R語言實(shí)現(xiàn)將分類變量轉(zhuǎn)換為啞變量(dummy vairable)
生成測試數(shù)據(jù)
a1 <- c(“f”,”f”,”b”,”b”,”c,”c”)
利用nnet包中的函數(shù)class.ind
> class.ind(a1) b c f [1,] 0 0 1 [2,] 0 0 1 [3,] 1 0 0 [4,] 1 0 0 [5,] 0 1 0 [6,] 0 1 0
class.ind代碼
class.ind <- function(cl) {
n <- length(cl)
cl <- as.factor(cl)
x <- matrix( 0, n , length(levels(cl)) )
# unclass 返回每個(gè)字符在level表中的位置
# 然后按照列計(jì)算在向量中的位置
x[n*(unclass(cl)-1) + （1：n）] <- 1
dimnames(x) <- list(names(cl), levels(cl))
x
}
補(bǔ)充：R語言中啞變量的設(shè)置
在構(gòu)建回歸模型時(shí)，如果自變量X為連續(xù)性變量，回歸系數(shù)β可以解釋為：在其他自變量不變的條件下，X每改變一個(gè)單位，所引起的因變量Y的平均變化量；如果自變量X為二分類變量，例如是否飲酒（1=是，0=否），則回歸系數(shù)β可以解釋為：其他自變量不變的條件下，X=1（飲酒者）與X=0（不飲酒者）相比，所引起的因變量Y的平均變化量。
但是，當(dāng)自變量X為多分類變量時(shí)，例如職業(yè)、學(xué)歷、血型、疾病嚴(yán)重程度等等，此時(shí)僅用一個(gè)回歸系數(shù)來解釋多分類變量之間的變化關(guān)系，及其對(duì)因變量的影響，就顯得太不理想。
此時(shí)，我們通常會(huì)將原始的多分類變量轉(zhuǎn)化為啞變量，每個(gè)啞變量只代表某兩個(gè)級(jí)別或若干個(gè)級(jí)別間的差異，通過構(gòu)建回歸模型，每一個(gè)啞變量都能得出一個(gè)估計(jì)的回歸系數(shù)，從而使得回歸的結(jié)果更易于解釋，更具有實(shí)際意義。
啞變量（Dummy Variable），又稱為虛擬變量、虛設(shè)變量或名義變量，從名稱上看就知道，它是人為虛設(shè)的變量，通常取值為0或1，來反映某個(gè)變量的不同屬性。對(duì)于有n個(gè)分類屬性的自變量，通常需要選取1個(gè)分類作為參照，因此可以產(chǎn)生n-1個(gè)啞變量。
什么情況下需要設(shè)置啞變量
1. 對(duì)于無序多分類變量，引入模型時(shí)需要轉(zhuǎn)化為啞變量
舉一個(gè)例子，如血型，一般分為A、B、O、AB四個(gè)類型，為無序多分類變量，通常情況下在錄入數(shù)據(jù)的時(shí)候，為了使數(shù)據(jù)量化，我們常會(huì)將其賦值為1、2、3、4。
從數(shù)字的角度來看，賦值為1、2、3、4后，它們是具有從小到大一定的順序關(guān)系的，而實(shí)際上，四種血型之間并沒有這種大小關(guān)系存在，它們之間應(yīng)該是相互平等獨(dú)立的關(guān)系。如果按照1、2、3、4賦值并帶入到回歸模型中是不合理的，此時(shí)我們就需要將其轉(zhuǎn)化為啞變量。
2. 對(duì)于有序多分類變量，引入模型時(shí)需要酌情考慮
例如疾病的嚴(yán)重程度，一般分為輕、中、重度，可認(rèn)為是有序多分類變量，通常情況下我們也常會(huì)將其賦值為1、2、3（等距）或1、2、4（等比）等形式，通過由小到大的數(shù)字關(guān)系，來體現(xiàn)疾病嚴(yán)重程度之間一定的等級(jí)關(guān)系。
但需要注意的是，一旦賦值為上述等距或等比的數(shù)值形式，這在某種程度上是認(rèn)為疾病的嚴(yán)重程度也呈現(xiàn)類似的等距或等比的關(guān)系。而事實(shí)上由于疾病在臨床上的復(fù)雜性，不同的嚴(yán)重程度之間并非是嚴(yán)格的等距或等比關(guān)系，因此再賦值為上述形式就顯得不太合理，此時(shí)可以將其轉(zhuǎn)化為啞變量進(jìn)行量化。
3. 對(duì)于連續(xù)性變量，進(jìn)行變量轉(zhuǎn)化時(shí)可以考慮設(shè)定為啞變量
