R语言因子水平数量异常：time列冗余空格无法清理

基于气候数据创建了DataFrame，计划用三个各含3个因子的变量做分析，可视化时发现time列的因子被错误拆分为多个重复水平：

> levels(batch3$site)
[1] " Site_1" " Site_2"  " Site_3"    
> levels(batch3$RCP)
[1] "00" "26" "85"
> levels(batch3$time)
[1] "baseline                   "     "baseline                    "   
[3] "baseline                       " "end                        "    
[5] "end                         "    "end                            "
[7] "mid                        "     "mid                         "   
[9] "mid                            "

尝试将time转回字符型后用以下代码清理空格，但无效果：

batch3 %>%
  mutate_if(is.character, trimws)

三个变量分布规律一致，仅time列存在该问题，推测是因子中的空格无法被正常清理。尝试用测试数据集复现问题未成功，测试代码如下：

test_df <- data.frame(a = as.factor(c('Site1', 'Site2', 'Site3','Site1', 'Site2', 'Site3','Site1', 'Site2', 'Site3')),
                 b = as.factor(c('00','00','00','26','26','26','85','85','85')),
                 c = as.factor(c('baseline', 'mid','end','baseline', 'mid','end','baseline', 'mid','end')),
                 d = c(45, 56, 54, 57, 59, 77, 37, 21, 44))

测试数据集预期因子水平：

> levels(test_df$a)
[1] "Site1" "Site2" "Site3"
> levels(test_df$b)
[1] "00" "26" "85"
> levels(test_df$c)
[1] "baseline" "end"      "mid" 

解决建议 #

• 直接操作因子水平（最有效）：不用先转字符，直接清理并重新赋值因子水平，重复水平会自动合并：

  # 清理time列的因子水平空格
  levels(batch3$time) <- trimws(levels(batch3$time))
  # 移除冗余的重复水平
  batch3$time <- droplevels(batch3$time)
  

• 处理非标准空格：如果trimws无效，可能是存在全角空格、制表符等非标准空白字符，用正则替换所有空白：

  levels(batch3$time) <- gsub("^\\s+|\\s+$", "", levels(batch3$time))
  # 若内部有多个空格，先合并再清理
  levels(batch3$time) <- trimws(gsub("\\s+", " ", levels(batch3$time)))
  

• 同步处理site列：site列存在前置空格，可用同样方法清理：

  levels(batch3$site) <- trimws(levels(batch3$site))
  

• 从源头避免问题：后续读取数据时，先以字符型读取（stringsAsFactors = FALSE），清理空格后再转换为因子，避免初始因子水平异常。

内容的提问来源于stack exchange，提问作者Dan