[R] 中的 One-Hot 编码 |分类到虚拟变量

Posted 2023-02-16

【中文标题】[R] 中的 One-Hot 编码 |分类到虚拟变量

【英文标题】：One-Hot Encoding in [R] | Categorical to Dummy Variables [duplicate]

【发布时间】：2014-07-31 07:25:45

【问题描述】：

我需要创建一个新的数据框 nDF，它将所有分类变量二值化，同时将所有其他变量保留在数据框 DF 中。例如，我有以下特征变量：RACE（4 种类型）和 AGE，以及一个名为 CLASS 的输出变量。

DF =

种族年龄（21岁以下）班级 案例 1 西班牙裔 0 A 案例 2 亚洲 1 A 案例 3 西班牙裔 1 D 案例 4 白种人 1 B

我想将其转换为带有五 (5) 个变量或四 (4) 个变量的 nDF：

RACE.1 RACE.2 RACE.3 年龄（21 岁以下）等级 案例 1 0 0 0 0 A 案例 2 0 0 1 1 A 案例 3 0 0 0 1 D 案例 4 0 1 0 1 B

我熟悉变量 DF$RACE 的处理对比。但是，如果我实施

contrasts(DF$RACE) = contr.treatment(4)

我得到的仍然是三个变量的 DF，但变量 DF$RACE 具有“对比”属性。

我最终想要的是一个新的数据框 nDF，如上图所示，但如果一个数据框有大约 50 个特征变量，其中超过五 (5) 个，评估它可能会非常繁琐是分类变量。

【问题讨论】：

如果您愿意使用data.table 包，您可以使用mltools 中的one_hot() 方法。

【参考方案1】：

dd <- read.table(text="
   RACE        AGE.BELOW.21     CLASS
   HISPANIC          0          A
   ASIAN             1          A
   HISPANIC          1          D
   CAUCASIAN         1          B",
  header=TRUE)


  with(dd,
       data.frame(model.matrix(~RACE-1,dd),
                  AGE.BELOW.21,CLASS))
 ##   RACEASIAN RACECAUCASIAN RACEHISPANIC AGE.BELOW.21 CLASS
 ## 1         0             0            1            0     A
 ## 2         1             0            0            1     A
 ## 3         0             0            1            1     D
 ## 4         0             1            0            1     B

公式~RACE-1 指定R 应该从RACE 变量创建虚拟变量，但抑制截距（以便每列代表观察是否来自指定类别）；默认情况下，没有-1，将第一列设为截距项（全为），从模型矩阵中省略基线水平（因子的第一水平）的虚拟变量。

更一般地说，您可能想要类似的东西

 dd0 <- subset(dd,select=-CLASS)
 data.frame(model.matrix(~.-1,dd0),CLASS=dd$CLASS)

请注意，当您有多个分类变量时，如果您想要为每个变量设置完整的虚拟变量集，您将不得不做一些棘手的事情。我会想到 cbind() 将单独的模型矩阵放在一起，但我认为还有一些技巧可以一次完成所有这些我忘记了......

【讨论】：

我一定会尝试您在此处建议的这个，并使用 cbind() 进行更多探索。这真的很有帮助。如果我有更多的声望，我会投票赞成你的答案。

看不懂~RACE-1的意思？

RACE 表示根据治疗对比将分类变量转换为虚拟变量； -1 表示省略拦截项

请注意，数字编码的列必须存储为character 或factor，否则model.matrix 将保留它。