對(duì)于連續(xù)性變量，很多人認(rèn)為可以直接將其帶入到回歸模型中即可，但有時(shí)我們還需要結(jié)合實(shí)際的臨床意義，對(duì)連續(xù)性變量作適當(dāng)?shù)霓D(zhuǎn)換。例如年齡，以連續(xù)性變量帶入模型時(shí)，其解釋為年齡每增加一歲時(shí)對(duì)于因變量的影響。但往往年齡增加一歲，其效應(yīng)是很微弱的，并沒有太大的實(shí)際意義。
此時(shí)，我們可以將年齡這個(gè)連續(xù)性變量進(jìn)行離散化，按照10歲一個(gè)年齡段進(jìn)行劃分，如0-10、11-20、21-30、31-40等等，將每一組賦值為1、2、3、4，此時(shí)構(gòu)建模型的回歸系數(shù)就可以解釋為年齡每增加10歲時(shí)對(duì)因變量的影響。
以上賦值方式是基于一個(gè)前提，即年齡與因變量之間存在著一定的線性關(guān)系。但有時(shí)候可能會(huì)出現(xiàn)以下情況，例如在年齡段較低和較高的人群中，某種疾病的死亡率較高，而在中青年人群中，死亡率卻相對(duì)較低，年齡和死亡結(jié)局之間呈現(xiàn)一個(gè)U字型的關(guān)系，此時(shí)再將年齡段賦值為1、2、3、4就顯得不太合理了。
因此，當(dāng)我們無法確定自變量和因變量之間的變化關(guān)系，將連續(xù)性自變量離散化時(shí)，可以考慮進(jìn)行啞變量轉(zhuǎn)換。
還有一種情況，例如將BMI按照臨床診斷標(biāo)準(zhǔn)分為體重過低、正常體重、超重、肥胖等幾種分類時(shí)，由于不同分類之間劃分的切點(diǎn)是不等距的，此時(shí)賦值為1、2、3就不太符合實(shí)際情況，也可以考慮將其轉(zhuǎn)化為啞變量。
在設(shè)定啞變量時(shí)，應(yīng)該選擇哪一類作為參照呢？
1. 一般情況下，可以選擇有特定意義的，或者有一定順序水平的類別作為參照
例如，婚姻狀態(tài)分為未婚、已婚、離異、喪偶等情況，可以將“未婚”作為參照；或者如學(xué)歷，分為小學(xué)、中學(xué)、大學(xué)、研究生等類別，存在著一定的順序，可以將“小學(xué)”作為參照，以便于回歸系數(shù)更容易解釋。
2. 可以選擇臨床正常水平作為參照
例如，BMI按照臨床診斷標(biāo)準(zhǔn)分為體重過低、正常體重、超重、肥胖等類別，此時(shí)可以選擇“正常體重”作為參照，其他分類都與正常體重進(jìn)行比較，更具有臨床實(shí)際意義。
3. 還可以將研究者所關(guān)注的重點(diǎn)類別作為參照
例如血型，分為A、B、O、AB四個(gè)類型，研究者更關(guān)注O型血的人，因此可以將O型作為參照，來分析其他血型與O型相比后對(duì)于結(jié)局產(chǎn)生影響的差異。
4. R語言中實(shí)現(xiàn)
在R語言中對(duì)包括分類變量(factor)的數(shù)據(jù)建模時(shí)，一般會(huì)將其自動(dòng)處理為虛擬變量或啞變量(dummy variable)。但有一些特殊的函數(shù)，如neuralnet包中的neuralnet函數(shù)就不會(huì)預(yù)處理。如果直接將原始數(shù)據(jù)扔進(jìn)去，會(huì)出現(xiàn)”requires numeric/complex matrix/vector arguments”需要數(shù)值/復(fù)數(shù)矩陣/矢量參數(shù)錯(cuò)誤。
這個(gè)時(shí)候，除了將這些變量刪除，我們只能手動(dòng)將factor variable轉(zhuǎn)換為取值(0,1)的虛擬變量。所用的函數(shù)一般有model.matrix(),nnet package中的class.ind()
下面以UCI的german credit data為例說明。
首先，從UCI網(wǎng)站上下載到german.data數(shù)據(jù)集，并用str函數(shù)對(duì)其有個(gè)簡單的認(rèn)識(shí)。
download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data", "./german.data")
data <- read.table("./german.data")
str(data)
