Mam problem z wygenerowaniem następujących zmiennych zastępczych w R:
Analizuję roczne dane szeregów czasowych (okres 1948-2009). Mam dwa pytania:
Jak wygenerować zmienną fikcyjną dla obserwacji nr 10, tj. Dla roku 1957 (wartość = 1 w 1957 i zero w innym przypadku)?
Jak wygenerować zmienną fikcyjną, która przed rokiem 1957 ma wartość zero i przyjmuje wartość 1 od 1957 r. Do 2009 r.?
Odpowiedzi:
Inną opcją, która może działać lepiej, jeśli masz wiele zmiennych, jest factori model.matrix.
> year.f = factor(year)
> dummies = model.matrix(~year.f)
Będzie to obejmować kolumnę przecięcia z osią (wszystkie jedynki) i jedną kolumnę dla każdego roku w zbiorze danych, z wyjątkiem jednego, który będzie wartością „domyślną” lub wartością przecięcia.
Można zmienić sposób „default” jest wybierany przez ingerować contrasts.argw model.matrix.
Ponadto, jeśli chcesz pominąć punkt przecięcia z osią, możesz po prostu upuścić pierwszą kolumnę lub dodać +0na końcu formuły.
Mam nadzieję, że to jest przydatne.
+ 0 lub - 1. Więc model.matrix(~ year.f + 0)da nam zmienne zastępcze bez poziomu odniesienia.
Najprostszym sposobem utworzenia tych fikcyjnych zmiennych jest coś takiego:
> print(year)
[1] 1956 1957 1957 1958 1958 1959
> dummy <- as.numeric(year == 1957)
> print(dummy)
[1] 0 1 1 0 0 0
> dummy2 <- as.numeric(year >= 1957)
> print(dummy2)
[1] 0 1 1 1 1 1
Mówiąc bardziej ogólnie, możesz ifelsewybrać jedną z dwóch wartości w zależności od warunku. Więc jeśli zamiast zmiennej zerowej 0-1, z jakiegoś powodu chciałbyś użyć, powiedzmy, 4 i 7, możesz użyć ifelse(year == 1957, 4, 7).
Używanie manekinów :: dummy () :
library(dummies)
# example data
df1 <- data.frame(id = 1:4, year = 1991:1994)
df1 <- cbind(df1, dummy(df1$year, sep = "_"))
df1
# id year df1_1991 df1_1992 df1_1993 df1_1994
# 1 1 1991 1 0 0 0
# 2 2 1992 0 1 0 0
# 3 3 1993 0 0 1 0
# 4 4 1994 0 0 0 1
Pakiet mlrzawiera createDummyFeaturesw tym celu:
library(mlr)
df <- data.frame(var = sample(c("A", "B", "C"), 10, replace = TRUE))
df
# var
# 1 B
# 2 A
# 3 C
# 4 B
# 5 C
# 6 A
# 7 C
# 8 A
# 9 B
# 10 C
createDummyFeatures(df, cols = "var")
# var.A var.B var.C
# 1 0 1 0
# 2 1 0 0
# 3 0 0 1
# 4 0 1 0
# 5 0 0 1
# 6 1 0 0
# 7 0 0 1
# 8 1 0 0
# 9 0 1 0
# 10 0 0 1
createDummyFeatures usuwa oryginalną zmienną.
https://www.rdocumentation.org/packages/mlr/versions/2.9/topics/createDummyFeatures
.....
Inne odpowiedzi tutaj oferują bezpośrednie ścieżki do wykonania tego zadania - takie, które wiele modeli (np. lm) I tak zrobi dla ciebie wewnętrznie. Niemniej jednak, oto sposoby, aby zmienne manekin z popularnych Maxa Kuhna careti recipespaczek. Chociaż są nieco bardziej szczegółowe, oba łatwo skalują się do bardziej skomplikowanych sytuacji i dobrze pasują do odpowiednich ram.
caret::dummyVarsDzięki caret, odpowiednia funkcja dummyVars, która ma predictsposobu, aby zastosować go w ramce danych:
df <- data.frame(letter = rep(c('a', 'b', 'c'), each = 2),
y = 1:6)
library(caret)
dummy <- dummyVars(~ ., data = df, fullRank = TRUE)
dummy
#> Dummy Variable Object
#>
#> Formula: ~.
#> 2 variables, 1 factors
#> Variables and levels will be separated by '.'
