r中的选择性缩放函数使用不同的数据框进行缩放

Posted 2023-02-14

【中文标题】r中的选择性缩放函数使用不同的数据框进行缩放

【英文标题】：selective scaling function in r using a different data frame to scale

【发布时间】：2022-01-21 16:08:21

【问题描述】：

我是 R 的新手。我希望编写一个函数来缩放我的数据框中的所有数字列，除了特定的数字列（在下面的示例中，我不想缩放列“估计”）。由于使用此函数的特定上下文，我实际上想使用另一个数据框来缩放数据。下面是一个失败的尝试。在这个尝试中 original.df 表示需要缩放的数据框，scaling.data 表示用于缩放的数据。我试图将数字 original.df 列集中在相应 scaling.data 列的平均值上，然后除以 scaling.data 列的 2 个标准差。

对于工作解决方案可能不是必不可少的其他信息：

这个函数将嵌套在一个更大的函数中。在较大的函数中有一个称为 predictors 的参数，它表示需要包含在新数据框中的列名称，并且在缩放数据框中也可以找到。这可能是用于迭代缩放函数的向量，尽管这不是必需的。 （注意：此向量包括引用字符和数字列的列名，我再次希望该函数仅缩放数字列。最终产品应包括 original.df 中未缩放的“估计”列）。

> predictors
[1] "color"  "weight" "height" "length"
    
>original.df
    color weight height length estimate
    1    red     10     66     40        5
    2    red     12     60     41        7
    3 yellow     12     67     48        9
    4   blue     15     55     36       10
    5 yellow     21     54     48        7
    6    red     12     54     43        5
    7    red     11     38     36        6
            
     
  >scale.data
     color weight height length estimate
    1    red     11     55     41        7
    2    red     13     67     39        9
    3 yellow     12     67     46       11
    4   blue     16      8     37        5
    5 yellow     23     10     47        9
    6    red     17     11     41       10
    7    red     16     13     37       13
                
 

    scale2sd<-function(variable)
         original.df[[variable]]<-((original.df[[variable]]) - mean(scaling.data[[variable]],na.rm=TRUE))/(2*sd(scaling.data[[variable]], na.rm=TRUE))
                            return(original.df[[variable]])
                          
        
     new.df<-original.df %>%mutate_at((!str_detect(names(.),"estimate")&is.numeric),scale)

我需要结果是全新的缩放数据框。

非常感谢您的时间和想法。

【参考方案1】：

使用基本 R 的一种方式。代码中的注释。谢谢 Nelson，提供数据 +1

df <- read.table(text="color weight height length estimate
    1    red     10     66     40        5
    2    red     12     60     41        7
    3 yellow     12     67     48        9
    4   blue     15     55     36       10
    5 yellow     21     54     48        7
    6    red     12     54     43        5
    7    red     11     38     36        6", head=T)

scale_df <- read.table(text=" color weight height length estimate
    1    red     11     55     41        7
    2    red     13     67     39        9
    3 yellow     12     67     46       11
    4   blue     16      8     37        5
    5 yellow     23     10     47        9
    6    red     17     11     41       10
    7    red     16     13     37       13", head=T)

## add reference and scaling df as arguments
scale2sd <- function(ref, scale_by, variable) 
  ((ref[[variable]]) - mean(scale_by[[variable]], na.rm = TRUE)) / (2 * sd(scale_by[[variable]], na.rm = TRUE))

predictors <- c("color", "weight", "height", "length")
## this is to get all numeric columns that are part of your predictor variables
df_to_scale <- Filter(is.numeric, df[predictors])
## create a named vector. This is a bit awkward but it makes it easier to select
## the corresponding items in the two data frames, 
## and then replace the original columns 
num_vars <- setNames(names(df_to_scale), names(df_to_scale))                      

## this is the actual scaling job - 
## use the named vector for looping over the selected columns 
## then assign it back to the selected columns
df[num_vars] <- lapply(num_vars, function(x) scale2sd(df, scale_df, x))

df
#>    color      weight     height      length estimate
#> 1    red -0.67259271 0.58130793 -0.14222363        5
#> 2    red -0.42479540 0.47561558 -0.01777795        7
#> 3 yellow -0.42479540 0.59892332  0.85334176        9
#> 4   blue -0.05309942 0.38753862 -0.64000632       10
#> 5 yellow  0.69029252 0.36992323  0.85334176        7
#> 6    red -0.42479540 0.36992323  0.23111339        5
#> 7    red -0.54869405 0.08807696 -0.64000632        6

【参考方案2】：

我们可以执行以下操作（我使用的是 dplyr 1.0.7，但任何 >= 1.0.0 都可以）：

创建一个可缩放的函数

scale_to_sd <- function(other_df, target)
      
      mean(other_df[,target], na.rm=TRUE) / 
        (2*sd(other_df[, target], na.rm=TRUE))  
    

如果您只需要严格的numeric 列并且需要排除某些列，我们可以使用matches，它提供了比contains 更大的灵活性，例如

df %>% 
   mutate(across(!matches("estimate|height") & where(is.numeric),
                 ~  .x - scale_to_sd(scale_df,cur_column()))) 
  

以上将缩放除估计或高度之外的任何内容。人们可以玩转正则表达式。

    color    weight height   length estimate
1    red  8.088421     66 34.87995        5
2    red 10.088421     60 35.87995        7
3 yellow 10.088421     67 42.87995        9
4   blue 13.088421     55 30.87995       10
5 yellow 19.088421     54 42.87995        7
6    red 10.088421     54 37.87995        5
7    red  9.088421     38 30.87995        6

原创

df %>% 
  mutate(across(contains("estimate") & where(is.numeric),
                ~  .x - scale_to_sd(scale_df,cur_column()))) 

跨目标列应用函数

 df %>% 
       mutate(across(contains("estimate"),
                     ~  .x - scale_to_sd(scale_df,cur_column()))) 

结果

        color weight height length estimate
    1    red     10     66     40 3.248164
    2    red     12     60     41 5.248164
    3 yellow     12     67     48 7.248164
    4   blue     15     55     36 8.248164
    5 yellow     21     54     48 5.248164
    6    red     12     54     43 3.248164
    7    red     11     38     36 4.248164

使用的数据：

df <- read.table(text="color weight height length estimate
    1    red     10     66     40        5
    2    red     12     60     41        7
    3 yellow     12     67     48        9
    4   blue     15     55     36       10
    5 yellow     21     54     48        7
    6    red     12     54     43        5
    7    red     11     38     36        6", head=T)

scale_df <- read.table(text=" color weight height length estimate
    1    red     11     55     41        7
    2    red     13     67     39        9
    3 yellow     12     67     46       11
    4   blue     16      8     37        5
    5 yellow     23     10     47        9
    6    red     17     11     41       10
    7    red     16     13     37       13", head=T)

【讨论】：

感谢您的回答！我不想缩放列“估计”，而是缩放所有其他数字列。我认为您的答案仅适用于“估计”列。有没有办法将您的解决方案表达为缩放除“估计”之外的所有数字？另外，有没有办法列出多个不缩放的列（例如，除重量和估计之外的 df 中的所有内容）？再次感谢您。

我现在在移动设备上，明天再看一遍。您可以仅使用where(is.numeric) 来扩展所有内容，并且可以使用! 否定contains，所以它不会。您还可以使用 matches 并提供带有否定的 RegEx，例如!matches("a" | "b")。如果您在明天之前需要快速解决方案，可以尝试这些。答案基于样本数据。

@ksweet，检查编辑。