該數(shù)據(jù)有21個(gè)變量，其中V21為目標(biāo)變量，V1-V20中包括integer和factor兩種類型。下面將用V1分類變量（包含4個(gè)level）和V2,V5,V8三個(gè)數(shù)值型變量作為解釋變量建模。
## 'data.frame': 1000 obs. of 21 variables: ## $ V1 : Factor w/ 4 levels "A11","A12","A13",..: 1 2 4 1 1 4 4 2 4 2 ... ## $ V2 : int 6 48 12 42 24 36 24 36 12 30 ... ## $ V3 : Factor w/ 5 levels "A30","A31","A32",..: 5 3 5 3 4 3 3 3 3 5 ... ## $ V4 : Factor w/ 10 levels "A40","A41","A410",..: 5 5 8 4 1 8 4 2 5 1 ... ## $ V5 : int 1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ... ## $ V6 : Factor w/ 5 levels "A61","A62","A63",..: 5 1 1 1 1 5 3 1 4 1 ... ## $ V7 : Factor w/ 5 levels "A71","A72","A73",..: 5 3 4 4 3 3 5 3 4 1 ... ## $ V8 : int 4 2 2 2 3 2 3 2 2 4 ... ## $ V9 : Factor w/ 4 levels "A91","A92","A93",..: 3 2 3 3 3 3 3 3 1 4 ... ## $ V10: Factor w/ 3 levels "A101","A102",..: 1 1 1 3 1 1 1 1 1 1 ... ## $ V11: int 4 2 3 4 4 4 4 2 4 2 ... ## $ V12: Factor w/ 4 levels "A121","A122",..: 1 1 1 2 4 4 2 3 1 3 ... ## $ V13: int 67 22 49 45 53 35 53 35 61 28 ... ## $ V14: Factor w/ 3 levels "A141","A142",..: 3 3 3 3 3 3 3 3 3 3 ... ## $ V15: Factor w/ 3 levels "A151","A152",..: 2 2 2 3 3 3 2 1 2 2 ... ## $ V16: int 2 1 1 1 2 1 1 1 1 2 ... ## $ V17: Factor w/ 4 levels "A171","A172",..: 3 3 2 3 3 2 3 4 2 4 ... ## $ V18: int 1 1 2 2 2 2 1 1 1 1 ... ## $ V19: Factor w/ 2 levels "A191","A192": 2 1 1 1 1 2 1 2 1 1 ... ## $ V20: Factor w/ 2 levels "A201","A202": 1 1 1 1 1 1 1 1 1 1 ... ## $ V21: int 1 2 1 1 2 1 1 1 1 2……
首先加載neuralnet包嘗試一下，只用數(shù)值型變量建模，沒有報(bào)錯(cuò)。
library("neuralnet")
NNModelAllNum <- neuralnet(V21 ~ V2 + V5 + V8, data)
NNModelAllNum
當(dāng)我們把V1放入解釋變量中出現(xiàn)了如下錯(cuò)誤
NNModel <- neuralnet(V21 ~ V1 + V2 + V5 + V8, data) ## Error: 需要數(shù)值/復(fù)數(shù)矩陣/矢量參數(shù)
此時(shí)可以用model.matrix函數(shù)將V1轉(zhuǎn)化為三個(gè)虛擬變量，V1A12,V1A13,V1A14。
>dummyV1 <- model.matrix(~V1, data) >head(cbind(dummyV1, data$V1)) (Intercept) V1A12 V1A13 V1A14 1 1 0 0 0 1 2 1 1 0 0 2 3 1 0 0 1 4 4 1 0 0 0 1 5 1 0 0 0 1 6 1 0 0 1 4
