Trabajando con factores en R

Una tarea recurrente cuando trabajamos en el procesamiento de datos, es la transformación de variables para ajustarlas al formato adecuado para su posterior análisis, tal es el caso de variables que pueden estar en formato numérico o de texto y que contienen datos de categorías que necesitamos procesar. R nos permite almacenar una variable con codificación de tipo factor que indica que los valores que la conforman son categorías, por ejemplo: sexo (hombre, mujer), estado civil(soltero, casado), etc. En este post intentaremos dar un vistazo simple a lo que esto significa.

Cargamos las librerías a utilizar

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(stringr)

Generemos una tabla de ejemplo usando una semilla para la reproducibilidad de resultados.

set.seed(1234)

tabla <- 
  tibble(id = str_c("folio_", 1:10), 
         sexo = sample(c(1L, 2L), 10, replace = TRUE), 
         edo_civ = sample(c(1L, 2L, 3L), 10, replace = TRUE), 
         ent = sample(c("edo1", "edo2", "edo3"), 10, replace = TRUE)) %>% 
  print()

## # A tibble: 10 x 4
##    id        sexo edo_civ ent  
##    <chr>    <int>   <int> <chr>
##  1 folio_1      2       2 edo1 
##  2 folio_2      2       3 edo3 
##  3 folio_3      2       2 edo3 
##  4 folio_4      2       2 edo3 
##  5 folio_5      1       2 edo1 
##  6 folio_6      2       3 edo2 
##  7 folio_7      1       2 edo1 
##  8 folio_8      1       2 edo2 
##  9 folio_9      1       2 edo2 
## 10 folio_10     2       2 edo3

Demos un vistazo a la estructura de la tabla

glimpse(tabla)

## Rows: 10
## Columns: 4
## $ id      <chr> "folio_1", "folio_2", "folio_3", "folio_4", "folio_5", "folio_…
## $ sexo    <int> 2, 2, 2, 2, 1, 2, 1, 1, 1, 2
## $ edo_civ <int> 2, 3, 2, 2, 2, 3, 2, 2, 2, 2
## $ ent     <chr> "edo1", "edo3", "edo3", "edo3", "edo1", "edo2", "edo1", "edo2"…

Las columnas sexo, edo_civ y ent contienen valores que categorizan la información, la tabla las tiene codificadas como numéricas. Generemos medidas de resumen de la tabla y veamos las implicaciones de considerarlas como numéricas

summary(tabla)

##       id                 sexo        edo_civ        ent           
##  Length:10          Min.   :1.0   Min.   :2.0   Length:10         
##  Class :character   1st Qu.:1.0   1st Qu.:2.0   Class :character  
##  Mode  :character   Median :2.0   Median :2.0   Mode  :character  
##                     Mean   :1.6   Mean   :2.2                     
##                     3rd Qu.:2.0   3rd Qu.:2.0                     
##                     Max.   :2.0   Max.   :3.0

Como podemos observar, el resultado previo nos muestra los resultados de las columnas sexo y edo_civ como variables numéricas y a la columna ent como caracter. Sobra decir que resulta extraño tener cuartiles de la variable sexo cuando sólo contiene valores “1” y “2” que corresponden a “hombre” y “mujer” respectivamente, sería más conveniente si obtuvieramos las frecuencias para cada uno de los sexos codificados en la tabla.

Para resolver esto podemos hacer uso de la transformción de la columna de numérica a factor. Un factor en R otorga niveles a cada una de las categorías existentes en una variable, en el caso de la variable sexo de nuestro ejemplo, tenemos dos niveles que corresponden a los valores codificados como 1 y 2. Además, podemos especificar etiquetas para cada uno de los niveles de nuestro factor.

Generar un factor sin especificar niveles y etiquetas

Podemos convertir una variable a factor sin necesidad de especificar los niveles que la conforman, sólo es necesario especificar dentro del comando factor a la variable a transformar.

¿qué es lo que sucede?

