large"]
print(table(no_large))

cleaned <- droplevels(no_large)
print(table(cleaned))

После отсеивания large table() всё равно его показывает — с нулём наблюдений. Иногда это ровно то, что нужно (вы хотите видеть пустую категорию). Когда нет — группы с нулём наблюдений загромождают графики и могут ломать стратифицированный анализ — droplevels() отбрасывает уровни без наблюдений.

Историческая заметка, которая понадобится при чтении старого кода или ответов на Stack Overflow: до R 4.0 (2020) data.frame() и read.csv() автоматически превращали каждый символьный столбец в фактор — stringsAsFactors = TRUE был вариантом по умолчанию. Десятилетие учебников усеяно обходными приёмами для факторов, которых никто не просил. Начиная с R 4.0 по умолчанию FALSE: строки остаются строками, а факторы вы создаёте намеренно там, где переменная в вашем датафрейме действительно категориальная. Это и есть правильная привычка — явные факторы, осознанно, с выбранными вами уровнями.

Что вы уносите с собой

• Фактор = целочисленные коды + метки уровней; именно он сообщает статистическим функциям, что переменная категориальная.
• Управляйте набором и порядком категорий через levels =, переименовывайте через labels =, считайте через table().
• ordered = TRUE включает сравнения для действительно порядковых шкал.
• Первый уровень — база модели; задавайте его намеренно через relevel(f, ref = ...).
• Никогда не делайте as.numeric(f) напрямую — всегда as.numeric(as.character(f)).
• droplevels() очищает неиспользуемые уровни после выборки; начиная с R 4.0 строки остаются строками, пока вы сами не создадите факторы.

Дальше: датафреймы — там, где факторы, числа и текст живут вместе как столбцы одной таблицы.