#使用forcats处理因子
#因子在 R 中用于处理分类变量。
#分类变量是在固定的已知集合中取值的变量。
#当想要以非字母表顺序显示字符向量时，也可以使用分类变量。
library(tidyverse)
library(forcats)
#创建因子
#假设我们想要创建一个记录月份的变量:
x1 <- c("Dec", "Apr", "Jan", "Mar")
#使用字符串来记录月份有两个问题。
#(1) 月份只有 12 个取值，如果输入错误，那么代码不会有任何反应。
x2 <- c("Dec", "Apr", "Jam", "Mar")
#(2) 其对月份的排序没有意义。
sort(x1)
#> [1] "Apr" "Dec" "Jan" "Mar"
#你可以通过使用因子来解决以上两个问题。
#要想创建一个因子，必须先创建有效水平的一个列表:
month_levels <- c(
"Jan", "Feb", "Mar", "Apr", "May", "Jun",
"Jul", "Aug", "Sep", "Oct", "Nov", "Dec"
)
#现在你可以创建因子了:
y1 <- factor(x1, levels = month_levels)
y1
sort(y1)
#不在有效水平集合内的所有值都会自动转换为 NA:
y2 <- factor(x2, levels = month_levels)
y2
#如果想要显示错误信息，那么你可以使用 readr::parse_factor() 函数:
y2 <- parse_factor(x2, levels = month_levels)
#如果省略了定义水平的这个步骤，那么会将按字母顺序排序的数据作为水平:
factor(x1)
#有时你会想让因子的顺序与初始数据的顺序保持一致。
#在创建因子时，将水平设置为 unique(x)，
#或者在创建因子后再对其使用 fct_inorder() 函数，就可以达到这个目的:
f1 <- factor(x1, levels = unique(x1))
f1
#> [1] Dec Apr Jan Mar
#> Levels: Dec Apr Jan Mar
f2 <- x1 %>% factor() %>% fct_inorder()
f2
#> [1] Dec Apr Jan Mar
#> Levels: Dec Apr Jan Mar
#如果想要直接访问因子的有效水平集合，那么可以使用 levels() 函数:
levels(f2)
#> [1] "Dec" "Apr" "Jan" "Mar"
#综合社会调查
# forcats::gss_cat 数据集，该数据集是综合社会调查数据的一 份抽样，
#综合社会调查是美国芝加哥大学的独立研究组织 NORC 进行的一项长期美国社会调查
gss_cat
#当因子保存在 tibble 中时，其水平不是很容易看到的。
#查看因子水平的一种方法是使用 count() 函数:
gss_cat %>%
count(race)
#或者使用条形图
ggplot(gss_cat, aes(race)) +
geom_bar()
#ggplot2 会丢弃没有任何数据的那些水平，你可以使用以下代码来强制显示这些水平:
ggplot(gss_cat, aes(race)) + geom_bar() + scale_x_discrete(drop = FALSE)
#这些水平表示的也是有效值，只是没有出现在这个数据集中。
#在使用因子时，最常用的两种操作是修改水平的顺序和水平的值。
#修改因子水平
#比修改因子水平顺序更强大的操作是修改水平的值。
#修改水平最常用、最强大的工具是 fct_recode() 函数，它可以对每个水平进行修改或重新编码。
#我们看一下 gss_cat$partyid:
gss_cat %>% count(partyid)
#对水平的描述太过简单，而且不一致。
#fct_recode() 会让没有明确提及的水平保持原样，
#如果不小心修改了一个不存在的水平， 那么它也会给出警告。
gss_cat %>% count(partyid)
#修改：新=旧，是按照赋值的思路
gss_cat %>%
mutate(partyid = fct_recode(partyid,
"Republican, strong" = "Strong republican",
"Republican, weak" = "Not str republican",
"Independent, near rep" = "Ind,near rep",
"Independent, near dem" = "Ind,near dem",
"Democrat, weak" = "Not str democrat",
"Democrat, strong" = "Strong democrat"
)) %>%
count(partyid)
#这里用mutate进行了覆盖
#你可以将多个原水平赋给同一个新水平，这样就可以合并原来的分类:
#查看数据框中某因子列的levels
#（看mutate最后三行）
gss_cat %>%
mutate(partyid = fct_recode(partyid,
"Republican, strong" = "Strong republican",
"Republican, weak" = "Not str republican",
"Independent, near rep" = "Ind,near rep",
"Independent, near dem" = "Ind,near dem",
"Democrat, weak" = "Not str democrat",
"Democrat, strong" = "Strong democrat",
"Other" = "No answer",
"Other" = "Don't know",
"Other" = "Other party"
)) %>%
count(partyid)
#使用这种操作时一定要小心:如果合并了原本不同的分类，那么就会产生误导性的结果。
#如果想要合并多个水平，那么可以使用 fct_recode() 函数的变体 fct_collapse() 函数。
#对于每 个新水平，你都可以提供一个包含原水平的向量:
gss_cat %>%
mutate(partyid = fct_collapse(partyid,
other = c("No answer", "Don't know", "Other party"),
rep = c("Strong republican", "Not str republican"),
ind = c("Ind,near rep", "Independent", "Ind,near dem"),
dem = c("Not str democrat", "Strong democrat")
)) %>%
count(partyid)
