从数据框生成虚拟变量答案

【问题标题】：Generate Dummy Variables From Data Frame从数据框生成虚拟变量
【发布时间】：2018-02-02 15:06:52
【问题描述】：

我有一个 data.frame 具有以下属性：

list1 <- c(145540,145560, 157247, 145566)
list2 <- c(166927, NA, NA, NA)
list3 <- c(145592, 145560, 145566, NA)
df <- data.frame(list1, list2, list3)

我想为每个包含的 id 生成一个虚拟变量。结果应该是这样的。

list, 145540, 145560, 145566,145592,157247,166927 (= all possible ids in the data)

list1, 1, 1, 1, 0, 1, 0

list2, 0, 0, 0, 0, 0, 1

list3, 0, 1, 1, 1, 0, 0

任何想法如何实现这一目标？谢谢！

【问题讨论】：

看?sample()。
您需要虚拟变量或值？标题具有误导性。您需要对输出进行更多解释。 0 和 1 是随机的或者它们有一些条件
目标是创建一个 data.frame，如果列表中存在例如 145540，则出现值 1，否则为 0。这与随机抽样无关。

标签： r dataframe dummy-variable

【解决方案1】：

只需使用stack 和table：

t(table(stack(df)))
##        values
## ind     145540 145560 145566 145592 157247 166927
##   list1      1      1      1      0      1      0
##   list2      0      0      0      0      0      1
##   list3      0      1      1      1      0      0

或者，使用“data.table”：

library(data.table)
melt(as.data.table(df), measure.vars = names(df), na.rm = TRUE)[
  , dcast(.SD, variable ~ value, fun = length)]
##    variable 145540 145560 145566 145592 157247 166927
## 1:    list1      1      1      1      0      1      0
## 2:    list2      0      0      0      0      0      1
## 3:    list3      0      1      1      1      0      0

或者用“tidyverse”：

library(tidyverse)
df %>% 
  gather(var, col, everything(), na.rm = TRUE) %>% 
  mutate(val = 1) %>% 
  spread(col, val, fill = 0)

或使用“qdapTools”：

mtabulate(df)

【讨论】：

您将如何使用 Spark 集群（例如 SparklyR）解决此问题？

【解决方案2】：

我的回答有点笨拙，但这里是：

all.vals <- na.omit(unique(unlist(df)))  ## get full set of values

使用for 循环更清楚：

df2 <- list()
for (i in seq_along(df))
  df2[[i]] <-
  sapply(all.vals,
         function(x) as.numeric(x %in% df[[i]]))
names(df2) <- names(df)
## add labels as the first column:
df2 <- data.frame(all.vals,df2)

结果：

  all.vals list1 list2 list3
1   145540     1     0     0
2   145560     1     0     1
3   157247     1     0     0
4   145566     1     0     1
5   166927     0     1     0
6   145592     0     0     1

【讨论】：

【解决方案3】：

你可以使用%in%:

list %in% list1 + 0
# [1] 1 1 1 0 1 0

请注意，您对 list1 的回答中有错字，因为 145592 不在 list1 中，但 157247 在。 + 0 将 TRUE/FALSE 转换为 1/0。你可以用sapply()处理整个数据框：

t(sapply(df, function(x) list %in% x + 0))
#       [,1] [,2] [,3] [,4] [,5] [,6]
# list1    1    1    1    0    1    0
# list2    0    0    0    0    0    1
# list3    0    1    1    1    0    0

【讨论】：