16  Factores

16.1 Introducción

Los factores se utilizan para variables categóricas, variables que tienen un conjunto fijo y conocido de valores posibles. También son útiles cuando desea mostrar vectores de caracteres en un orden no alfabético.

Comenzaremos explicando por qué se necesitan factores para el análisis de datos1 y cómo puede crearlos con factor(). Luego le presentaremos el conjunto de datos gss_cat que contiene un montón de variables categóricas para experimentar. Luego usará ese conjunto de datos para practicar la modificación del orden y los valores de los factores, antes de que terminemos con una discusión sobre los factores ordenados.

16.1.1 Requisitos previos

Base R proporciona algunas herramientas básicas para crear y manipular factores. Los complementaremos con el paquete forcats, que es parte del tidyverse principal. Proporciona herramientas para tratar con variables categóricas (¡y es un anagrama de factores!) usando una amplia gama de ayudantes para trabajar con factores.

16.2 Fundamentos de los factores

Imagina que tienes una variable que registra el mes:

x1 <- c("Dic", "Abr", "Ene", "Mar")

Usar una cadena para registrar esta variable tiene dos problemas:

  1. Solo hay doce meses posibles, y no hay nada que lo salve de los errores tipográficos:

    x2 <- c("Dic", "Abr", "Eme", "Mar")

  2. No ordena de una manera útil:

    sort(x1)
#> [1] "Abr" "Dic" "Ene" "Mar"

Puede solucionar ambos problemas con un factor. Para crear un factor, debe comenzar creando una lista de los niveles (levels) válidos:

meses_levels <- c(
  "Ene", "Feb", "Mar", "Abr", "May", "Jun", 
  "Jul", "Ago", "Sep", "Oct", "Nov", "Dic"
)

Ahora puedes crear un factor:

y1 <- factor(x1, levels = meses_levels)
y1
#> [1] Dic Abr Ene Mar
#> Levels: Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

sort(y1)
#> [1] Ene Mar Abr Dic
#> Levels: Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Y cualquier valor que no esté en el nivel se convertirá silenciosamente a NA:

y2 <- factor(x2, levels = meses_levels)
y2
#> [1] Dic  Abr  <NA> Mar 
#> Levels: Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Esto parece arriesgado, por lo que es posible que desee utilizar forcats::fct() en su lugar:

y2 <- fct(x2, levels = meses_levels)
#> Error in `fct()`:
#> ! All values of `x` must appear in `levels` or `na`
#> ℹ Missing level: "Eme"

Si omite los niveles, se tomarán de los datos en orden alfabético:

factor(x1)
#> [1] Dic Abr Ene Mar
#> Levels: Abr Dic Ene Mar

Ordenar alfabéticamente es un poco arriesgado porque no todas las computadoras ordenarán las cadenas de la misma manera. Entonces forcats::fct() ordena por primera aparición:

fct(x1)
#> [1] Dic Abr Ene Mar
#> Levels: Dic Abr Ene Mar

Si alguna vez necesita acceder directamente al conjunto de niveles válidos, puede hacerlo con levels():

levels(y2)
#>  [1] "Ene" "Feb" "Mar" "Abr" "May" "Jun" "Jul" "Ago" "Sep" "Oct" "Nov" "Dic"

También puedes crear un factor al leer tus datos con readr con col_factor():

csv <- "
month,value
Jan,12
Feb,56
Mar,12"

df <- read_csv(csv, col_types = cols(month = col_factor(meses_levels)))
#> Warning: One or more parsing issues, call `problems()` on your data frame for
#> details, e.g.:
#>   dat <- vroom(...)
#>   problems(dat)
df$month
#> [1] <NA> Feb  Mar 
#> Levels: Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

16.3 Encuesta Social General

Para el resto de este capítulo, usaremos forcats::gss_cat. Es una muestra de datos de la Encuesta Social General, una encuesta estadounidense de larga duración realizada por la organización de investigación independiente NORC en la Universidad de Chicago. La encuesta tiene miles de preguntas, por lo que en gss_cat Hadley seleccionó algunas que ilustrarán algunos desafíos comunes que encontrará al trabajar con factores.

