R 因子：分类数据、水平和常见陷阱

因子到底是什么

因子是 R 处理分类数据的方式，这类数据的取值来自一份固定的选项清单：实验分组、问卷答案、T 恤尺码。打印出来时它看起来像字符向量，但它并不是。在内部，因子是一个整数编码向量加上一张标签查找表，这些标签叫作水平（levels）：

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

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

打印结果先显示标签，再用一行 Levels: 列出选项清单。as.integer() 揭开了内部机制：编码是 3 1 3 2，因为每个值实际上都是水平表中的一个索引，而且水平默认按字母顺序排列（large、medium、small），而不是按数据出现的顺序。所以 small 的编码是 3，large 的编码是 1，这完全违反直觉。记住这个按字母排序的默认行为，下面有两个陷阱都源于它。

为什么要用这种两层设计，而不是直接用字符串？因为统计需要它。模型没法把 “small” 乘以一个系数，但可以把三个已知水平做哑变量编码，变成由 0 和 1 组成的列。lm()、glm()、table() 以及方差分析背后的机制，都靠因子来判断：这个变量是分类变量，完整的类别集合是什么（包括数据中没出现的类别），以及哪个类别是基线。普通的字符向量不带有这些信息。

创建因子：levels、labels 和 table()

默认情况下，factor() 会取它找到的不同值，按字母顺序排成水平。你常常需要同时控制水平的集合和顺序，这时就传入 levels =：

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

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

现在水平按尺码的自然顺序排列，table() 也按这个顺序报告计数。table() 是一行代码的频数统计，用因子时你会经常用到它。nlevels() 统计类别数。

levels = 还能带来两个好处。数据中不在水平列表里的值会变成 NA（这是好事：拼写错误会暴露出来，而不是自成一个类别）。而且出现次数为零的水平仍然存在，所以问卷结果的汇总会显示“非常不同意：0”，而不是假装这个选项从来不存在。

labels = 在创建时就给水平重新命名，原始数据用代码表示时很方便：

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

当默认设置就够用时，as.factor(x) 可以快速转换现有的向量。

用有序因子表示有序数据

普通因子把类别视为无序的：“red” 并不小于 “blue”。但有些分类尺度确实有排名：低/中/高，不同意/中立/同意。用 ordered = TRUE 声明这一点：

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"])

现在打印结果显示 Levels: low < medium < high，比较运算符也能用了：你可以问一个评级是否高于另一个，或者筛选出所有不低于 “medium” 的值。对无序因子做这两件事都会出问题（准确地说是警告和 NA）。有序因子还会改变模型对变量的编码方式（用多项式对比代替哑变量），对于有序预测变量，这通常正是你需要的。

只有当排名真实存在时才用 ordered = TRUE。把普通分组编码成有序因子，会以很容易被误读的方式改变模型输出。

参照水平和 relevel()

因子的第一个水平很特殊：模型函数把它当作参照类别，也就是基线，其他每个水平的系数都是相对它来衡量的。因为默认的水平顺序是按字母排的，所以除非你干预，否则基线是由字母表决定的，而 “control” 按字母排在 “aspirin” 后面，这可不是一个科学决定。

relevel() 把某个水平提到第一位：

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

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

之前，control 排在第一位只是因为字母顺序碰巧如此。经过 relevel(..., ref = "control") 之后，它是被有意放在第一位的。在用这个预测变量的线性回归中，treatment 的系数现在回答的是“treatment 和 control 有什么不同？”，这正是你真正想问的问题。每当模型中分类变量的系数看起来令人困惑时，先检查参照水平。

（如果要完整地重新排序，而不只是调整第一位，就再次把完整的 levels = 向量传给 factor()。）

经典陷阱：把因子转换成数值

有时数字会以因子的形式出现，通常是 CSV 中某一列混进了一个非数字的值。转换回来看似简单，结果却错得令人难忘：

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

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

as.numeric(f) 返回 2 1 3。不是 20、10、30，而是水平编码。水平按字母顺序排成 "10", "20", "30"，所以 "20" 是第 2 个水平，转换出来就是……2。没有错误，没有警告，一串看起来合理的小整数悄悄替换了你的数据。曾有论文因为这个问题被撤稿。

正确的做法是先转成字符：as.numeric(as.character(f)) 先把标签作为文本取回来，再把文本解析成数字：20 10 30。把这个写法刻在脑子里：因子转数值，一定要经过 as.character()。

droplevels() 和 stringsAsFactors 的故事

对因子取子集时，完整的水平集合会保留下来，即使某些类别已经不再出现：

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))

过滤掉 large 之后，table() 仍然会报告它，计数为 0。有时这正是你想要的（你希望空类别也能看到）。如果不想要，比如计数为零的组会让图表变得杂乱，还可能破坏分层分析，就用 droplevels() 丢弃没有观测值的水平。

阅读旧代码或 Stack Overflow 答案时，你需要了解一段历史：在 R 4.0（2020 年）之前，data.frame() 和 read.csv() 会自动把每个字符列转换成因子，因为 stringsAsFactors = TRUE 是默认值。十年间的教程里到处都是应付这些没人要的因子的变通办法。从 R 4.0 起，默认值变成了 FALSE：字符串保持为字符串，你只在数据框中某个变量确实是分类变量时，才有意地创建因子。这才是正确的习惯：显式地、有意地创建因子，水平由你自己选定。

要点总结

• 因子 = 整数编码 + 水平标签；正是它告诉统计函数一个变量是分类变量。
• 用 levels = 控制类别集合和顺序，用 labels = 重命名，用 table() 计数。
• ordered = TRUE 让真正有序的尺度可以进行比较。
• 第一个水平是模型的基线，用 relevel(f, ref = ...) 有意识地设置它。
• 永远不要直接 as.numeric(f)，一定要 as.numeric(as.character(f))。
• 取子集后用 droplevels() 清除未使用的水平；从 R 4.0 起，除非你自己创建因子，否则字符串保持为字符串。

下一篇：数据框，因子、数字和文本作为同一张表的列在这里共存。