#> A full rank encoding is used
predict(dummy, df)
#> letter.b letter.c y
#> 1 0 0 1
#> 2 0 0 2
#> 3 1 0 3
#> 4 1 0 4
#> 5 0 1 5
#> 6 0 1 6
recipes::step_dummyDzięki recipes, odpowiednia funkcja jest step_dummy:
library(recipes)
dummy_recipe <- recipe(y ~ letter, df) %>%
step_dummy(letter)
dummy_recipe
#> Data Recipe
#>
#> Inputs:
#>
#> role #variables
#> outcome 1
#> predictor 1
#>
#> Steps:
#>
#> Dummy variables from letter
W zależności od kontekstu wyodrębnij dane za pomocą prepi albo bakealbo juice:
# Prep and bake on new data...
dummy_recipe %>%
prep() %>%
bake(df)
#> # A tibble: 6 x 3
#> y letter_b letter_c
#> <int> <dbl> <dbl>
#> 1 1 0 0
#> 2 2 0 0
#> 3 3 1 0
#> 4 4 1 0
#> 5 5 0 1
#> 6 6 0 1
# ...or use `retain = TRUE` and `juice` to extract training data
dummy_recipe %>%
prep(retain = TRUE) %>%
juice()
#> # A tibble: 6 x 3
#> y letter_b letter_c
#> <int> <dbl> <dbl>
#> 1 1 0 0
#> 2 2 0 0
#> 3 3 1 0
#> 4 4 1 0
#> 5 5 0 1
#> 6 6 0 1
W przypadku zastosowania przedstawionym w pytaniu możesz również pomnożyć warunek logiczny przez 1(lub może nawet lepiej, przez 1L):
# example data
df1 <- data.frame(yr = 1951:1960)
# create the dummies
df1$is.1957 <- 1L * (df1$yr == 1957)
df1$after.1957 <- 1L * (df1$yr >= 1957)
co daje:
> df1
yr is.1957 after.1957
1 1951 0 0
2 1952 0 0
3 1953 0 0
4 1954 0 0
5 1955 0 0
6 1956 0 0
7 1957 1 1
8 1958 0 1
9 1959 0 1
10 1960 0 1
W przypadku zastosowań przedstawionych na przykład w odpowiedziach @ zx8754 i @Sotos, jest jeszcze kilka innych opcji, które nie zostały jeszcze omówione w imo.
1) Stwórz własną make_dummiesfunkcję
# example data
df2 <- data.frame(id = 1:5, year = c(1991:1994,1992))
# create a function
make_dummies <- function(v, prefix = '') {
s <- sort(unique(v))
d <- outer(v, s, function(v, s) 1L * (v == s))
colnames(d) <- paste0(prefix, s)
d
}
# bind the dummies to the original dataframe
cbind(df2, make_dummies(df2$year, prefix = 'y'))
co daje:
id year y1991 y1992 y1993 y1994
1 1 1991 1 0 0 0
2 2 1992 0 1 0 0
3 3 1993 0 0 1 0
4 4 1994 0 0 0 1
5 5 1992 0 1 0 0
2) użyj funkcji dcastz jednego z nichTabela danych lub reshape2
dcast(df2, id + year ~ year, fun.aggregate = length)
co daje:
id year 1991 1992 1993 1994
1 1 1991 1 0 0 0
2 2 1992 0 1 0 0
3 3 1993 0 0 1 0
4 4 1994 0 0 0 1
5 5 1992 0 1 0 0
Jednak to nie zadziała, jeśli w kolumnie znajdują się zduplikowane wartości, dla których trzeba utworzyć atrapy. W przypadku, gdy potrzebna jest konkretna funkcja agregująca dcasti wynik dcastkonieczności scalenia z powrotem do oryginału:
# example data
df3 <- data.frame(var = c("B", "C", "A", "B", "C"))
# aggregation function to get dummy values
f <- function(x) as.integer(length(x) > 0)
# reshape to wide with the cumstom aggregation function and merge back to the original
merge(df3, dcast(df3, var ~ var, fun.aggregate = f), by = 'var', all.x = TRUE)
co daje (zwróć uwagę, że wynik jest uporządkowany zgodnie z bykolumną):
var A B C
1 A 1 0 0
2 B 0 1 0
3 B 0 1 0
4 C 0 0 1
5 C 0 0 1
3) użyj spread ztidyr(z mutateoddplyr)
library(dplyr)
library(tidyr)
df2 %>%
mutate(v = 1, yr = year) %>%
spread(yr, v, fill = 0)
co daje:
id year 1991 1992 1993 1994
1 1 1991 1 0 0 0
2 2 1992 0 1 0 0
3 3 1993 0 0 1 0
4 4 1994 0 0 0 1
5 5 1992 0 1 0 0
To, co zwykle robię podczas pracy z tego rodzaju zmiennymi fikcyjnymi, to:
(1) jak wygenerować zmienną fikcyjną dla obserwacji nr 10, czyli dla roku 1957 (wartość = 1 w 1957 i zero w innym przypadku)
data$factor_year_1 <- factor ( with ( data, ifelse ( ( year == 1957 ), 1 , 0 ) ) )
(2) jak wygenerować zmienną zastępczą, która przed rokiem 1957 ma wartość zero i przyjmuje wartość 1 od 1957 r. Do 2009 r.?
