如何在 R 中为虚拟对象创建自动范围？答案

【问题标题】：How to create an automated range for dummy in R?如何在 R 中为虚拟对象创建自动范围？
【发布时间】：2021-03-27 05:55:55
【问题描述】：

我有以下 DF，我想创建一个具有自动比例的假人，以明确表示一个城市是有小公司、中等公司还是有很多公司。

cities	sum of companies
CTY A	199
CITY B	358
CITY C	250
CITY D	1265
CITY E	610

我尝试了以下代码：

#install.packages("scales")
library(scales)

    COMP_SCALES<- breaks_extended() #from packages Scales
    COMP_A<-COMP_SCALES(df[2], n =4)
    COMP_A <- cut(df[2], 
                          breaks=c(-Inf, COMP_A[2],COMP_A[3],COMP_A[4], Inf), 
                          labels=c("LITTLE","MEDIUM","A LOT OF","+ A LOT OF"))

但是，一旦所有城市都在小范围内，自动计算的比例就不是很合适了。如何更好地自动化此代码？

最后的目的是创建一个表格以更好地可视化结果，如下所示：

COMP_A_CLUSTER <- as.data.frame.matrix(table(COMP_A,kmeans.k$cluster))

预期结果：城市 A 应该放在“Little”上。城市 B 和 C 应放在“中”。城市 E 应该放在“很多”上。 D市应该放在“+很多”上。

我有一个包含 10,000 多个城市和 100 多个列的列表来执行类似的过程，这就是为什么我希望自动计算虚拟对象的规模。

【问题讨论】：

标签： r cluster-analysis dummy-variable dummy-data

【解决方案1】：

如果您知道每个类别的结束（右）边界是什么，您就可以编写自己的函数。下面是一个简单的例子。 DF 有一个新栏目“CatCities”，里面有你想要的。

有以下假设

sum.of.companies 的最小值大于或等于 0
sum.of.companies 的最大值为 10000（您可以更改）
函数参数中的“CategoryList”严格递增（从最低到最高），参数“EndPoints”也是如此
函数调用中参数“CategoryList”和“EndPoints”的向量长度相等

DF <- read.csv("./SomeDF.csv")
ClassifyRange <- function(x, CategoryList=c("Little","Medium","a lof of","+a lot of"),EndPoints=c(250,500,1000,10000)){
  Index <- which((EndPoints -x) >= 0)
  return(CategoryList[Index[1]])
}

DF$CatCities <- lapply(DF$sum.of.companies, FUN=ClassifyRange)

它产生以下输出

【讨论】：

【解决方案2】：

您可以使用quantile 来选择每个间隔具有相同数量的样本。默认情况下，quantile 分为 4 个间隔 (probs = seq(0, 1, 0.25))，但您可以为 probs 参数指定不同的间隔。

 COMP_A <- cut(df[,2], 
               breaks=quantile(df[,2]), 
               labels=c("LITTLE","MEDIUM","A LOT OF","+ A LOT OF"))

【讨论】：