gss_cat
#> # A tibble: 21,483 × 9
#>    year marital         age race  rincome        partyid           
#>   <int> <fct>         <int> <fct> <fct>          <fct>             
#> 1  2000 Never married    26 White $8000 to 9999  Ind,near rep      
#> 2  2000 Divorced         48 White $8000 to 9999  Not str republican
#> 3  2000 Widowed          67 White Not applicable Independent       
#> 4  2000 Never married    39 White Not applicable Ind,near rep      
#> 5  2000 Divorced         25 White Not applicable Not str democrat  
#> 6  2000 Married          25 White $20000 - 24999 Strong democrat   
#> # ℹ 21,477 more rows
#> # ℹ 3 more variables: relig <fct>, denom <fct>, tvhours <int>

(Recuerde, dado que este conjunto de datos lo proporciona un paquete, puede obtener más información sobre las variables con ?gss_cat.)

Cuando los factores se almacenan en un tibble, no puede ver sus niveles tan fácilmente. Una forma de verlos es con count():

gss_cat |>
  count(race)
#> # A tibble: 3 × 2
#>   race      n
#>   <fct> <int>
#> 1 Other  1959
#> 2 Black  3129
#> 3 White 16395

Cuando se trabaja con factores, las dos operaciones más comunes son cambiar el orden de los niveles y cambiar los valores de los niveles. Esas operaciones se describen en las secciones siguientes.

16.3.1 Ejercicios

  1. Explore la distribución de rincome (ingresos declarados). ¿Qué hace que el gráfico de barras predeterminado sea difícil de entender? ¿Cómo podrías mejorar la gráfica?

  2. ¿Cuál es la relig más común en esta encuesta? ¿Cuál es el partyid más común?

  3. ¿A qué relig se aplica denom (denominación)? ¿Cómo puedes averiguarlo con una tabla? ¿Cómo puedes averiguarlo con una visualización?

16.4 Modificación del orden de los factores

Suele ser útil cambiar el orden de los niveles de los factores en una visualización. Por ejemplo, imagine que desea explorar la cantidad promedio de horas que pasan viendo televisión por día en todas las religiones:

relig_summary <- gss_cat |>
  group_by(relig) |>
  summarize(
    tvhours = mean(tvhours, na.rm = TRUE),
    n = n()
  )

ggplot(relig_summary, aes(x = tvhours, y = relig)) + 
  geom_point()

Un diagrama de dispersión con horas de televisión en el eje x y religión en el eje y. El eje y está ordenado de manera aparentemente arbitraria, lo que dificulta tener una idea del patrón general.

Es difícil leer esta trama porque no hay un patrón general. Podemos mejorarlo reordenando los niveles de relig usando fct_reorder(). fct_reorder() toma tres argumentos:

  • .f, el factor cuyos niveles desea modificar.
  • .x, un vector numérico que desea utilizar para reordenar los niveles.
  • Opcionalmente, .fun, una función que se usa si hay varios valores de .x para cada valor de .f. El valor predeterminado es median.
ggplot(relig_summary, aes(x = tvhours, y = fct_reorder(relig, tvhours))) +
  geom_point()

El mismo diagrama de dispersión que el anterior, pero ahora la religión se muestra en orden creciente de t horas. "Other eastern" tiene la menor cantidad de horas por debajo de 2 y "Don't know" tiene la mayor cantidad (más de 5).

Reordenar la religión hace que sea mucho más fácil ver que las personas en la categoría “No sé” ven mucha más televisión, y el hinduismo y otras religiones orientales ven mucho menos.

