R中因子的折叠级别问题

我有一个混乱的因子变量，它的级别比它应该的级别多。这些案例来自一项公开调查，许多参与者都写了错字，或者只是以不同的方式回答了类似的问题

这是代表我的问题的示例df：

df <- data.frame(ID=seq(1:10),
                 Nationality=c("espanol", "spaniol", "ESPANOL",
                               "spanish", "colombia", "Colombian",
                               "British", "brit", "ESPanol", "UK")
                               )

这就是我试图做的，以减少这10个人为水平的因素只有3（西班牙语，哥伦比亚语，英国），因为它应该是：

library(forcats) 
                              
levels(df$Nationality) <- fct_collapse(df$Nationality, Spanish = c("espanol", "spaniol", "ESPANOL",
                                                                  "spanish", "ESPanol"),
                                                       Colombian = c("colombia", "Colombian"),
                                                       British = c("British", "brit", "UK")
                                        )

在我使用的更大的数据集中，它也不起作用，但输出更糟糕，因为所有案例都变成了“西班牙语”，我没有任何线索说明为什么会发生这种情况

提前感谢您的帮助！ 最好的

---

卢卡斯

你试过先把国籍作为一个因素吗

df <- data.frame(ID=seq(1:10),
                 Nationality=c("espanol", "spaniol", "ESPANOL",
                               "spanish", "colombia", "Colombian",
                               "British", "brit", "ESPanol", "UK")
)
library(forcats) 


df2 <- df %>% 
  mutate(Nationality = factor(Nationality)) %>% 
 mutate(Nationality = fct_collapse(Nationality, Spanish = c("espanol", "spaniol", "ESPANOL", "spanish", "ESPanol"),
                                       Colombian = c("colombia", "Colombian"),
                                       British = c("British", "brit", "UK")))



#more concise

mutate(across(Nationality, ~ fct_collapse(factor(.), 
Spanish = c("espanol", "spaniol", "ESPANOL", "spanish", "ESPanol"), 
Colombian = c("colombia", "Colombian"), 
British = c("British", "brit", "UK")
))) 

df%
突变（国籍=fct_崩溃（国籍，西班牙语=c（“espanol”，“spaniol”，“espanol”，“spaniol”，“espanol”，“Spanish”，“espanol”）），
哥伦比亚=哥伦比亚（“哥伦比亚”、“哥伦比亚”），
英国人=英国人（“英国人”、“英国人”、“英国人”））
#更简洁
突变（跨国籍，~fct_崩溃（因子（.），
西班牙语=c（“西班牙语”、“西班牙语”、“西班牙语”、“西班牙语”），
哥伦比亚=哥伦比亚（“哥伦比亚”、“哥伦比亚”），
不列颠=c（“不列颠”、“不列颠”、“英国”）
))) 

您是否尝试过先将国籍作为一个因素

df <- data.frame(ID=seq(1:10),
                 Nationality=c("espanol", "spaniol", "ESPANOL",
                               "spanish", "colombia", "Colombian",
                               "British", "brit", "ESPanol", "UK")
)
library(forcats) 


df2 <- df %>% 
  mutate(Nationality = factor(Nationality)) %>% 
 mutate(Nationality = fct_collapse(Nationality, Spanish = c("espanol", "spaniol", "ESPANOL", "spanish", "ESPanol"),
                                       Colombian = c("colombia", "Colombian"),
                                       British = c("British", "brit", "UK")))



#more concise

mutate(across(Nationality, ~ fct_collapse(factor(.), 
Spanish = c("espanol", "spaniol", "ESPANOL", "spanish", "ESPanol"), 
Colombian = c("colombia", "Colombian"), 
British = c("British", "brit", "UK")
))) 

df%
突变（国籍=fct_崩溃（国籍，西班牙语=c（“espanol”，“spaniol”，“espanol”，“spaniol”，“espanol”，“Spanish”，“espanol”）），
哥伦比亚=哥伦比亚（“哥伦比亚”、“哥伦比亚”），
英国人=英国人（“英国人”、“英国人”、“英国人”））
#更简洁
突变（跨国籍，~fct_崩溃（因子（.），
西班牙语=c（“西班牙语”、“西班牙语”、“西班牙语”、“西班牙语”），
哥伦比亚=哥伦比亚（“哥伦比亚”、“哥伦比亚”），
不列颠=c（“不列颠”、“不列颠”、“英国”）
))) 

以下是一些使用内置函数的解决方案：

解决方案1 此解决方案假定列

国籍

是一个字符变量

cases <- c(espanol = "Spanish", spaniol = "Spanish", ESPANOL = "Spanish", spanish = "Spanish", 
           British = "British", brit = "British", ESPanol = "Spanish", UK = "British",
           colombia = "Colombian", Colombian = "Colombian")

df$Nationality <- factor(cases[df$Nationality])

