根据R中矩阵中的数据创建虚拟变量答案

【问题标题】：Creating a dummy variable according to data in a matrix in R根据R中矩阵中的数据创建虚拟变量
【发布时间】：2013-09-16 10:30:08
【问题描述】：

我有一个数据框，其中包含属于 n 个不同国家的 1000 个观察值。每个国家有超过 1 个观测值，每个国家的观测值数量不同。我需要创建一个数字从 (1 到 n-1) 的列，每个数字对应一个不同的国家。也就是说，我正在创建一个虚拟变量，我不在乎哪个国家有哪个数字。我只需要创建这样的假人。我的数据是这样的

  Region     x
1    be1 71615
4  be211 54288
5  be112 51158
6  it213 69856
8  it221 71412
9  uk222 79537
10 de101 94827
11 de10a 98273
12 dea10 92827
..    ..    ..

每个国家/地区在区域列中都有自己的“代码”，例如 beXXXX 对应于比利时，ukXXX 对应于英国等。因此，我想我可以利用列 Region 中最初的 2 字母来创建我的假人。我从here 知道，命令grep() 可以完成这项工作，但我需要一个脚本，当区域的首字母发生变化时，它会自动从 1 切换到 n-1。

预期的输出应该是这样的

 Region     x   Dummy
1    be1 71615      1
4  be211 54288      1
5  be112 51158      1
6  it213 69856      2
8  it221 71412      2
9  uk222 79537      3
10 de101 94827      4
11 de10a 98273      4
12 dea10 92827      4
..    ..    ..     ..

在这种情况下，1 对应于“be”（比利时），2 对应于“it”（意大利），依此类推，以用于我的样本中的“n”个国家/地区。

【问题讨论】：

请从您的示例输入中发布预期输出...
你是对的。我发布了预期的输出。我想强调的是，数据框是按地区（因此按国家）排序的，也就是说，我首先拥有所有 beXXX 观察结果，然后是 itXXXX 等等。也许可以利用这一点使事情变得更简单。

标签： r

【解决方案1】：

如何创建一个因子变量（您可以使用as.integer 显示底层整数代码）。我们使用regexec 和regmatches 来提取出现在Region 变量开头的字母代码（忽略后面出现的字母）并将它们变成因子...

#  Data with an extra row (row number 11)
df <- read.table( text = "  Region     x
1    be1 71615
4  be211 54288
5  be112 51158
6  it213 69856
8  it221 71412
9  uk222 79537
11  uk222a 79537
10 de101 94827" , h = T , stringsAsFactors = FALSE )

levs <- regmatches( df$Region , regexec( "^[a-z]+" , df$Region ) )

df$Country <- as.integer( factor( levs , levels = unique(levs ) ) )

   Region     x Country
1     be1 71615       1
4   be211 54288       1
5   be112 51158       1
6   it213 69856       2
8   it221 71412       2
9   uk222 79537       3
11 uk222a 79537       3
10  de101 94827       4

unlist( regmatches( df$Region , regexec( "^[a-z]+" , df$Region ) ) )
[1] "be" "be" "be" "it" "it" "uk" "uk" "de"

【讨论】：

你好。谢谢你的洞察力。但是，我仍然有一个问题。我需要代码只考虑首字母，因为我的区域代码如下：uk218、uk219、uk21a（从 1 到 9，然后 siwtches 到字母）您提供的代码创建了一个名为 (uk) 的变量和另一个名为（uka）。我只需要（英国）。关于订单，这并不是很重要，但它可以对其他人有用。谢谢
你是对的。我有> 1000个观察结果并忘记了它。要去编辑问题。谢谢
@Bob 现在应该可以工作了。您可以只使用我在答案中输入的示例数据 - 它可以让我不必重新编辑（再次！）。
@SimonO101。有了你的数据，一切都很好。在我的情况下，我在 regexec("^[a-z]+", code.nuts3$Region) 中遇到此错误：无效的 'text' 参数我想这是我的错：可能是因为我有这种代码：de111、de11a 和 dea11 ？再次感谢您
@Bob 注意read.table 中的stringsAsFactors 参数。 Region 应该是一个字符串，但它被视为一个因素。或者使用regexec("^[a-z]+", as.character( code.nuts3$Region ) )

【解决方案2】：

使用gsub 的另一个选项是：

gsub('.*(^[a-z]{2}).*','\\1',c('de111', 'de11a','dea11'))
"de" "de" "de"

然后您使用factor 和as.integer，如上一个答案所示。

【讨论】：

+1 这将是相当可靠的，假设所有国家代码都是两个字母。
你能进一步解释一下'\\1'的用法吗？谢谢
\\1 获取正则表达式模式中括号之间分组的内容。