A medida que comience a realizar transformaciones más complicadas, le recomendamos que las saque de aes() y las lleve a un paso separado de mutate(). Por ejemplo, podría reescribir el gráfico anterior como:

relig_summary |>
  mutate(
    relig = fct_reorder(relig, tvhours)
  ) |>
  ggplot(aes(x = tvhours, y = relig)) +
  geom_point()

¿Qué sucede si creamos una gráfica similar que observa cómo varía la edad promedio según el nivel de ingresos informado?

rincome_summary <- gss_cat |>
  group_by(rincome) |>
  summarize(
    age = mean(age, na.rm = TRUE),
    n = n()
  )

ggplot(rincome_summary, aes(x = age, y = fct_reorder(rincome, age))) + 
  geom_point()

Un diagrama de dispersión con la edad en el eje x y los ingresos en el eje y. Los ingresos se han reordenado en función de la edad media, lo que no tiene mucho sentido. Una sección del eje y va desde $6000-6999, luego <$1000, luego $8000-9999.

¡Aquí, reordenar arbitrariamente los niveles no es una buena idea! Esto se debe a que rincome ya tiene un orden de principios con el que no debemos meternos. Reserve fct_reorder() para factores cuyos niveles estén ordenados arbitrariamente.

Sin embargo, tiene sentido poner “No aplicable” al frente con los otros niveles especiales. Puedes usar fct_relevel(). Se necesita un factor, .f, y luego cualquier cantidad de niveles que desee mover al frente de la fila.

ggplot(rincome_summary, aes(x = age, y = fct_relevel(rincome, "No aplicable"))) +
  geom_point()
#> Warning: 1 unknown level in `f`: No aplicable

El mismo diagrama de dispersión pero ahora "No aplicable" se muestra en la parte inferior del eje y. En general, existe una asociación positiva entre los ingresos y la edad, y la franja de ingresos con el promedio de edad más alto es "No aplicable".

¿Por qué cree que la edad promedio para “No aplicable” es tan alta?

Otro tipo de reordenación es útil cuando colorea las líneas de un gráfico. fct_reorder2(.f, .x, .y) reordena el factor .f por los valores .y asociados con los valores .x más grandes. Esto hace que el gráfico sea más fácil de leer porque los colores de la línea en el extremo derecho del gráfico se alinearán con la leyenda.

by_age <- gss_cat |>
  filter(!is.na(age)) |> 
  count(age, marital) |>
  group_by(age) |>
  mutate(
    prop = n / sum(n)
  )

ggplot(by_age, aes(x = age, y = prop, color = marital)) +
  geom_line(linewidth = 1) + 
  scale_color_brewer(palette = "Set1")

ggplot(by_age, aes(x = age, y = prop, color = fct_reorder2(marital, age, prop))) +
  geom_line(linewidth = 1) +
  scale_color_brewer(palette = "Set1") + 
  labs(color = "marital")

Un gráfico de líneas con la edad en el eje x y la proporción en el eje y. Hay una línea para cada categoría de estado civil: sin respuesta, nunca casado, separado, divorciado, viudo y casado. Es un poco difícil leer la gráfica porque el orden de la leyenda no está relacionado con las líneas de la gráfica. Reorganizar la leyenda hace que el gráfico sea más fácil de leer porque los colores de la leyenda ahora coinciden con el orden de las líneas en el extremo derecho del gráfico. Puede ver algunos patrones que no sorprenden: la proporción de personas que nunca se casaron disminuye con la edad, los casados forman una U invertida y los viudos comienzan con un nivel bajo pero aumentan abruptamente después de los 60 años.

Un gráfico de líneas con la edad en el eje x y la proporción en el eje y. Hay una línea para cada categoría de estado civil: sin respuesta, nunca casado, separado, divorciado, viudo y casado. Es un poco difícil leer la gráfica porque el orden de la leyenda no está relacionado con las líneas de la gráfica. Reorganizar la leyenda hace que el gráfico sea más fácil de leer porque los colores de la leyenda ahora coinciden con el orden de las líneas en el extremo derecho del gráfico. Puede ver algunos patrones que no sorprenden: la proporción de personas que nunca se casaron disminuye con la edad, los casados forman una U invertida y los viudos comienzan con un nivel bajo pero aumentan abruptamente después de los 60 años.