R se encargará de identificar los distintos valores dentro de la columna y establecerá de forma automática cada uno como un nivel. En el ejemplo siguiente, convertimos a la variable ent a tipo factor y la sobreescribimos bajo el mismo nombre en la tabla.

tabla <- tabla %>% mutate(ent = factor(ent)) %>% print()

## # A tibble: 10 x 4
##    id        sexo edo_civ ent  
##    <chr>    <int>   <int> <fct>
##  1 folio_1      2       2 edo1 
##  2 folio_2      2       3 edo3 
##  3 folio_3      2       2 edo3 
##  4 folio_4      2       2 edo3 
##  5 folio_5      1       2 edo1 
##  6 folio_6      2       3 edo2 
##  7 folio_7      1       2 edo1 
##  8 folio_8      1       2 edo2 
##  9 folio_9      1       2 edo2 
## 10 folio_10     2       2 edo3

Nuevamente ejecutamos el comando summary() y vemos el cambio en el resultado, ahora obtendremos la frecuencia de cada uno de los niveles en la malla de datos.

summary(tabla)

##       id                 sexo        edo_civ      ent   
##  Length:10          Min.   :1.0   Min.   :2.0   edo1:3  
##  Class :character   1st Qu.:1.0   1st Qu.:2.0   edo2:3  
##  Mode  :character   Median :2.0   Median :2.0   edo3:4  
##                     Mean   :1.6   Mean   :2.2           
##                     3rd Qu.:2.0   3rd Qu.:2.0           
##                     Max.   :2.0   Max.   :3.0

Generar un factor especificando los niveles

También podemos generar un factor especificando los distintos niveles que lo componen, utilicemos el caso de la variable sexo para ejemplificarlo. La variable sexo está codificada con valores 1 y 2, en consecuencia podemos especificar dichos niveles al momento de transformar la variable sexo a factor.

tabla <- 
  tabla %>% 
  mutate(sexo = factor(sexo, levels = c(1, 2))) %>% 
  print()

## # A tibble: 10 x 4
##    id       sexo  edo_civ ent  
##    <chr>    <fct>   <int> <fct>
##  1 folio_1  2           2 edo1 
##  2 folio_2  2           3 edo3 
##  3 folio_3  2           2 edo3 
##  4 folio_4  2           2 edo3 
##  5 folio_5  1           2 edo1 
##  6 folio_6  2           3 edo2 
##  7 folio_7  1           2 edo1 
##  8 folio_8  1           2 edo2 
##  9 folio_9  1           2 edo2 
## 10 folio_10 2           2 edo3

Nuevamente visualizamos el summary de la tabla y veremos el resultado con las frecuencias para cada nivel

summary(tabla)

##       id            sexo     edo_civ      ent   
##  Length:10          1:4   Min.   :2.0   edo1:3  
##  Class :character   2:6   1st Qu.:2.0   edo2:3  
##  Mode  :character         Median :2.0   edo3:4  
##                           Mean   :2.2           
##                           3rd Qu.:2.0           
##                           Max.   :3.0

Generar un factor especificando niveles y etiquetas

También podemos generar factores especificando, además de los niveles, una etiqueta para cada nivel, por ejemplo, la variable edo_civ codifica valores 1, 2 y 3 que corresponden a “soltero”, “casado” y “divorciado” respectivamente. A partir de esta información, podemos transformar la variable edo_civ a factor, especificando los niveles que contiene y sus respectivas etiquetas.

tabla <- 
  tabla %>% 
  mutate(edo_civ = factor(edo_civ, 
                          levels = c(1, 2, 3), 
                          labels = c("soltero", "casado", "divorciado"))) %>% 
  print()

## # A tibble: 10 x 4
##    id       sexo  edo_civ    ent  
##    <chr>    <fct> <fct>      <fct>
##  1 folio_1  2     casado     edo1 
##  2 folio_2  2     divorciado edo3 
##  3 folio_3  2     casado     edo3 
##  4 folio_4  2     casado     edo3 
##  5 folio_5  1     casado     edo1 
##  6 folio_6  2     divorciado edo2 
##  7 folio_7  1     casado     edo1 
##  8 folio_8  1     casado     edo2 
##  9 folio_9  1     casado     edo2 
## 10 folio_10 2     casado     edo3

Veamos nuevamente el summary() en dónde obtendremos, al igual que los casos anteriores, las frecuencias de cada uno de los niveles. Note que ahora los valores 1,2 y 3 fueron sustituidos de la tabla por las respectivas etiquetas.

summary(tabla)

##       id            sexo        edo_civ    ent   
##  Length:10          1:4   soltero   :0   edo1:3  
##  Class :character   2:6   casado    :8   edo2:3  
##  Mode  :character         divorciado:2   edo3:4

Hasta aquí la gestión básica de factores…