因子列上的sum（。）返回不正确的结果 [英] sum(.) on a factor column returns incorrect result

问题描述

我在这里有一个奇怪的修复。我使用 data.table 作为一个非常常规的任务，但有一些我不能解释。我已经找出了解决这个问题的方法，但我认为仍然重要的是，我明白这里发生了什么。

这段代码将数据带入工作区

 库（XML）
库（data.table）
 theurl < -  //goo.gl/hOKW3a
 tables<  -  readHTMLTable（theurl）
 new.Res<  -  data.table（tables [[2]] [4：5] [ - 2），]）
 suppressWarnings（names（new.Res）<  -  c（Party，Cases））
  

这里有两个列， Party 和 Cases 。两者都具有默认类 factor 。虽然 Cases 应该是 numeric 。最后，我只需要 Cases 的总和 Party 。所以这样的东西应该工作：

  new.Res [，sum（Cases），by = Party] 
  

但这没有给出正确的答案。我认为如果我将 Cases 的类从因子更改为数字。所以我试了下面的：

  new.Res [，Cases：= as.numeric（Cases）] 
 new .Res [，sum（Cases），by = Party] 
  

但我得到了同样的错误答案。我意识到问题发生在将 Cases 的类从因子更改为 numeric 。所以我尝试了一种不同的方法，它的工作原理：

Step1：重新初始化数据：

< theurl < - http://goo.gl/hOKW3a
tables< - readHTMLTable（theurl）
new.Res< - data.table（tables [ 2]] [4：5] [ - （1：2），]）
suppressWarnings（names（new.Res）< - c（Party，Cases））

步骤2：使用不同的方法将类从 factor 更改为 numeric ：

  new.Res [，Cases：= strtoi ] 
 new.Res [，sum（Cases），by = Party] 
  

精细！但是，我不知道前两种方法有什么问题。 c

到数字或整数是通过字符。这是因为在内部，一个因素是一个整数索引（指的是 levels 向量）。当你告诉R将它转换为 numeric 时，它将简单地转换相关的索引，而不是尝试转换级别标签。

简短的答案：do Cases：= as.numeric（as.character（Cases））。

修改：？factor 帮助页面建议 as.numeric（levels（Cases））[Cases] 更高效。 h / t @见注释。

I am in a strange fix here. I am using data.table for a very routine task, but there is something that I am not able to explain. I have figured out a way around the problem, but I think it is still important for me to understand what is going wrong here.

This code will bring the data into workspace:

library(XML)
library(data.table)
theurl <- "http://goo.gl/hOKW3a"
tables <- readHTMLTable(theurl)
new.Res <- data.table(tables[[2]][4:5][-(1:2),])
suppressWarnings(names(new.Res) <- c("Party","Cases"))

There are two columns here, Party and Cases. Both of which have the default class of factor. Although, Cases should be numeric. Ultimately, I just want the sum of Cases for each Party. So something like this should work:

new.Res[,sum(Cases), by=Party]

But this doesn't give the right answer. I thought that it'll work if I change the class of Cases from factor to numeric. So I tried the following:

new.Res[,Cases := as.numeric(Cases)]
new.Res[,sum(Cases), by=Party]

But I got the same incorrect answer. I realized that the problem is happening in changing the class of Cases from factor to numeric. So I tried a different method, and it worked:

Step1: Reinitialize the data:

theurl <- "http://goo.gl/hOKW3a"
tables <- readHTMLTable(theurl)
new.Res <- data.table(tables[[2]][4:5][-(1:2),])
suppressWarnings(names(new.Res) <- c("Party","Cases"))

Step2: Use a different method to change the class from factor to numeric:

new.Res[,Cases := strtoi(Cases)]
new.Res[,sum(Cases), by=Party]

This works fine! However, I am not sure what's wrong with the first two methods. What am I missing?

解决方案

The correct way to convert from factor to numeric or integer is to go through character. This is because internally, a factor is an integer index (that refers to a levels vector). When you tell R to convert it to numeric it will simply convert the underlying index, not try to convert the level label.

Short answer: do Cases:=as.numeric(as.character(Cases)).

Edit: Alternatively the ?factor help page suggests as.numeric(levels(Cases))[Cases] as more efficient. h/t @Gsee in the comments.

这篇关于因子列上的sum（。）返回不正确的结果的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！