Finalmente, para gráficos de barras, puede usar fct_infreq() para ordenar niveles en frecuencia decreciente: este es el tipo más simple de reordenamiento porque no necesita variables adicionales. Combínelo con fct_rev() si los quiere en frecuencia creciente para que en el gráfico de barras los valores más grandes estén a la derecha, no a la izquierda.

gss_cat |>
  mutate(marital = marital |> fct_infreq() |> fct_rev()) |>
  ggplot(aes(x = marital)) +
  geom_bar()

Un gráfico de barras del estado civil ordenado de menos a más común: sin respuesta (~0), separado (~1000), viudo (~2000), divorciado (~3000), nunca casado (~5000), casado (~10,000 ).

16.4.1 Ejercicios

  1. Hay algunos números sospechosamente altos en tvhours. ¿Es la media un buen resumen?

  2. Para cada factor en gss_cat, identifique si el orden de los niveles es arbitrario o basado en principios.

  3. ¿Por qué mover “No aplicable” al frente de los niveles lo movió al final de la gráfica?

16.5 Modificar los niveles de los factores

Más poderoso que cambiar el orden de los niveles es cambiar sus valores. Esto le permite aclarar etiquetas para publicación y contraer niveles para visualizaciones de alto nivel. La herramienta más general y poderosa es fct_recode(). Le permite recodificar, o cambiar, el valor de cada nivel. Por ejemplo, tome la variable partyid del marco de datos gss_cat:

gss_cat |> count(partyid)
#> # A tibble: 10 × 2
#>   partyid                n
#>   <fct>              <int>
#> 1 No answer            154
#> 2 Don't know             1
#> 3 Other party          393
#> 4 Strong republican   2314
#> 5 Not str republican  3032
#> 6 Ind,near rep        1791
#> # ℹ 4 more rows

Los niveles son breves e inconsistentes. Modifiquémoslos para que sean más largos y usemos una construcción paralela. Como la mayoría de las funciones de renombrar y recodificar en tidyverse, los valores nuevos van a la izquierda y los valores antiguos van a la derecha:

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)
#> # A tibble: 10 × 2
#>   partyid                   n
#>   <fct>                 <int>
#> 1 No answer               154
#> 2 Don't know                1
#> 3 Other party             393
#> 4 Republican, strong     2314
#> 5 Republican, weak       3032
#> 6 Independent, near rep  1791
#> # ℹ 4 more rows

fct_recode() dejará los niveles que no se mencionan explícitamente como están y le avisará si accidentalmente hace referencia a un nivel que no existe.

Para combinar grupos, puede asignar varios niveles antiguos al mismo nivel nuevo:

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"
    )
  )

Usa esta técnica con cuidado: si agrupas categorías que son realmente diferentes, terminarás con resultados engañosos.

Si desea colapsar muchos niveles, fct_collapse() es una variante útil de fct_recode(). Para cada variable nueva, puede proporcionar un vector de niveles antiguos:

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)
#> # A tibble: 4 × 2
#>   partyid     n
#>   <fct>   <int>
#> 1 other     548
#> 2 rep      5346
#> 3 ind      8409
#> 4 dem      7180

A veces, solo desea agrupar los grupos pequeños para simplificar un diagrama o una tabla. Ese es el trabajo de la familia de funciones fct_lump_*(). fct_lump_lowfreq() es un punto de partida simple que agrupa progresivamente las categorías de grupos más pequeños en “Otros”, manteniendo siempre “Otros” como la categoría más pequeña.

gss_cat |>
  mutate(relig = fct_lump_lowfreq(relig)) |>
  count(relig)
#> # A tibble: 2 × 2
#>   relig          n
#>   <fct>      <int>
#> 1 Protestant 10846
#> 2 Other      10637

