如何折叠类别或重新分类变量？

Posted 2023-03-24

【中文标题】如何折叠类别或重新分类变量？

【英文标题】：How to collapse categories or recategorize variables?

【发布时间】：2011-03-17 02:08:19

【问题描述】：

在 R 中，我有 600,000 个分类变量，每个分类变量被分类为“0”、“1”或“2”。

我想做的是折叠“1”和“2”并自行留下“0”，这样在重新分类后“0”=“0”； “1”=“1”和“2”=“1”。最后，我只希望“0”和“1”作为每个变量的类别。

另外，如果可能的话，我宁愿不创建 600,000 个新变量，如果我可以用新值替换现有变量那就太好了！

最好的方法是什么？

【参考方案1】：

我发现使用factor(new.levels[x]) 更通用：

> x <- factor(sample(c("0","1","2"), 10, replace=TRUE)) 
> x
 [1] 0 2 2 2 1 2 2 0 2 1
Levels: 0 1 2
> new.levels<-c(0,1,1)
> x <- factor(new.levels[x])
> x
 [1] 0 1 1 1 1 1 1 0 1 1
Levels: 0 1

新的层级向量的长度必须与 x 中的层数相同，因此您也可以使用字符串和 NA 进行更复杂的重新编码

x <- factor(c("old", "new", NA)[x])
> x
 [1] old    <NA>   <NA>   <NA>   new <NA>   <NA>   old   
 [9] <NA>   new    
Levels: new old

【参考方案2】：

recode() 对此有点矫枉过正。您的情况取决于当前的编码方式。假设你的变量是 x。

如果是数字

x <- ifelse(x>1, 1, x)

如果是角色

x <- ifelse(x=='2', '1', x)

如果它是级别 0,1,2 的因子

levels(x) <- c(0,1,1)

其中任何一个都可以跨数据框 dta 应用于变量 x。比如……

 dta$x <- ifelse(dta$x > 1, 1, dta$x)

或者，一个框架的多个列

 df[,c('col1','col2'] <- sapply(df[,c('col1','col2'], FUN = function(x) ifelse(x==0, x, 1))

【参考方案3】：

包car中有一个函数recode（应用回归的伴侣）：

require("car")    
recode(x, "c('1','2')='1'; else='0'")

或者在普通 R 中为您的情况：

> x <- factor(sample(c("0","1","2"), 10, replace=TRUE))
> x
 [1] 1 1 1 0 1 0 2 0 1 0
Levels: 0 1 2
> factor(pmin(as.numeric(x), 2), labels=c("0","1"))
 [1] 1 1 1 0 1 0 1 0 1 0
Levels: 0 1

更新：要重新编码数据框 tmp 的所有分类列，您可以使用以下代码

recode_fun <- function(x) factor(pmin(as.numeric(x), 2), labels=c("0","1"))
require("plyr")
catcolwise(recode_fun)(tmp)

【讨论】：

感谢您的回复！这就是我将其专门应用于我的数据的方式。我的数据采用 data.frame 的形式，我想维护它： data

【参考方案4】：

我喜欢 dplyr 中可以快速重新编码值的功能。

 library(dplyr)
 df$x <- recode(df$x, old = "new")

希望这会有所帮助:)

【参考方案5】：

请注意，如果您只希望结果是 0-1 二元变量，则可以完全放弃因子：

f <- sapply(your.data.frame, is.factor)
your.data.frame[f] <- lapply(your.data.frame[f], function(x) x != "0")

第二行也可以写得更简洁（但可能更隐晦）

your.data.frame[f] <- lapply(your.data.frame[f], `!=`, "0")

这会将您的因素转换为一系列逻辑变量，其中“0”映射到FALSE，其他任何内容都映射到TRUE。 FALSE 和 TRUE 将被大多数代码视为 0 和 1，这反过来在分析中应该给出与使用级别为“0”和“1”的因子基本相同的结果。事实上，如果它没有给出相同的结果，那就会让人怀疑分析的正确性......

【参考方案6】：

您可以使用sjmisc 包的rec 函数，它可以一次重新编码一个完整的数据帧（假设所有变量至少具有相同的重新编码值）。

library(sjmisc)
mydf <- data.frame(a = sample(0:2, 10, T),
                   b = sample(0:2, 10, T),
                   c = sample(0:2, 10, T))

> mydf
   a b c
1  1 1 0
2  1 0 1
3  0 2 0
4  0 1 0
5  1 0 0
6  2 1 1
7  0 1 1
8  2 1 2
9  1 1 2
10 2 0 1

mydf <- rec(mydf, "0=0; 1,2=1")

   a b c
1  1 1 0
2  1 0 1
3  0 1 0
4  0 1 0
5  1 0 0
6  1 1 1
7  0 1 1
8  1 1 1
9  1 1 1
10 1 0 1

【参考方案7】：

使用来自 tidyverse 的 forcats 包的解决方案

library(forcats)

> x <- factor(sample(c("0","1","2"), 10, replace=TRUE))
> x
[1] 1 1 1 0 1 0 2 0 1 0
Levels: 0 1 2
    
> fct_collapse(x, "1" = c("1", "2"))
[1] 1 1 1 0 1 0 1 0 1 0
Levels: 0 1