How to standardize a data frame which contains both numeric and factor variables
我的数据框 my.data 包含数值变量和因子变量。我只想标准化此数据框中的数字变量。
|
1
2 |
> mydata2=data.frame(scale(my.data, center=T, scale=T))
Error in colMeans(x, na.rm = TRUE) : ‘x’ must be numeric |
这样可以标准化吗？我想标准化第 8、9、10、11 和 12 列，但我认为我的代码有误。
|
1
|
mydata=data.frame(scale(flowdis3[,c(8,9,10,11,12)], center=T, scale=T,))
|
提前致谢
- mydata[ sapply(mydata, is.numeric) ] <- lapply(mydata[ sapply(mydata, is.numeric) ], scale, center=TRUE, scale=TRUE) 也许
这是标准化的一种选择
|
1
2 3 |
mydata[] <- lapply(mydata, function(x) if(is.numeric(x)){
scale(x, center=TRUE, scale=TRUE) } else x) |
您可以使用 dplyr 包来执行此操作：
|
1
|
mydata2%>%mutate_if(is.numeric,scale)
|
- 你能再解释一下吗？
- library(dplyr) 具有函数 mutate_if，我们可以在其中根据条件执行操作。当且仅当变量为数字时，我们才对变量进行缩放。
以下是一些可供考虑的选项，尽管回答较晚：
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
# Working environment and Memory management
rm(list = ls(all.names = TRUE)) gc() memory.limit(size = 64935) # Set working directory # Example data frame |
让我们检查一下df的结构：
|
1
2 3 4 5 6 7 8 |
str(df)
‘data.frame’: 10 obs. of 6 variables: $ Age : num 21 19 25 34 45 63 39 28 50 39 $ Name : Factor w/ 10 levels”Afreen”,”Aishwarya”,..: 4 8 7 2 9 3 5 1 10 6 $ Salary.in.. : num 2138 1516 2213 2500 2660 … $ Gender : Factor w/ 2 levels”Female”,”Male”: 1 1 2 1 2 1 2 1 2 2 $ Height.in.cm: num 172 166 191 169 179 177 181 155 154 183 $ Weight.in.kg: num 60 70 88 48 71 51 65 44 53 91 |
我们看到年龄、薪水、身高和体重是数字，而姓名和性别是分类变量(因子变量)。
让我们仅使用基数 R 来缩放数值变量：
1) 选项：(对 akrun 在此处提出的建议稍作修改)
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
start_time1 <- Sys.time()
df1 <- as.data.frame(lapply(df, function(x) if(is.numeric(x)){ (x-mean(x))/sd(x) } else x)) end_time1 <- Sys.time() end_time1 – start_time1 Time difference of 0.02717805 secs |
2) 选项：(akrun\\’s approach)
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
start_time2 <- Sys.time()
df2 <- as.data.frame(lapply(df, function(x) if(is.numeric(x)){ scale(x, center=TRUE, scale=TRUE) } else x)) end_time2 <- Sys.time() end_time2 – start_time2 Time difference of 0.02599907 secs |
3) 选项：
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
start_time3 <- Sys.time()
indices <- sapply(df, is.numeric) df3 <- df df3[indices] <- lapply(df3[indices], scale) end_time3 <- Sys.time() end_time2 – start_time3 Time difference of -59.6766 secs |
4) 选项(使用 tidyverse 并调用 dplyr)：
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
library(tidyverse)
start_time4 <- Sys.time() df4 <-df %>% dplyr::mutate_if(is.numeric, scale) end_time4 <- Sys.time() end_time4 – start_time4 Time difference of 0.012043 secs |
根据你需要什么样的结构作为输出和速度，你可以判断。如果你的数据是不平衡的，你想平衡它，假设你想在对数值变量进行缩放后进行分类，那么数值变量的矩阵数值结构，即 – Age、Salary、Height 和 Weight 就会出现问题。我的意思是，
|
1
2 3 4 |
str(df4$Age)
num [1:10, 1] -1.105 -1.249 -0.816 -0.166 0.628 … – attr(*,”scaled:center”)= num 36.3 – attr(*,”scaled:scale”)= num 13.8 |
例如，由于 ROSE 包(平衡数据)不接受除 int、factor 和 num 之外的数据结构，因此会抛出错误。
为了避免这个问题，缩放后的数值变量可以通过以下方式保存为向量而不是列矩阵：
|
1
2 3 4 5 6 7 8 9 |
library(tidyverse)
start_time4 <- Sys.time() df4 <-df %>% dplyr::mutate_if(is.numeric, ~scale (.) %>% as.vector) end_time4 <- Sys.time() end_time4 – start_time4 |
与
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
Time difference of 0.01400399 secs
str(df4) ‘data.frame’: 10 obs. of 6 variables: $ Age : num -1.105 -1.249 -0.816 -0.166 0.628 … $ Name : Factor w/ 10 levels”Afreen”,”Aishwarya”,..: 4 8 7 2 9 3 5 1 10 6 $ Salary.in.. : num -0.787 -1.255 -0.731 -0.514 -0.394 … $ Gender : Factor w/ 2 levels”Female”,”Male”: 1 1 2 1 2 1 2 1 2 2 $ Height.in.cm: num -0.0585 -0.5596 1.5285 -0.309 0.5262 … $ Weight.in.kg: num -0.254 0.365 1.478 -0.996 0.427 … |
来源：https://www.codenong.com/36697424/
