如何阅读因子'；在R中正确的级别？

我有一个很大的csv文件，有51993行和18列。以下是表格的一部分：

head(ddd)
country.of.birth age   sex X2000 X2001 X2002 X2003 X2004 X2005 X2006 X2007
Afghanistan       0    men     0     0     1     2     2     0     1     1
Afghanistan       0  women     1     1     0     0     1     0     0     0
Afghanistan       1    men     0     2     5     2     3     4     1     1
Afghanistan       1  women     4     1     4     2     3     2     3     2
Afghanistan       2    men     5     0     8     7     7     3     5     3
Afghanistan       2  women     4     8     3     9     4     4     4     3

在主csv文件中，列为：出生国、年龄、性别，然后是2000年至2014年的年份。我的问题是为什么R把X放在每年的数字之前

当我使用str（）函数时，我得到：

> str(ddd)
'data.frame':   15264 obs. of  18 variables:
$ country.of.birth: Factor w/ 261 levels "0","1","10","103",..: 51 51 51 51 51 51 51 51 51 51 ...
$ age             : Factor w/ 38 levels "","0 ","1 ","10 ",..: 2 2 3 3 14 14 17 17 20 20 ...
$ sex             : Factor w/ 39 levels "","0 ","1 ","10 ",..: 38 39 38 39 38 39 38 39 38 39 ...
$ X2000           : Factor w/ 786 levels "","0","1","10",..: 2 3 2 478 555 478 92 4 205 716 ...
$ X2001           : int  0 1 2 1 0 8 11 8 26 19 ...
$ X2002           : int  1 0 5 4 8 3 13 18 22 15 ...
$ X2003           : int  2 0 2 2 7 9 15 13 23 33 ...
$ X2004           : int  2 1 3 3 7 4 11 15 21 22 ...
$ X2005           : int  0 0 4 2 3 4 10 6 13 16 ...
$ X2006           : int  1 0 1 3 5 4 8 13 20 10 ...
$ X2007           : int  1 0 1 2 3 3 6 7 9 17 ...
$ X2008           : int  0 0 2 0 4 5 4 6 8 9 ...
$ X2009           : int  0 1 1 4 7 3 9 10 11 12 ...
$ X2010           : int  1 1 6 4 8 10 17 10 21 16 ...
$ X2011           : int  0 5 9 6 21 18 16 27 34 24 ...
$ X2012           : int  3 5 5 16 30 22 44 48 46 49 ...
$ X2013           : int  3 0 12 19 24 34 54 46 76 71 ...
$ X2014           : int  2 3 15 3 21 29 37 48 64 62 ...

正如你所注意到的，性是一个因素，但有39个层次，而它只有两个值（男性）和（女性）。此外，2000年（表中的X2000年）是一个786级的系数，应该被解读为“整数”。为什么R用这么多的水平来解读可观察的“性别”，为什么它把2000年作为一个因素来解读，而把其他的解读为int（事实就是这样）

编辑：

---

“年龄”列的值的形式为：20-24、25-30、。。。直到85-90岁。另一个类别90+

X放在列名前面，因为R不允许列名的第一个字符是数字（尝试

data.frame（a=1:10，“3”=runif（10））

年龄是一个因素，因为你有箱子，你观察到的是预期的行为。R不把间隔作为数字处理，而是作为因素处理

---

性别变量很奇怪，考虑到当前可用的数据，我想说该变量至少在数据集的一部分中代表了性别以外的东西。数据集是否缝合在一起？可能是复制/粘贴时出错。请参阅

级别（ddd$Sex）

将所有可能的级别分开。

读取.table及其相关函数的默认行为是使所有列名在语法上有效。这意味着它们可以在

$

运算符后使用，而无需引用。但是，可以使用

check.names=FALSE

参数更改此行为。这意味着您将以名为

2000

等的列结束。如果要将这些列与

$

一起使用，则需要对它们进行反向引用，例如

ddd$`2000`

如果您希望将这些列用于非标准评估，例如

ggplot(ddd, aes(x = sex, y = `2000`)) + geom_boxplot()

对于“性别”列，再往下一列中必须有数字输入的条目。请检查原件 数据

对于“年龄”，在“年龄”列中有尾随空格。请在R之外删除这些空格，或者执行以下操作：

ddd$age <- as.numeric(sub(" +$", "", as.character(ddd$age)))

---

这应该打印出列中任何非空和非数字的元素。这可能也是一个尾随空格问题。

显然，“sex”可以是空的（“”、0、1、10…），对于“X2000”，也可以是空的（“”），即一个字符与整数混合在一起。use

read.csv（…，stringsAsFactors=F）

如果需要的话，可以避免使用因子变量。另外，我认为在R中，不能有一个带有数字名称的列，所以R将X转换为character@AndriyTkachenko你可以。列可以被称为任何你喜欢的东西，甚至

2+2

。见下面我的答案。我用cat来“缝合”大文件是：

cat file2.csv>>file1.csv

，然后是

cat file3>>file1

，用于我所有的5个csv文件。我再次检查了该文件，发现我更正的性列中有一些错误。现在就这些，谢谢。它们在所有方面都完全相同吗，@FaizLotfy？@FaizLotfy请检查是否有错误在列中y移位，如果这对应于任何文件。我这样做了。除了内容外，它们是相同的。生成大文件后，我注意到以下内容：在年龄列中，单词“年”在列中的每个数字之后。这导致了失真。我再次生成了大文件，但这次我手动生成了，我复制了每个文件，并将其粘贴到在LibreOffice中打开的csv文件中的上一个文件的下方。在保存文件之前，我搜索“年”一词保存文件并再次打开后，我注意到失真消失了。@FaizLotfy告诉过你。：）我尝试了check.names=F，结果成功了。我将不得不使用反引号这一事实使我（目前）坚持使用X2000格式。我的其他问题是由原始数据文件中的一些错误引起的（如您所建议的）。谢谢

as.character(ddd$`2000`)[is.na(as.numeric(as.character(ddd$`2000`))) & ddd$`2000` != ""]