R中模型矩阵中因子的所有级别答案

【问题标题】：All Levels of a Factor in a Model Matrix in RR中模型矩阵中因子的所有级别
【发布时间】：2011-06-01 10:05:49
【问题描述】：

我有一个data.frame，由数字和因子变量组成，如下所示。

testFrame <- data.frame(First=sample(1:10, 20, replace=T),
           Second=sample(1:20, 20, replace=T), Third=sample(1:10, 20, replace=T),
           Fourth=rep(c("Alice","Bob","Charlie","David"), 5),
           Fifth=rep(c("Edward","Frank","Georgia","Hank","Isaac"),4))

我想构建一个matrix，将虚拟变量分配给因子，而单独保留数字变量。

model.matrix(~ First + Second + Third + Fourth + Fifth, data=testFrame)

正如运行lm 时所预期的那样，这会忽略每个因素的一个水平作为参考水平。但是，我想为所有因素的每个级别构建一个带有虚拟/指标变量的matrix。我正在为glmnet 构建这个矩阵，所以我不担心多重共线性。

有没有办法让model.matrix 为因子的每个级别创建虚拟对象？

【问题讨论】：

标签： r matrix model indicator

【解决方案1】：

（试图赎回自己...）作为对 Jared 对 @Fabians 关于自动化的回答的评论的回应，请注意，您需要提供的只是对比矩阵的命名列表。 contrasts() 采用向量/因子并从中生成对比矩阵。为此，我们可以使用lapply() 对我们数据集中的每个因素运行contrasts()，例如对于提供的testFrame 示例：

> lapply(testFrame[,4:5], contrasts, contrasts = FALSE)
$Fourth
        Alice Bob Charlie David
Alice       1   0       0     0
Bob         0   1       0     0
Charlie     0   0       1     0
David       0   0       0     1

$Fifth
        Edward Frank Georgia Hank Isaac
Edward       1     0       0    0     0
Frank        0     1       0    0     0
Georgia      0     0       1    0     0
Hank         0     0       0    1     0
Isaac        0     0       0    0     1

@fabians 回答中哪个位置很好：

model.matrix(~ ., data=testFrame, 
             contrasts.arg = lapply(testFrame[,4:5], contrasts, contrasts=FALSE))

【讨论】：

+1。好的。您可以通过将 4:5 替换为 sapply(testFrame, is.factor) 来进一步自动化它
自动化的绝佳解决方案。在你们两个之间，我的问题已经得到了完美的回答，所以我不确定谁的答案应该被标记为“接受的答案”。我希望你们都获得荣誉。
@Jared：@fabians 是您正在寻找的答案，所以他应该得到赞扬 - 我的贡献只是加了一点糖。

【解决方案2】：

您需要为因子变量重置contrasts：

model.matrix(~ Fourth + Fifth, data=testFrame, 
        contrasts.arg=list(Fourth=contrasts(testFrame$Fourth, contrasts=F), 
                Fifth=contrasts(testFrame$Fifth, contrasts=F)))

或者，打字少一点，没有正确的名字：

model.matrix(~ Fourth + Fifth, data=testFrame, 
    contrasts.arg=list(Fourth=diag(nlevels(testFrame$Fourth)), 
            Fifth=diag(nlevels(testFrame$Fifth))))

【讨论】：

这完全有效，我会接受这个答案，但如果我输入 20 个因素，是否有办法对框架中的所有变量普遍做到这一点，或者我也注定要打字多少？

【解决方案3】：

caret 实现了一个很好的函数dummyVars 用两行代码来实现：

library(caret) dmy <- dummyVars(" ~ .", data = testFrame) testFrame2 <- data.frame(predict(dmy, newdata = testFrame))

检查最后一列：

colnames(testFrame2)

"First"  "Second"         "Third"          "Fourth.Alice"   "Fourth.Bob"     "Fourth.Charlie" "Fourth.David"   "Fifth.Edward"   "Fifth.Frank"   "Fifth.Georgia"  "Fifth.Hank"     "Fifth.Isaac"

