如何缩放文本格式的特征“年龄”？

Posted 2023-02-16

【中文标题】如何缩放文本格式的特征“年龄”？

【英文标题】：How to scale feature "Age" which is in text format?

【发布时间】：2019-12-09 06:48:04

【问题描述】：

我需要从以下格式的数据集中缩放“年龄”属性。如何在 R 中对基于文本的变量进行缩放？

age_upon_outcome
2 weeks
1 month
3 months
1 year
3 weeks
2 months
8 months

【问题讨论】：

你能再清楚一点，时代的格式是什么吗？在进行任何缩放之前，您必须将文本字段转换为数字字段。

@A.K.年龄的格式为 2 周、1 个月、3 个月、1 年

【参考方案1】：

处理文本数据的一般规范是将它们转换为数字格式，即完整的数字。

在您的情况下，由于变量按周、月或年的顺序排列，因此一种方法是按周或按天计算。

如果你按天计算，你通常会有（考虑一周有 7 天，一个月有 30 天）：

14, 30, 90, .... 

如果按周计算，您通常会有（考虑一个月有 4 周，一年有 52 周）：

2, 4, 12, ... 

现在你已经有了数字，应该很容易缩放它们，例如流行的 MinMaxScaling：

MinMaxScaleFeature <- function(x)

    return((x - min(x)) /(max(x) - min(x)))

这就是典型函数的样子。

---

您还可以使用其他扩展机制，例如 Standard 或 Robust，您可以在此处查看它们：https://medium.com/@ian.dzindo01/feature-scaling-in-python-a59cc72147c1

【参考方案2】：

require(dplyr)
require(tidyr)

age_upon_outcome <- 
'2 weeks
1 month
3 months
1 year
3 weeks
2 months
8 months'

age_upon_outcome <- strsplit(age_upon_outcome, '\n') %>% unlist 

my_df <- as.data.frame(age_upon_outcome, stringsAsFactors = FALSE) %>%  as_tibble()


my_df %>%  separate(age_upon_outcome, into = c('age', 'unit'), sep = ' ') %>% 
  mutate(unit_in_days = case_when(unit == 'weeks' ~ 7, 
                                  unit == 'month' ~ 30,
                                  unit == 'months' ~ 30,
                                  unit == 'year' ~ 365)) %>% 
 mutate(age = as.numeric(age)*unit_in_days) %>% 
 mutate(scaled_age = (age - mean(age)) /sd(age))

输出

    age unit   unit_in_days scaled_age
  <dbl> <chr>         <dbl>      <dbl>
1    14 weeks             7     -0.769
2    30 month            30     -0.650
3    90 months           30     -0.202
4   365 year            365      1.85 
5    21 weeks             7     -0.717
6    60 months           30     -0.426
7   240 months           30      0.916