r语言 - 并非全部包含相同级别的列上的整数因子

Question

我有150k列的1.05亿个条目，它们要么是"none", "01", "12", "2+"。遗憾的是，并非所有列都包含所有因素。

。

df <- data.frame(x1 = rep(c("none", "12", "2+"), each = 5),
x2 = rep(c("none", "01", "12"), each = 5)) %>% 
data.table::as.data.table()

所以如果我输入

df$x1<-as.integer(as.factor(df$x1))

我得到了和 相同的结果

df$x2<-as.integer(as.factor(df$x2))

这不是我想要的。

我可以这样写:

require(magrittr)
df$x1<-factor(df$x1,levels = c("none","01","12","2+")) %>% as.integer()
df$x2<-factor(df$x2,levels = c("none","01","12","2+")) %>% as.integer()

这做的工作，但我有150K列。如果我不能一个一个地处理这些问题，最好的办法是什么?

Answer 1

如果我们想在多个列上应用，使用across

library(dplyr)
df1 <- df %>%
mutate(across(everything(), ~
as.integer(factor(., levels = c("none","01","12","2+"))))

---

如果我们想忽略第一个，用-

指定索引

df1 <- df %>%
mutate(across(-1, ~
as.integer(factor(., levels = c("none","01","12","2+"))))

---

或者使用base R

df[] <-  lapply(df, function(x) as.integer(factor(x, levels = c("none","01","12","2+"))))

Answer 2

以下是data.table解决方案。
对于一个大的数据集，与其调用names(df)两次，不如只调用一次，在转换df的列之前赋值，然后使用150K个名称的向量。

library(data.table)
levs <- c("none","01","12","2+")
df[, (names(df)) := lapply(.SD, factor, levels = levs), .SDcols = names(df)]
identical(levels(df$x1), levels(df$x2))
#[1] TRUE

那么现在使用上面的代码将级别强制为整数。

df[, (names(df)) := lapply(.SD, function(x){
as.integer(factor(x, levels = levs))
}), .SDcols = names(df)]