R 删除子集合数据帧中未使用的因子级别

我有一个包含

因子的数据框。当我使用
subset
或其他索引函数创建此数据帧的子集时，将创建一个新的数据帧。但是，
因子
变量保留其所有原始级别，即使新数据帧中不存在这些级别

在进行分面打印或使用依赖于因子级别的函数时，这会导致问题

在新的数据帧中，从因子中删除级别的最简洁的方法是什么

下面是一个例子：

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"

df这是一个已知的问题，一个可能的补救方法是在示例所在的包中提供的
drop.levels（）

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

包中还有
dropUnusedLevels
功能。但是，它仅通过更改子集运算符
[
起作用，在这里不适用

作为推论，基于每列的直接方法是简单的
As.factor（As.character（data））
：

>级别（subdf$字母）
[1] “a”“b”“c”“d”“e”
>subdf$字母级别（subdf$字母）
[1] “a”“b”“c”
这很讨厌。我通常是这样做的，以避免加载其他软件包：

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

请注意，新级别将替换旧级别（subdf$字母）中索引中的任何内容，如下所示：

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

levels（subdf$letters）您只需在子集设置后将factor（）再次应用于变量：

> 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

要从数据帧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)

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

options(stringsAsFactors = FALSE)

缺点是只能按字母顺序排列。（重新排序是绘图的好方法）
这里有另一种方法，我认为这相当于
因子（…）
方法：

> 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"

>df subdf我编写了实用函数来实现这一点。现在我了解了gdata的drop.levels，它看起来非常相似。它们如下所示：

present\u levels自R版本2.12以来，有一个
droplevels（）
函数

levels(droplevels(subdf$letters))

这里有一种方法

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

varFactor非常有趣的线程，我特别喜欢再次将子选择因子化的想法。我以前也遇到过类似的问题，我只是转换为字符，然后再转换回因子

   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))

df使用
dplyr执行相同操作的另一种方法

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

库（dplyr）
subdf%过滤器（数量%droplevels（）
str（subdf）

编辑：

也有用！谢谢你

subdf%过滤器（数字%droplevels
级别（subdf$字母）
查看它包装到
factor
函数的
droplevels
方法。这意味着您基本上可以使用
factor
函数重新创建列。

下面的data.table是从所有因子列中删除级别的方法

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"


库（data.table）
dt=数据。表格（字母=系数（字母[1:5]），数字=序号（1:5））
级别（dt$字母）
#[1] “a”“b”“c”“d”“e”
subdt=dt[numbers为了完整起见，现在在
forcats
包中还有
fct_drop

它在处理
NA
的方式上与
droplevels
不同：

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

f不幸的是，当使用RevoScaleR的rxDataStep时，factor（）似乎不起作用。我分两步来做：
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最终的外部数据框中。这消除了任何未使用的因子级别，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)

我已经尝试了这里的大多数例子，如果不是所有的，但没有一个在我的情况下起作用。
经过一段时间的努力，我尝试在factor列上使用as.character（）将其更改为一个带有字符串的col，看起来效果不错

不确定是否存在性能问题。
真正的droplevels功能比
droplevels
快得多，并且不执行任何不必要的值匹配或制表，它是
collapse:：fdroplevels
。示例：

library(collapse)
library(microbenchmark)

# wlddev data supplied in collapse, iso3c is a factor
data <- fsubset(wlddev, iso3c %!in% "USA")

microbenchmark(fdroplevels(data), droplevels(data), unit = "relative")
## Unit: relative
##               expr  min       lq     mean   median       uq      max neval cld
##  fdroplevels(data)  1.0  1.00000  1.00000  1.00000  1.00000  1.00000   100  a 
##   droplevels(data) 30.2 29.15873 24.54175 24.86147 22.11553 14.23274   100   b

库（折叠）
图书馆（微基准）
#wlddev数据在崩溃中提供，iso3c是一个因素
对于一次性的数据来说这很好，但是在一个包含大量列的data.frame中，您可以在每一列上都这样做，这是一个因素…导致需要一个函数，比如gdata中的drop.levels（）。我明白了…但是从用户的角度来看，很快就可以编写类似subdf[]感谢Stephen&Dirk-我对这篇文章中的一个因子的caes表示赞许，但希望大家能够阅读这些评论，以了解您关于清理整个因子数据框的建议。作为一种副作用，函数会将数据框转换为列表，因此
mydf也：此方法确实保留了变量的顺序<代码>重新排序
drop.levels
函数的参数值得一提：如果必须保留因子的原始顺序，请将其与
FALSE
值一起使用。仅对drop.levels使用gdata会产生“启用gdata:read.xls对'xls'（Excel 97-2004）文件的支持”“gdata:无法加载read.xls（）所需的perl库”“gdata:支持'XLSX'（Excel 2007+）文件”“gdata:运行函数'installXLSXsupport（）'”“gdata:自动下载并安装perl”“。使用baseR（）中的droplevels”事情会随着时间的推移而发生。你正在评论我九年前写的一个答案。因此，让我们把这作为一个提示，让我们普遍倾向于基本R解决方案，因为这些解决方案使用的功能从现在起仍将是N年左右。与使用
factor（）相比，这种方法的优点是
是指无需修改原始数据帧或创建新的持久数据帧。我可以包装
subdf <- df %>% filter(numbers <= 3) %>% droplevels
levels(subdf$letters)

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"

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

# 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)

library(collapse)
library(microbenchmark)

# wlddev data supplied in collapse, iso3c is a factor
data <- fsubset(wlddev, iso3c %!in% "USA")

microbenchmark(fdroplevels(data), droplevels(data), unit = "relative")
## Unit: relative
##               expr  min       lq     mean   median       uq      max neval cld
##  fdroplevels(data)  1.0  1.00000  1.00000  1.00000  1.00000  1.00000   100  a 
##   droplevels(data) 30.2 29.15873 24.54175 24.86147 22.11553 14.23274   100   b