本站分享:大数据、数据分析师考试认证培训,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训广告位

R语言中生成虚拟变量_哑变量_r语言

r语言 cdadata 1283℃ 0评论

R语言中生成虚拟变量/哑变量

关键词: r语言 生成虚拟变量r语言 哑变量

前言

虚拟变量又称虚设变量、名义变量或哑变量,用以反映质的属性的一个人工变量,是量化了的质变量,通常取值为0或1。引入哑变量可使线形回归模型变得更复杂,但对问题描述更简明,一个方程能达到俩个方程的作用,而且接近现实。

目录

1. 模型中引入虚拟变量的作用

2. 虚拟变量设置的原则

3. Example1

4. Example2

5. Example3

1. 模型中引入虚拟变量的作用

例如,反映文程度的虚拟变量可取为:1:本科学历;0:非本科学历

一般地,在虚拟变量的设置中:基础类型、肯定类型取值为1;比较类型,否定类型取值为0。

  • 模型中引入虚拟变量的作用
    • 1、分离异常因素的影响,例如分析我国GDP的时间序列,必须考虑“文革”因素对国民经济的破坏性影响,剔除不可比的“文革”因素。
    • 2、检验不同属性类型对因变量的作用,例如工资模型中的文化程度、季节对销售额的影响。
    • 3、提高模型的精度,相当与将不同属性的样本合并,扩大了样本容量(增加了误差自由度,从而降低了误差方差)

2. 虚拟变量设置的原则

  • 在模型中引入多个虚拟变量时,虚拟变量的个数应按下列原则确定:
    • 如果回归模型有截距项。有m种互斥的属性类型,在模型中引入(m-1)个虚拟变量。
    • 如果回归模型无截距项,有m个特征,设置m个虚拟变量

在R语言中对包括分类变量(factor)的数据建模时,一般会将其自动处理为虚拟变量或哑变量(dummy variable)。

3. Example1

在R语言中对包括分类变量(factor)的数据建模时,一般会将其自动处理为虚拟变量或哑变量(dummy variable)。但有一些特殊的函数,如neuralnet包中的neuralnet函数就不会预处理。如果直接将原始数据扔进去,会出现”requires numeric/complex matrix/vector arguments”需要数值/复数矩阵/矢量参数错误。

这个时候,除了将这些变量删除,我们只能手动将factor variable转换为取值(0,1)的虚拟变量。所用的函数一般有model.matrix(),nnet package中的class.ind()。
下面以UCI的german credit data为例说明。

首先,从UCI网站上下载到german.data数据集,并用str函数对其有个简单的认识。

    download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data", 
        "./german.data")
    data <- read.table("./german.data")
    str(data)

该数据有21个变量,其中V21为目标变量,V1-V20中包括integer和factor两种类型。下面将用V1分类变量(包含4个level)和V2,V5,V8三个数值型变量作为解释变量建模。

    ## '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 ...

首先加载neuralnet包尝试一下,只用数值型变量建模,没有报错。

    # install.packages("neuralnet")
    library("neuralnet")
    NNModelAllNum <- neuralnet(V21 ~ V2 + V5 + V8, data)
    NNModelAllNum
    
    ## Call: neuralnet(formula = V21 ~ V2 + V5 + V8, data = data)
    ## 
    ## 1 repetition was calculated.
    ## 
    ##         Error Reached Threshold Steps
    ## 1 104.9993578    0.005128715177    55

当我们把V1放入解释变量中出现了如下错误:

    NNModel <- neuralnet(V21 ~ V1 + V2 + V5 + V8, data)
    
    ## Error: 需要数值/复数矩阵/矢量参数

此时可以用model.matrix函数将V1转化为三个虚拟变量,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

因为model.matrix函数对数值型和分类Level=2的类别型变量没有影响,所以可以将四个变量一起用该函数生成新的数据集modelData,就可以用该数据集建模了。

    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
    
    NNModel <- neuralnet(V21 ~ V1A12 + V1A13 + V1A14 + V2 + V5 + V8, modelData)

另外一种方法来自nnet package的class.ind函数。

    library("nnet")
    dummyV12 <- class.ind(data$V1)
    head(dummyV12)

可以看到,该结果和model.matrix稍有区别,生成了四个虚拟变量。要注意,为了避免多重共线性,对于level=n的分类变量只需选取其任意n-1个虚拟变量。

    ##      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

4. Example2

    > library("nnet")
    > # head(iris)
    > # dim(iris)
    > # table(iris$Species)
    > dummyiris<- class.ind(iris$Species)
    > dummyiris[sample(nrow(dummyiris),5),]
         setosa versicolor virginica
    [1,]      1          0         0
    [2,]      0          1         0
    [3,]      0          1         0
    [4,]      1          0         0
    [5,]      0          0         1
    > iris_dummy <- cbind(dummyiris, iris)
    > # head(iris_dummy)
    > dim(iris_dummy)
    [1] 150   8
    > iris_dummy[sample(nrow(iris_dummy),5),c(1:3,8)]
        setosa versicolor virginica    Species
    135      0          0         1  virginica
    41       1          0         0     setosa
    100      0          1         0 versicolor
    142      0          0         1  virginica
    61       0          1         0 versicolor

5. Example3

    # 今天从豆瓣上学到一招:
    # create dummy variables from categorical variables. 
    > dummy_variable = model.matrix(~factor(categorical_variable)-1) 
    > dum = as.data.frame(dummy_variable) 
    > names(dum) = paste("dummy", 1:length(dum[1,]), sep="")
     
    # 这里categorical_variable可以是一个矩阵或者数据框或者向量 
    # model.matrix是对表型协变量的水平进行design,比如:
    > design <- model.matrix(~ -1+factor(c(1,1,1, 2,2,2)))
    # 含义就是你有2组每组重复3次共6次试验,前3次是1组的,后3次是2组的
    
    # 结果为:
        1 0
        1 0
        1 0
        0 1
        0 1
        0 1

转载请注明:数据分析 » R语言中生成虚拟变量_哑变量_r语言

喜欢 (0)or分享 (0)
发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址