Unire in modo sicuro i frame di dati per colonne fattoriali

Question

I fattori possono aiutare a prevenire alcuni tipi di errori di programmazione in R: non è possibile eseguire controlli di uguaglianza per fattori che utilizzano livelli diversi e si viene avvisati quando si eseguono controlli superiori/inferiori rispetto a fattori non ordinati.

a <- factor(letters[1:3]) 
b <- factor(letters[1:3], levels=letters[4:1]) 
a == b 
## Error in Ops.factor(a, b) : level sets of factors are different 
a < a 
## [1] NA NA NA 
## Warning message: 
## In Ops.factor(a, a) : < not meaningful for factors 

Tuttavia, contrariamente alle mie aspettative, questo controllo non viene eseguito quando si unisce frame di dati:

ad <- data.frame(x=a, a=as.numeric(a)) 
bd <- data.frame(x=b, b=as.numeric(b)) 
merge(ad, bd) 
## x a b 
## 1 a 1 4 
## 2 b 2 3 
## 3 c 3 2 

Questi fattori sembrano semplicemente essere costretto a caratteri.

È disponibile una "unione sicura" da qualche parte per il controllo? Vedete ragioni specifiche per non fare questo controllo di default?

Esempio (caso di utilizzo della vita reale): Si supponga di due insiemi di dati spaziali con suddivisione molto simile ma non identica, ad esempio, nei comuni. I set di dati si riferiscono a punti leggermente diversi nel tempo e alcuni dei comuni si sono fusi in quel lasso di tempo. Ogni set di dati ha una colonna "ID comune", forse chiamata anche identicamente. Mentre la semantica di questa colonna è molto simile, non vorrei (accidentalmente) unire i set di dati su questa colonna di ID di comuni. Invece, costruisco una tabella di corrispondenza tra gli ID comuni "vecchi" e "nuovi". Se gli ID dei comuni sono codificati come fattori, una "unione sicura" darebbe un controllo di correttezza per l'operazione di unione senza costi aggiuntivi (di implementazione) e costi computazionali molto bassi.

Answer 1

Bene, con molto credito (e scuse a) MrFlick:

> attributes(ad$x) 
$levels 
[1] "a" "b" "c" 

$class 
[1] "factor" 


> attributes(ad$a) 
NULL 

> attributes(ad$b) 
NULL 

> adfoo<-merge(ad,bd) 

> attributes(adfoo$x) 
$levels 
[1] "a" "b" "c" 

$class 
[1] "factor" 

Quindi, in realtà la colonna fusione $x è un fattore, anche se solo i livelli comuni ad entrambi ad e bd vengono uniti. Le altre colonne sono state costruite da molto tempo fa.

Answer 2

La "guardia sicura" con merge è il parametro by=. Puoi impostare esattamente le colonne che ritieni debbano corrispondere. Se si abbinano colonne di due fattori, R utilizzerà le etichette di quei valori per abbinarle. Quindi "a" corrisponderà a "a" indipendentemente da come il funzionamento interno nascosto del fattore abbia codificato quei valori. Questo è ciò che vede un utente, quindi è così che verrà unito. È proprio come con i valori numerici, è possibile scegliere di unire colonne che hanno intervalli diversi completi (la prima colonna ha 1:10, la seconda ha 100: 1000). Quando è impostato il valore by, R farà ciò che viene richiesto. E se non si imposta esplicitamente il parametro by, allora R troverà tutti i nomi di colonna condivisa nei due data.frames e li userà.

E molte volte durante l'unione, non sempre si prevedono corrispondenze. A volte stai utilizzando all.x o all.y per ottenere in particolare record senza corrispondenza. In questo caso, a seconda di come sono stati creati i diversi data.frames, non è possibile conoscere i livelli che non ha. Quindi non è affatto irragionevole cercare di unirli.

Quindi in pratica R sta trattando fattori come i caratteri durante l'unione, perché suppone che tu sappia già che due colonne appartengono insieme.