data$factor_year_2 <- factor ( with ( data, ifelse ( ( year < 1957 ), 0 , 1 ) ) )
Następnie mogę wprowadzić ten czynnik jako zmienną zastępczą w moich modelach. Na przykład, aby zobaczyć, czy istnieje długoterminowy trend w zmiennej y :
summary ( lm ( y ~ t, data = data ) )
Mam nadzieję że to pomoże!
Jeśli chcesz uzyskać zmienne zastępcze K, zamiast K-1, spróbuj:
dummies = table(1:length(year),as.factor(year))
Najlepsza,
as.data.frame.matrix(dummies)aby przetłumaczyć to na jeden
Przeczytałem to na forum kaggle:
#Generate example dataframe with character column
example <- as.data.frame(c("A", "A", "B", "F", "C", "G", "C", "D", "E", "F"))
names(example) <- "strcol"
#For every unique value in the string column, create a new 1/0 column
#This is what Factors do "under-the-hood" automatically when passed to function requiring numeric data
for(level in unique(example$strcol)){
example[paste("dummy", level, sep = "_")] <- ifelse(example$strcol == level, 1, 0)
}
Ta ifelsefunkcja jest najlepsza dla prostej logiki, takiej jak ta.
> x <- seq(1950, 1960, 1)
ifelse(x == 1957, 1, 0)
ifelse(x <= 1957, 1, 0)
> [1] 0 0 0 0 0 0 0 1 0 0 0
> [1] 1 1 1 1 1 1 1 1 0 0 0
Ponadto, jeśli chcesz, aby zwracał dane postaci, możesz to zrobić.
> x <- seq(1950, 1960, 1)
ifelse(x == 1957, "foo", "bar")
ifelse(x <= 1957, "foo", "bar")
> [1] "bar" "bar" "bar" "bar" "bar" "bar" "bar" "foo" "bar" "bar" "bar"
> [1] "foo" "foo" "foo" "foo" "foo" "foo" "foo" "foo" "bar" "bar" "bar"
Zmienne kategorialne z zagnieżdżeniem ...
> x <- seq(1950, 1960, 1)
ifelse(x == 1957, "foo", ifelse(x == 1958, "bar","baz"))
> [1] "baz" "baz" "baz" "baz" "baz" "baz" "baz" "foo" "bar" "baz" "baz"
To najprostsza opcja.
Przekonwertuj swoje dane na data.table i użyj zestawu przez odwołanie i filtrowanie wierszy
library(data.table)
dt <- as.data.table(your.dataframe.or.whatever)
dt[, is.1957 := 0]
dt[year == 1957, is.1957 := 1]
Przykład zabawki potwierdzającej koncepcję:
library(data.table)
dt <- as.data.table(cbind(c(1, 1, 1), c(2, 2, 3)))
dt[, is.3 := 0]
dt[V2 == 3, is.3 := 1]
Ta jedna wkładka w bazie R.
