5 forcats: factor

因子(factor)在 R 中用于处理分类变量。从历史上看，因子远比字符串容易处理。因此，R 基础包的很多函数都自动将字符串转换为因子。这意味着因子经常出现在并不真正适合他们的地方。好在我们不用担心 tidyverse 中出现这种问题，可以将注意力集中于真正需要因子类型的地方。

Roger Peng 的文章"stringsAsFactors: An unauthorized bigraphy和Thomas Lumley的文章stringsAsFactors = sigh介绍了有关因子和字符串的一些历史背景。

2006 年, stringsAsFactors 这一设置的前身 charToFactor 被引入了 data.frame() 函数中，后来被纳入到 read.table() 里。默认情况下，stringsAsFactors被设置为True，R便会自动把字符串转换为因子型变量。在当时，这种设置是不难理解的。早期R的用户几乎都是统计科班出身的研究者，他们所用数据集里的字符串几乎都代表了一个定性变量，例如年龄(male/female), 国家(US/other), 地区(East/West)。进一步地，由于统计学家们的工作重点几乎都集中在构建各种统计模型上，而像lm()和glm()的函数只有当一个变量是 factor 类型的时候才开始对其编码，在统计模型中构建虚拟变量。

另一个原因更隐秘一些。在内部的存储机制中，因子变量经过一些编码后用数值存储，使得因子比字符串在占用内存空间上更加划算。2007 年后，R 引入了一种“CHARSXP”的方法，使得字符串也被映射为数值存储，stringsAsFactors = T在这点上的优势便不复存在了。

如今，R 的用户群体大大地多样化了，许多人开始抱怨默认设置stringsAsFactors = T，因为他们数据集中的字符串未必要用来建模，而可能只是一种标签。例如，在基因组学中，基因位点的名字不是某个模型中的变量，而现在把它们转换为因子也不会再有存储上的优势，反而会使得一些分析方法失效（比如使用正则表达式）。

我们将使用forcats包来处理因子，这个包提供了能够处理分类变量（其实就是因子的另一种说法）的工具，其中还包括了处理因子的大量辅助函数。因为 forcats 不是tidyverse的核心 R 包，所以需要手动加载。

所有 forcats 中用于因子处理的核心函数均以 fct_ 前缀开头，且第一个参数均为要处理的因子向量，这意味着forcats包中的函数在使用管道操作时，传入的必须是你要操作的向量。关于 fct_ 函数族最有用的一点是，它可以接受传入的向量是字符串变量（而不仅仅是因子类型），且不会在输出结果中改变变量的类型。这意味着字符串可以一方面享受 fct_ 函数带来的操作便利，一方面保有字符串的特性。