---

以下是一些使用内置函数的解决方案：

解决方案1 此解决方案假定列

国籍

是一个字符变量

cases <- c(espanol = "Spanish", spaniol = "Spanish", ESPANOL = "Spanish", spanish = "Spanish", 
           British = "British", brit = "British", ESPanol = "Spanish", UK = "British",
           colombia = "Colombian", Colombian = "Colombian")

df$Nationality <- factor(cases[df$Nationality])

---

或者

mutate\u-over（国籍，~fct\u-collapse（factor（.），西班牙语=…）

mutate\u*现在不推荐使用。变异（跨越（国籍，~fct_崩溃（因子（.），西班牙语=c（“espanol”，“spaniol”，“espanol”，“spaniol”，“espanol”，“Spanish”，“espanol”），哥伦比亚人=c（“哥伦比亚”，“哥伦比亚人”），英国人=c（“英国人”，“英国人”，“英国人”））对不起，这是一个拼写错误。（我确实知道

mutate.*

被弃用：

mutate.\u cross（）

曾经存在过吗？）谢谢，这非常有效。然而，我很困惑。。。我从未明确地将变量声明为一个因子，但唯一的原因是，当使用

str（df$national）

时，输出告诉我这已经是一个因子了。这怎么可能？正如我在另一个答案中提到的，您的代码解决了这个问题。然而，问题从来不是它以前不是一个因子，较旧版本的R将其视为一个因子，并且使用相同的代码将其更改为因子之前不会给出预期的输出。我很好奇为什么我的代码不能正常工作，所以我从错误中吸取教训。谢谢或者

mutate\u-over（国籍，~fct\u-collapse（factor（.），西班牙语=…）

mutate\u*现在不推荐使用。变异（跨越（国籍，~fct_崩溃（因子（.），西班牙语=c（“espanol”，“spaniol”，“espanol”，“spaniol”，“espanol”，“Spanish”，“espanol”），哥伦比亚人=c（“哥伦比亚”，“哥伦比亚人”），英国人=c（“英国人”，“英国人”，“英国人”））对不起，这是一个拼写错误。（我确实知道

mutate.*

被弃用：

mutate.\u cross（）

曾经存在过吗？）谢谢，这非常有效。然而，我很困惑。。。我从未明确地将变量声明为一个因子，但唯一的原因是，当使用

str（df$national）

时，输出告诉我这已经是一个因子了。这怎么可能？正如我在另一个答案中提到的，您的代码解决了这个问题。然而，问题从来不是它以前不是一个因子，较旧版本的R将其视为一个因子，并且使用相同的代码将其更改为因子之前不会给出预期的输出。我很好奇为什么我的代码不能正常工作，所以我从错误中吸取教训。谢谢谢谢，这也行。然而，问题似乎与我没有将

df$national

转换为factor相同。我不明白，因为正如

str（df$national）

函数所显示的那样，它应该已经是一个因素了。在描述它时，您谈到了因子变量，但在可再现的示例中，您提供了变量

国籍

作为字符。最好将其作为一个因素提供。如果你的变量已经是一个因子，那么你只需要解决方案2的第二部分。这是因为我不是很精通R，因为我很久以前还没有开始。我知道，除非另有规定，否则字符串在R中被视为字符，但我不明白为什么会发生这种情况：

str（df$national）

系数w/10级别“brit”，“British”，“British”，“5 8 7 9 3 4 2 1 6 10

这很可能是因为您使用的R版本早于4.0.0。。从R4.0.0开始，

data.frame

参数

stringsAsFactors

的默认值从

TRUE

更改为

FALSE

。运行

R.version.string

检查您正在使用的版本。如果它早于4.0.0（即，它以小于4的数字开头），则需要在创建数据时向

data.frame

函数添加一个附加参数

stringsAsFactors=FALSE

。设置为读取字符变量。。类似于` df continue:类似于

df$Nationality <- as.factor(df$Nationality)

levels(df$Nationality) <- list(Spanish = c("espanol", "spaniol", "ESPANOL", "spanish", "ESPanol"),
                               Colombian = c("colombia", "Colombian"),
                               British = c("British", "brit", "UK"))

#    ID Nationality
# 1   1     Spanish
# 2   2     Spanish
# 3   3     Spanish
# 4   4     Spanish
# 5   5   Colombian
# 6   6   Colombian
# 7   7     British
# 8   8     British
# 9   9     Spanish
# 10 10     British