我有一个 R 数据框，其中包含一个我想“扩展”的因子，因此对于每个因子级别，在一个新数据框中都有一个关联的列，其中包含一个 1/0 指示符。例如，假设我有：
df.original <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c(1,2,3,4))
我想要：
df.desired <- data.frame(foo = c(1,1,0,0), bar=c(0,0,1,1), ham=c(1,2,3,4))
因为对于某些需要完全数字数据框的分析（例如，主成分分析），我认为可能会内置此功能。编写一个函数来执行此操作应该不会太难，但我可以预见与列名相关的一些挑战，如果已经存在某些东西，我宁愿使用它。
【问题讨论】：
标签： r
使用model.matrix函数：
model.matrix( ~ Species - 1, data=iris )
【讨论】：
cast 快得多。
?formula 和?model.matrix 的第二段，但不清楚（可能只是我对矩阵代数和模型公式的知识缺乏深度）。在深入挖掘之后，我已经能够收集到 -1 只是指定不包括“拦截”列。如果您忽略 -1，您将在输出中看到一个截距列 1，其中一个二进制列被忽略。您可以根据其他列的值为 0 的行来查看省略列的哪些值为 1。文档似乎很神秘——还有其他好的资源吗？
model.matrix(~., data=iris)[,-1]
na.exclude 后使用naresid 将缺失值放回原处。一个简单的例子：tmp <- data.frame(x=factor(c('a','b','c',NA,'a'))); tmp2 <- na.exclude(tmp); tmp3 <- model.matrix( ~x-1, tmp2); tmp4 <- naresid(attr(tmp2,'na.action'), tmp3)
如果您的数据框仅由因子组成（或者您正在处理所有因子的变量子集），您还可以使用 ade4 包中的 acm.disjonctif 函数：
R> library(ade4)
R> df <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c("red","blue","green","red"))
R> acm.disjonctif(df)
eggs.bar eggs.foo ham.blue ham.green ham.red
1 0 1 0 0 1
2 0 1 1 0 0
3 1 0 0 1 0
4 1 0 0 0 1
不完全是您描述的情况，但它也很有用......
【讨论】：
使用reshape2 包的快捷方式：
require(reshape2)
> dcast(df.original, ham ~ eggs, length)
Using ham as value column: use value_var to override.
ham bar foo
1 1 0 1
2 2 0 1
3 3 1 0
4 4 1 0
请注意，这会精确生成您想要的列名。
【讨论】：
ham 是唯一的行 ID。如果ham 不是唯一ID，则必须使用其他一些唯一ID（或创建一个虚拟ID）并使用它代替ham。将分类标签转换为二进制指示符仅对唯一 ID 有意义。
可能虚拟变量与您想要的相似。 那么，model.matrix 就很有用了：
> with(df.original, data.frame(model.matrix(~eggs+0), ham))
eggsbar eggsfoo ham
1 0 1 1
2 0 1 2
3 1 0 3
4 1 0 4
【讨论】：
来自nnet 包的后期条目class.ind
library(nnet)
with(df.original, data.frame(class.ind(eggs), ham))
bar foo ham
1 0 1 1
2 0 1 2
3 1 0 3
4 1 0 4
【讨论】：
刚刚遇到这个旧线程，并认为我会添加一个函数，该函数利用 ade4 获取由因子和/或数字数据组成的数据帧，并返回一个包含因子作为虚拟代码的数据帧。
dummy <- function(df) {
NUM <- function(dataframe)dataframe[,sapply(dataframe,is.numeric)]
FAC <- function(dataframe)dataframe[,sapply(dataframe,is.factor)]
require(ade4)
if (is.null(ncol(NUM(df)))) {
DF <- data.frame(NUM(df), acm.disjonctif(FAC(df)))
names(DF)[1] <- colnames(df)[which(sapply(df, is.numeric))]
} else {
DF <- data.frame(NUM(df), acm.disjonctif(FAC(df)))
}
return(DF)
}
让我们试试吧。
df <-data.frame(eggs = c("foo", "foo", "bar", "bar"),
ham = c("red","blue","green","red"), x=rnorm(4))
dummy(df)
df2 <-data.frame(eggs = c("foo", "foo", "bar", "bar"),
ham = c("red","blue","green","red"))
dummy(df2)
【讨论】：
这是一种更清晰的方法。我使用 model.matrix 创建虚拟布尔变量，然后将其合并回原始数据帧。
df.original <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c(1,2,3,4))