这里最好的一点是你得到了原始数据框，加上排除了用于转换的原始变量的虚拟变量。

【讨论】：

【解决方案4】：

也可以使用来自caret 的dummyVars。 http://caret.r-forge.r-project.org/preprocess.html

【讨论】：

看起来不错，但不包括拦截，我似乎无法强迫它。
@jared：它对我有用。示例：require(caret); (df <- data.frame(x1=c('a','b'), x2=1:2)); dummies <- dummyVars(x2~ ., data = df); predict(dummies, newdata = df)
@Jared 当您对因子的每个级别都有一个虚拟变量时，不需要拦截。
@Jared：这个添加拦截栏：require(caret); (df <- data.frame(x1=c('a','b'), x2=1:2)); dummies <- dummyVars(x2~ ., data = df); predict(dummies, newdata = df); cbind(1, predict(dummies, newdata = df))

【解决方案5】：

好的。只需阅读以上内容并将其放在一起。假设您想要矩阵，例如'X.factors' 乘以你的系数向量来得到你的线性预测器。还有几个额外的步骤：

X.factors = 
  model.matrix( ~ ., data=X, contrasts.arg = 
    lapply(data.frame(X[,sapply(data.frame(X), is.factor)]),
                                             contrasts, contrasts = FALSE))

（请注意，如果您只有一个因子列，则需要将 X[*] 转回数据框。）

然后说你得到这样的东西：

attr(X.factors,"assign")
[1]  0  1  **2**  2  **3**  3  3  **4**  4  4  5  6  7  8  9 10 #emphasis added

我们希望摆脱每个因素的 **'d 参考水平

att = attr(X.factors,"assign")
factor.columns = unique(att[duplicated(att)])
unwanted.columns = match(factor.columns,att)
X.factors = X.factors[,-unwanted.columns]
X.factors = (data.matrix(X.factors))

【讨论】：

顺便说一句，为什么这不是内置到基础 R 中？似乎每次运行模拟时都需要它。

【解决方案6】：

tidyverse 回答：

library(dplyr)
library(tidyr)
result <- testFrame %>% 
    mutate(one = 1) %>% spread(Fourth, one, fill = 0, sep = "") %>% 
    mutate(one = 1) %>% spread(Fifth, one, fill = 0, sep = "")

产生预期的结果（与@Gavin Simpson 的回答相同）：

> head(result, 6)
  First Second Third FourthAlice FourthBob FourthCharlie FourthDavid FifthEdward FifthFrank FifthGeorgia FifthHank FifthIsaac
1     1      5     4           0         0             1           0           0          1            0         0          0
2     1     14    10           0         0             0           1           0          0            1         0          0
3     2      2     9           0         1             0           0           1          0            0         0          0
4     2      5     4           0         0             0           1           0          1            0         0          0
5     2     13     5           0         0             1           0           1          0            0         0          0
6     2     15     7           1         0             0           0           1          0            0         0          0

【讨论】：

【解决方案7】：

使用 R 包“CatEncoders”

library(CatEncoders)
testFrame <- data.frame(First=sample(1:10, 20, replace=T),
           Second=sample(1:20, 20, replace=T), Third=sample(1:10, 20, replace=T),
           Fourth=rep(c("Alice","Bob","Charlie","David"), 5),
           Fifth=rep(c("Edward","Frank","Georgia","Hank","Isaac"),4))

fit <- OneHotEncoder.fit(testFrame)

z <- transform(fit,testFrame,sparse=TRUE) # give the sparse output
z <- transform(fit,testFrame,sparse=FALSE) # give the dense output

【讨论】：

【解决方案8】：

我目前正在学习 Lasso 模型和 glmnet::cv.glmnet()、model.matrix() 和 Matrix::sparse.model.matrix()（对于高维矩阵，使用 model.matrix 会浪费我们的时间，正如 glmnet 的作者所建议的那样。）。

只是分享有一个整洁的编码，以获得与@fabians 和@Gavin 的答案相同的答案。同时，@asdf123 还引入了另一个包library('CatEncoders')。

> require('useful')
> # always use all levels
> build.x(First ~ Second + Fourth + Fifth, data = testFrame, contrasts = FALSE)
> 
> # just use all levels for Fourth
> build.x(First ~ Second + Fourth + Fifth, data = testFrame, contrasts = c(Fourth = FALSE, Fifth = TRUE))