En este caso, no es muy útil: es cierto que la mayoría de los estadounidenses en esta encuesta son protestantes, ¡pero probablemente nos gustaría ver más detalles! En cambio, podemos usar fct_lump_n() para especificar que queremos exactamente 10 grupos:

gss_cat |>
  mutate(relig = fct_lump_n(relig, n = 10)) |>
  count(relig, sort = TRUE)
#> # A tibble: 10 × 2
#>   relig          n
#>   <fct>      <int>
#> 1 Protestant 10846
#> 2 Catholic    5124
#> 3 None        3523
#> 4 Christian    689
#> 5 Other        458
#> 6 Jewish       388
#> # ℹ 4 more rows

Lea la documentación para conocer fct_lump_min() y fct_lump_prop(), que son útiles en otros casos.

16.5.1 Ejercicios

  1. ¿Cómo han cambiado con el tiempo las proporciones de personas que se identifican como demócratas, republicanas e independientes?

  2. ¿Cómo podría colapsar ‘rincome’ en un pequeño conjunto de categorías?

  3. Observe que hay 9 grupos (excluyendo otros) en el ejemplo fct_lump anterior. ¿Por qué no 10? (Sugerencia: escriba ?fct_lump y encuentre que el valor predeterminado para el argumento other_level es “Other”.)

16.6 Factores ordenados

Antes de continuar, hay un tipo especial de factor que debe mencionarse brevemente: los factores ordenados. Los factores ordenados, creados con ordered(), implican un ordenamiento estricto y la misma distancia entre los niveles: el primer nivel es “menor que” el segundo nivel en la misma cantidad que el segundo nivel es “menor que” el tercer nivel, y pronto.. Puede reconocerlos al imprimir porque usan < entre los niveles de los factores:

ordered(c("a", "b", "c"))
#> [1] a b c
#> Levels: a < b < c

En la práctica, los factores ordered() se comportan de manera muy similar a los factores regulares. Solo hay dos lugares donde puede notar un comportamiento diferente:

  • Si asigna un factor ordenado a color o rellena ggplot2, se establecerá de forma predeterminada en scale_color_viridis()/scale_fill_viridis(), una escala de color que implica una clasificación.
  • Si usa una función ordenada en un modelo lineal, usará “contrastes poligonales”. Estos son medianamente útiles, pero es poco probable que haya oído hablar de ellos a menos que tenga un doctorado en Estadística, e incluso entonces probablemente no los interprete de forma rutinaria. Si desea obtener más información, le recomendamos vignette("contrasts", package = "faux") de Lisa DeBruine.

Dada la utilidad discutible de estas diferencias, generalmente no recomendamos usar factores ordenados.

16.7 Resumen

Este capítulo le presentó el práctico paquete forcats para trabajar con factores, y le presentó las funciones más utilizadas. forcats contiene una amplia gama de otros ayudantes que no tuvimos espacio para discutir aquí, por lo que siempre que se enfrente a un desafío de análisis factorial que no haya enfrentado antes, le recomiendo hojear el índice de referencia para ver si hay una función enlatada que pueda ayudar a resolver su problema.

Si desea obtener más información sobre los factores después de leer este capítulo, le recomendamos que lea el artículo de Amelia McNamara y Nicholas Horton, Wrangling categorical data in R. Este artículo expone parte de la historia discutida en stringsAsFactors: An noauthorized biography y stringsAsFactors = <sigh>, y compara los enfoques ordenados de los datos categóricos descritos en este libro con los métodos base R. Una primera versión del documento ayudó a motivar y definir el alcance del paquete forcats; ¡Gracias Amelia y Nick!

En el próximo capítulo, cambiaremos de marcha para comenzar a aprender sobre fechas y horas en R. Las fechas y las horas parecen engañosamente simples, pero como verá pronto, cuanto más aprende sobre ellas, ¡más complejas parecen volverse!

  1. También son muy importantes para el modelado.↩︎