通过设置每列平均值的标准偏差进行归一化（不包括第一列）

Question

我在下面有一个数据集：

  A       B     C      D
500       2     4      6
501       6     8     45
502       4     7      9 

如何对除第一个要标准化的列之外的每一列进行标准化，并与每列的平均值设置标准偏差。

例如下面是每列的方法：

B = 4
C = 6.333
D = 20

然后我想用不大于任一方向平均值的 25% 的边界进行归一化。

我认为您可以通过重新缩放来做到这一点，但我只是不知道如何将其应用于所有列：

library(scales)
rescale(x, to = c(mean - 0.25*mean, mean + 0.25*mean)

我知道这是一种方法，但它没有考虑到界限和 25% 的标准差集：

normalized <- function(x){
  return((x-min(x)) / (max(x)-min(x)))
}

normalized_dataset<-df %>% 
  mutate_at(vars(-one_of("A")), normalized)

Answer 1

我希望函数rescale 来自包scales。

这是使用*apply 系列函数的典型示例。
我将处理数据的副本并重新缩放副本，如果您不想保留原始数据，只需修改以下代码即可。

dat2 <- dat

dat2[-1] <- lapply(dat2[-1], function(x)
    scales::rescale(x, to = c(mean(x) - 0.25*mean(x), mean(x) + 0.25*mean(x))))

dat2
#    A B        C        D
#1 500 3 4.750000 15.00000
#2 501 5 7.916667 25.00000
#3 502 4 7.125000 15.76923

数据。

dat <- read.table(text = "
  A       B     C      D
500       2     4      6
501       6     8     45
502       4     7      9 
", header = TRUE)

Answer 2

如果您已经有代码可以满足您的需要，但难以将其应用于除第一列之外的所有列，请尝试使用简单的基本 R 方法。

你的功能：

## your rescale function
fun1 <- function(x){
    return(  scales::rescale(x, to = c(mean(x) - 0.25*mean(x), mean(x) + 0.25*mean(x))))
}

应用于除第一列之外的所有列：

dat[2:4] <- lapply(dat[2:4], fun1)

Answer 3

这行得通吗？

df <- read.table(text="
  A       B     C      D
500       2     4      6
501       6     8     45
502       4     7      9",h=T)

df2 <- df
df2[-1] <- lapply(df[-1],function(x) mean(x) +(x-mean(x)) * 0.25*mean(x)/max(abs(x-mean(x))))

#     A B        C    D
# 1 500 3 4.750000 17.2
# 2 501 5 7.464286 25.0
# 3 502 4 6.785714 17.8

每个相关列的平均值保持不变，但值会重新调整，以便距平均值最远的值与它的距离为mean*25%。