来源：R for Everyone: Advanced Analytics and Graphics (page273)

【讨论】：

感谢您的回答。有趣的是，build.x 函数是我编写的，并通过@fabiens 和@gavin 的回答实现了！那是我的书！太酷了，这绕了一圈。感谢阅读！

【解决方案9】：

您可以使用tidyverse 来实现此目的，而无需手动指定每一列。

诀窍是制作一个“长”数据框。

然后，整理一些东西，然后将其展开，以创建指标/虚拟变量。

代码：

library(tidyverse)

## add index variable for pivoting
testFrame$id <- 1:nrow(testFrame)

testFrame %>%
    ## pivot to "long" format
    gather(feature, value, -id) %>%
    ## add indicator value
    mutate(indicator=1) %>%
    ## create feature name that unites a feature and its value
    unite(feature, value, col="feature_value", sep="_") %>%
    ## convert to wide format, filling missing values with zero
    spread(feature_value, indicator, fill=0)

输出：

   id Fifth_Edward Fifth_Frank Fifth_Georgia Fifth_Hank Fifth_Isaac First_2 First_3 First_4 ...
1   1            1           0             0          0           0       0       0       0
2   2            0           1             0          0           0       0       0       0
3   3            0           0             1          0           0       0       0       0
4   4            0           0             0          1           0       0       0       0
5   5            0           0             0          0           1       0       0       0
6   6            1           0             0          0           0       0       0       0
7   7            0           1             0          0           0       0       1       0
8   8            0           0             1          0           0       1       0       0
9   9            0           0             0          1           0       0       0       0
10 10            0           0             0          0           1       0       0       0
11 11            1           0             0          0           0       0       0       0
12 12            0           1             0          0           0       0       0       0
...

【讨论】：

【解决方案10】：

model.matrix(~ First + Second + Third + Fourth + Fifth - 1, data=testFrame)

或

model.matrix(~ First + Second + Third + Fourth + Fifth + 0, data=testFrame)

应该是最直接的

【讨论】：

如果只有一个因素，这会很好，但如果有多个因素，仍然会省略参考水平。

【解决方案11】：

我编写了一个名为ModelMatrixModel 的包来改进model.matrix() 的功能。包中的 ModelMatrixModel() 函数默认返回一个包含稀疏矩阵的类，该类具有所有级别的虚拟变量，适合在 glmnet 包中的 cv.glmnet() 中输入。重要的是，返回该类还存储转换参数，例如因子级别信息，然后可以将其应用于新数据。该函数可以处理 r 公式中的大多数项目，例如 poly() 和交互。它还提供了其他几个选项，例如处理无效因子级别和缩放输出。

#devtools::install_github("xinyongtian/R_ModelMatrixModel")
library(ModelMatrixModel)
testFrame <- data.frame(First=sample(1:10, 20, replace=T),
                        Second=sample(1:20, 20, replace=T), Third=sample(1:10, 20, replace=T),
                        Fourth=rep(c("Alice","Bob","Charlie","David"), 5))
newdata=data.frame(First=sample(1:10, 2, replace=T),
                   Second=sample(1:20, 2, replace=T), Third=sample(1:10, 2, replace=T),
                   Fourth=c("Bob","Charlie"))
mm=ModelMatrixModel(~First+Second+Fourth, data = testFrame)
class(mm)
## [1] "ModelMatrixModel"
class(mm$x) #default output is sparse matrix
## [1] "dgCMatrix"
## attr(,"package")
## [1] "Matrix"
data.frame(as.matrix(head(mm$x,2)))
##   First Second FourthAlice FourthBob FourthCharlie FourthDavid
## 1     7     17           1         0             0           0
## 2     9      7           0         1             0           0

#apply the same transformation to new data, note the dummy variables for 'Fourth' includes the levels not appearing in new data     
mm_new=predict(mm,newdata)
data.frame(as.matrix(head(mm_new$x,2))) 
##   First Second FourthAlice FourthBob FourthCharlie FourthDavid
## 1     6      3           0         1             0           0
## 2     2     12           0         0             1           0

【讨论】：