如何借助数据字典字符串将data数据框指定列转为因子类型？

我从在线数据库导入了名为data的数据框及对应数据字典，另有dictionary数据框，其select_choices_or_calculations列存储类似"0, Female | 1, Male"格式的字符串。两个数据框可通过以下代码生成：

data <- data.frame(study_id = c(1001, 1002, 1003, 1004),
                   first_name = c("John", "Jane", "Jack", "Jill"),
                   last_name = c("Doe", "Smith", "Jones", "Windsor"),
                   sex = c(1, 0, 1, 0),
                   ethnicity = c(0, 1, 0, 2))
dictionary <- data.frame(field_name = c("study_id", "first_name", "last_name", "sex", "ethnicity"),
                select_choices_or_calculations = c(NA, NA, NA, "0, Female | 1, Male", "0, Hispanic or Latino | 1, NOT Hispanic or Latino | 2, Unknown / Not Reported" ))

请问能否利用这些字符串为data的sex和ethnicity列设置因子类型，实现等效于data$sex <- factor(data$sex,levels = c(0, 1), labels = c("Female", "Male"))的效果？

当然可以，我们可以通过解析dictionary中的选项字符串，批量将指定列转为因子，无需手动为每个列编写levels和labels。以下是具体实现方案：

1. 编写选项解析函数 #

先实现一个函数，用来拆分"0, Female | 1, Male"这类字符串，提取对应的levels（数值型）和labels（字符型）：

parse_choices <- function(choice_str) {
  # 按|分割每个选项，处理转义符
  choices <- strsplit(choice_str, "\\|")[[1]]
  # 对每个选项按逗号分割，同时去除前后空格
  split_pairs <- lapply(choices, function(x) trimws(strsplit(x, ",")[[1]]))
  # 提取levels并转为数值型，提取labels
  levels_vec <- as.numeric(sapply(split_pairs, `[`, 1))
  labels_vec <- sapply(split_pairs, `[`, 2)
  # 返回包含levels和labels的列表
  list(levels = levels_vec, labels = labels_vec)
}

2. 批量转换目标列 #

筛选出dictionary中有选项定义的字段，遍历这些字段并将data中的对应列转为因子：

# 筛选存在选项字符串的字段名
target_cols <- dictionary[!is.na(dictionary$select_choices_or_calculations), "field_name"]

# 循环处理每个目标列
for (col in target_cols) {
  # 获取当前列的选项字符串
  choice_text <- dictionary[dictionary$field_name == col, "select_choices_or_calculations"]
  # 解析得到levels和labels
  parsed <- parse_choices(choice_text)
  # 将data中的列转换为因子
  data[[col]] <- factor(data[[col]], levels = parsed$levels, labels = parsed$labels)
}

验证转换效果 #

运行代码后，查看转换后的列结构：

# 查看sex列的结构
str(data$sex)
# 输出：Factor w/ 2 levels "Female","Male": 2 1 2 1

# 查看ethnicity列的结构
str(data$ethnicity)
# 输出：Factor w/ 3 levels "Hispanic or Latino",..: 1 2 1 3

可以看到，转换效果和手动设置因子完全一致，还能一次性处理多个列，提升效率。

内容的提问来源于stack exchange，提问作者jackahall