用R转换罗马数字病理分期为阿拉伯数字结果不符，如何修正？

问题背景 #

要把数据框pheno_df里pathologic_stage列的罗马数字分期（比如"stage i"、"stage ii"）转换成对应的阿拉伯数字（1、2等），但现有代码输出结果不符合预期。

现有代码与问题 #

现有代码：

pheno_df$pathologic_stage <- gsub("stage ","",pheno_df$pathologic_stage)
as.numeric(factor(pheno_df$pathologic_stage))

当前输出：

3 2 3 3 2 5

期望输出：

2 1 2 2 1 4

数据样本：

> dput(pheno_df$pathologic_stage)
c("stage ii", "stage i", "stage ii", "stage ii", "stage i", "stage iv")

问题根源 #

factor()函数默认按字母顺序生成水平，虽然罗马数字的字母顺序本身符合逻辑，但如果数据中存在其他分期值（比如"iii"、"v"），会导致factor的水平顺序和期望的数字映射错位；要是数据里缺某个分期，factor还会自动跳过对应水平，进一步打乱对应关系。

修正代码 #

手动指定factor的levels参数，明确罗马数字的顺序，保证映射准确：

# 提取罗马数字部分（保留原列，避免覆盖）
pheno_df$stage_roman <- gsub("stage ", "", pheno_df$pathologic_stage)

# 定义分期的罗马数字顺序，按需扩展
stage_order <- c("i", "ii", "iii", "iv", "v")

# 转换为指定顺序的因子，再转阿拉伯数字
pheno_df$stage_numeric <- as.numeric(factor(pheno_df$stage_roman, levels = stage_order))

测试结果 #

用提供的样本数据运行，输出为：

2 1 2 2 1 4

完全符合期望。

补充说明 #

如果数据里还有更高级的分期（比如"vi"），只要在stage_order里按顺序添加对应的罗马数字，就能自动映射到正确的阿拉伯数字。

内容的提问来源于stack exchange，提问作者Anon