model.matrix( ~ iris$Species - 1)
daje
iris$Speciessetosa iris$Speciesversicolor iris$Speciesvirginica
1 1 0 0
2 1 0 0
3 1 0 0
4 1 0 0
5 1 0 0
6 1 0 0
7 1 0 0
8 1 0 0
9 1 0 0
10 1 0 0
11 1 0 0
12 1 0 0
13 1 0 0
14 1 0 0
15 1 0 0
16 1 0 0
17 1 0 0
18 1 0 0
19 1 0 0
20 1 0 0
21 1 0 0
22 1 0 0
23 1 0 0
24 1 0 0
25 1 0 0
26 1 0 0
27 1 0 0
28 1 0 0
29 1 0 0
30 1 0 0
31 1 0 0
32 1 0 0
33 1 0 0
34 1 0 0
35 1 0 0
36 1 0 0
37 1 0 0
38 1 0 0
39 1 0 0
40 1 0 0
41 1 0 0
42 1 0 0
43 1 0 0
44 1 0 0
45 1 0 0
46 1 0 0
47 1 0 0
48 1 0 0
49 1 0 0
50 1 0 0
51 0 1 0
52 0 1 0
53 0 1 0
54 0 1 0
55 0 1 0
56 0 1 0
57 0 1 0
58 0 1 0
59 0 1 0
60 0 1 0
61 0 1 0
62 0 1 0
63 0 1 0
64 0 1 0
65 0 1 0
66 0 1 0
67 0 1 0
68 0 1 0
69 0 1 0
70 0 1 0
71 0 1 0
72 0 1 0
73 0 1 0
74 0 1 0
75 0 1 0
76 0 1 0
77 0 1 0
78 0 1 0
79 0 1 0
80 0 1 0
81 0 1 0
82 0 1 0
83 0 1 0
84 0 1 0
85 0 1 0
86 0 1 0
87 0 1 0
88 0 1 0
89 0 1 0
90 0 1 0
91 0 1 0
92 0 1 0
93 0 1 0
94 0 1 0
95 0 1 0
96 0 1 0
97 0 1 0
98 0 1 0
99 0 1 0
100 0 1 0
101 0 0 1
102 0 0 1
103 0 0 1
104 0 0 1
105 0 0 1
106 0 0 1
107 0 0 1
108 0 0 1
109 0 0 1
110 0 0 1
111 0 0 1
112 0 0 1
113 0 0 1
114 0 0 1
115 0 0 1
116 0 0 1
117 0 0 1
118 0 0 1
119 0 0 1
120 0 0 1
121 0 0 1
122 0 0 1
123 0 0 1
124 0 0 1
125 0 0 1
126 0 0 1
127 0 0 1
128 0 0 1
129 0 0 1
130 0 0 1
131 0 0 1
132 0 0 1
133 0 0 1
134 0 0 1
135 0 0 1
136 0 0 1
137 0 0 1
138 0 0 1
139 0 0 1
140 0 0 1
141 0 0 1
142 0 0 1
143 0 0 1
144 0 0 1
145 0 0 1
146 0 0 1
147 0 0 1
148 0 0 1
149 0 0 1
150 0 0 1
Używam takiej funkcji (dla data.table):
# Ta funkcja dla obiektu data.table i zmiennej var.name typu factor tworzy dummy variables o nazwach "var.name: (level1)"
factorToDummy <- function(dtable, var.name){
stopifnot(is.data.table(dtable))
stopifnot(var.name %in% names(dtable))
stopifnot(is.factor(dtable[, get(var.name)]))
dtable[, paste0(var.name,": ",levels(get(var.name)))] -> new.names
dtable[, (new.names) := transpose(lapply(get(var.name), FUN = function(x){x == levels(get(var.name))})) ]
cat(paste("\nDodano zmienne dummy: ", paste0(new.names, collapse = ", ")))
}
Stosowanie:
data <- data.table(data)
data[, x:= droplevels(x)]
factorToDummy(data, "x")
Cześć, napisałem tę ogólną funkcję, aby wygenerować zmienną fikcyjną, która zasadniczo replikuje funkcję zamiany w Stata.
Jeśli x jest ramką danych, to x i chcę fałszywą zmienną o nazwie, aktóra przyjmie wartość, 1gdy x$bprzyjmie wartośćc
introducedummy<-function(x,a,b,c){
g<-c(a,b,c)
n<-nrow(x)
newcol<-g[1]
p<-colnames(x)
p2<-c(p,newcol)
new1<-numeric(n)
state<-x[,g[2]]
interest<-g[3]
for(i in 1:n){
if(state[i]==interest){
new1[i]=1
}
else{
new1[i]=0
}
}
x$added<-new1
colnames(x)<-p2
x
}
Możemy również użyć cSplit_efrom splitstackshape. Używając danych @ zx8754
df1 <- data.frame(id = 1:4, year = 1991:1994)
splitstackshape::cSplit_e(df1, "year", fill = 0)
# id year year_1 year_2 year_3 year_4
#1 1 1991 1 0 0 0
#2 2 1992 0 1 0 0
#3 3 1993 0 0 1 0
#4 4 1994 0 0 0 1
Aby pracować dla danych innych niż numerycznej musimy określić typejako "character"jednoznacznie
df1 <- data.frame(id = 1:4, let = LETTERS[1:4])
splitstackshape::cSplit_e(df1, "let", fill = 0, type = "character")
# id let let_A let_B let_C let_D
#1 1 A 1 0 0 0
#2 2 B 0 1 0 0
#3 3 C 0 0 1 0
#4 4 D 0 0 0 1