df.original
# eggs ham
# 1 foo 1
# 2 foo 2
# 3 bar 3
# 4 bar 4
# Create the dummy boolean variables using the model.matrix() function.
> mm <- model.matrix(~eggs-1, df.original)
> mm
# eggsbar eggsfoo
# 1 0 1
# 2 0 1
# 3 1 0
# 4 1 0
# attr(,"assign")
# [1] 1 1
# attr(,"contrasts")
# attr(,"contrasts")$eggs
# [1] "contr.treatment"
# Remove the "eggs" prefix from the column names as the OP desired.
colnames(mm) <- gsub("eggs","",colnames(mm))
mm
# bar foo
# 1 0 1
# 2 0 1
# 3 1 0
# 4 1 0
# attr(,"assign")
# [1] 1 1
# attr(,"contrasts")
# attr(,"contrasts")$eggs
# [1] "contr.treatment"
# Combine the matrix back with the original dataframe.
result <- cbind(df.original, mm)
result
# eggs ham bar foo
# 1 foo 1 0 1
# 2 foo 2 0 1
# 3 bar 3 1 0
# 4 bar 4 1 0
# At this point, you can select out the columns that you want.
【讨论】：
我需要一个更灵活的“分解”因子的函数，并基于 ade4 包中的 acm.disjonctif 函数制作了一个函数。 这允许您选择分解的值，即 acm.disjonctif 中的 0 和 1。它只会分解具有“很少”水平的因子。保留数字列。
# Function to explode factors that are considered to be categorical,
# i.e., they do not have too many levels.
# - data: The data.frame in which categorical variables will be exploded.
# - values: The exploded values for the value being unequal and equal to a level.
# - max_factor_level_fraction: Maximum number of levels as a fraction of column length. Set to 1 to explode all factors.
# Inspired by the acm.disjonctif function in the ade4 package.
explode_factors <- function(data, values = c(-0.8, 0.8), max_factor_level_fraction = 0.2) {
exploders <- colnames(data)[sapply(data, function(col){
is.factor(col) && nlevels(col) <= max_factor_level_fraction * length(col)
})]
if (length(exploders) > 0) {
exploded <- lapply(exploders, function(exp){
col <- data[, exp]
n <- length(col)
dummies <- matrix(values[1], n, length(levels(col)))
dummies[(1:n) + n * (unclass(col) - 1)] <- values[2]
colnames(dummies) <- paste(exp, levels(col), sep = '_')
dummies
})
# Only keep numeric data.
data <- data[sapply(data, is.numeric)]
# Add exploded values.
data <- cbind(data, exploded)
}
return(data)
}
【讨论】：
（问题是10岁，但为了完整起见......）
除了从类似因子的变量创建设计矩阵之外，您还可以非常轻松地即时做两件额外的事情：
ref）。而且由于它是为此任务而设计的，如果您的变量恰好是数字，则不需要用 factor(x_num) 包装它（与 model.matrix 解决方案相反）。
这是一个例子：
library(fixest)
data(airquality)
table(airquality$Month)
#> 5 6 7 8 9
#> 31 30 31 31 30
head(i(airquality$Month))
#> 5 6 7 8 9
#> [1,] 1 0 0 0 0
#> [2,] 1 0 0 0 0
#> [3,] 1 0 0 0 0
#> [4,] 1 0 0 0 0
#> [5,] 1 0 0 0 0
#> [6,] 1 0 0 0 0
#
# Binning (check out the help, there are many many ways to bin)
#
colSums(i(airquality$Month, bin = 5:6)))
#> 5 7 8 9
#> 61 31 31 30
#
# References
#
head(i(airquality$Month, ref = c(6, 9)), 3)
#> 5 7 8
#> [1,] 1 0 0
#> [2,] 1 0 0
#> [3,] 1 0 0
这是一个扩展所有非数字变量的小包装器（默认情况下）：
library(fixest)
# data: data.frame
# var: vector of variable names // if missing, all non numeric variables
# no argument checking
expand_factor = function(data, var){
if(missing(var)){
var = names(data)[!sapply(data, is.numeric)]
if(length(var) == 0) return(data)
}
data_list = unclass(data)
new = lapply(var, \(x) i(data_list[[x]]))
data_list[names(data_list) %in% var] = new
do.call("cbind", data_list)
}
my_data = data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c(1,2,3,4))
expand_factor(my_data)
#> bar foo ham
#> [1,] 0 1 1
#> [2,] 0 1 2
#> [3,] 1 0 3
#> [4,] 1 0 4
最后，对于那些想知道的人来说，时间相当于model.matrix 解决方案。
library(microbenchmark)
my_data = data.frame(x = as.factor(sample(100, 1e6, TRUE)))
microbenchmark(mm = model.matrix(~x, my_data),
i = i(my_data$x), times = 5)
#> Unit: milliseconds
#> expr min lq mean median uq max neval
#> mm 155.1904 156.7751 209.2629 182.4964 197.9084 353.9443 5
#> i 154.1697 154.7893 159.5202 155.4166 163.9706 169.2550 5
【讨论】：