因?yàn)閙odel.matrix函數(shù)對(duì)數(shù)值型和分類Level=2的類別型變量沒有影響，所以可以將四個(gè)變量一起用該函數(shù)生成新的數(shù)據(jù)集modelData，就可以用該數(shù)據(jù)集建模了。
>modelData <- model.matrix(~V1 + V2 + V5 + V8 + V21, data) >head(modelData) (Intercept) V1A12 V1A13 V1A14 V2 V5 V8 V21 1 1 0 0 0 6 1169 4 1 2 1 1 0 0 48 5951 2 2 3 1 0 0 1 12 2096 2 1 4 1 0 0 0 42 7882 2 1 5 1 0 0 0 24 4870 3 2 6 1 0 0 1 36 9055 2 1
另一種方法是來自nnet package的class.ind函數(shù)
>library("nnet")
>dummyV12 <- class.ind(data$V1)
>head(dummyV12)
A11 A12 A13 A14
[1,] 1 0 0 0
[2,] 0 1 0 0
[3,] 0 0 0 1
[4,] 1 0 0 0
[5,] 1 0 0 0
[6,] 0 0 0 1
可以看到，該結(jié)果和model.matrix稍有區(qū)別，生成了四個(gè)虛擬變量。要注意，為了避免多重共線性，對(duì)于level=n的分類變量只需選取其任意n-1個(gè)虛擬變量。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
相關(guān)文章
R是用于統(tǒng)計(jì)分析、繪圖的語言和操作環(huán)境。R是屬于GNU系統(tǒng)的一個(gè)自由、免費(fèi)、開源的軟件，它是一個(gè)用于統(tǒng)計(jì)計(jì)算和統(tǒng)計(jì)制圖的優(yōu)秀工具2021-03-03
這篇文章主要介紹了R語言變量重編碼、重命名的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
R包c(diǎn)lusterProfiler如何安裝成功(新手必看!)
最近在我以為ClusterProfiler已經(jīng)安裝好的時(shí)候,又遇到了一些問題,所以這篇文章主要給大家介紹了關(guān)于R包c(diǎn)lusterProfiler如何安裝成功的相關(guān)資料,需要的朋友可以參考下2023-02-02
R語言數(shù)據(jù)結(jié)構(gòu)之矩陣、數(shù)組與數(shù)據(jù)框詳解
進(jìn)行數(shù)據(jù)分析的第一步是先拿到數(shù)據(jù),下面這篇文章主要給大家介紹了關(guān)于R語言數(shù)據(jù)結(jié)構(gòu)之矩陣、數(shù)組與數(shù)據(jù)框的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-07-07
這篇文章主要介紹了R語言繪制坐標(biāo) 保存圖片的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
這篇文章主要介紹了R語言ggplot2包之坐標(biāo)軸詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
對(duì)于大數(shù)據(jù),linux和python是很好的處理工具,但是對(duì)于這兩個(gè)語言不熟悉的盆友來說,R語言是非常好的替代工具,下面這篇文章主要給大家介紹了關(guān)于R語言列篩選的法select的相關(guān)資料,需要的朋友可以參考下2022-07-07
這篇文章主要介紹了R語言利用caret包比較ROC曲線的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
R語言關(guān)于“包”的知識(shí)點(diǎn)總結(jié)
在本篇文章里小編給大家分享的是一篇關(guān)于R語言“包”的知識(shí)點(diǎn)總結(jié)內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。2021-03-03
這篇文章主要介紹了R語言-解決處理矩陣遇到內(nèi)存不足的問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04