一个在 R 中热编码数据帧

Question

考虑一个数据框df1类似于显示的

ID EDUCATION   OCCUPATION      BINARY_VAR
1  Undergrad   Student              1
2  Grad        Business Owner       1
3  Undergrad   Unemployed           0
4  PhD         Other                1

您可以使用下面的 R 代码创建您自己的随机 df1

ID <- c(1:4)
EDUCATION <- sample (c('Undergrad', 'Grad', 'PhD'), 4, rep = TRUE)
OCCUPATION <- sample (c('Student', 'Business Owner', 'Unemployed', 'Other'), 4, rep = FALSE)
BINARY_VAR <- sample(c(0, 1), 4, rep = TRUE)
df1 <- data.frame(ID, EDUCATION, OCCUPATION, BINARY_VAR)

# Convert to factor
df1[, names(df1)] <- lapply(df1[, names(df1)] , factor)

据此，我需要导出另一个数据框 df2，看起来像这样

ID Undergrad Grad PhD Student Business Owner Unemployed Other BINARY_VAR
1      1      0    0     1           0           0        0       1
2      1      1    0     0           1           0        0       1
3      1      0    0     0           0           1        0       0
4      1      1    1     0           0           0        1       1

您一定已经注意到 PhD 水平，EDUCATION 下的其他因素水平也适用，因为 EDUCATION 是 ID 的最高教育水平。然而，这是次要的 objective.

我似乎无法找到一种方法获取数据框，其中每一列都给出与其父数据框中的各个因子水平相对应的真值。 R 中是否有一个包 可以提供帮助？或者可能是一种编码方式？

我可以使用 melt 执行此操作吗？

我通读 previously asked question(s) 看起来 相似，但它们处理的是出现频率。

编辑：

根据 Sumedh 的建议，一种方法是使用 caret 中的 dummyVars。

dummies <- dummyVars(ID ~ ., data = df1) df2 <- data.frame(predict(dummies, newdata = df1)) df2 <- df2 [1:7]

Answer 1

tidyr 和 dplyr 结合 base table() 函数应该可以工作：

ID <- c(1:4)
EDUCATION <- c('Undergrad', 'Grad', 'PhD', 'Undergrad')
OCCUPATION <- c('Student', 'Business Owner', 'Unemployed', 'Other')
BINARY_VAR <- sample(c(0, 1), 4, rep = TRUE)
df1 <- data.frame(ID, EDUCATION, OCCUPATION, BINARY_VAR)

# Convert to factor
df1[, names(df1)] <- lapply(df1[, names(df1)] , factor)

library(dplyr)
library(tidyr)

edu<-as.data.frame(table(df1[,1:2])) %>% spread(EDUCATION, Freq)

for(i in 1:nrow(edu))
  if(edu[i,]$PhD == 1) 
    edu[i,]$Undergrad <-edu[i,]$Grad <-1

truth_table<-merge(edu,
      as.data.frame(table(df1[,c(1,3)])) %>% spread(OCCUPATION, Freq),
      by = "ID")

truth_table$BINARY_VAR<-df1$BINARY_VAR
truth_table

ID Grad PhD Undergrad Business Owner Other Student Unemployed BINARY_VAR
1    0   0         1              0     0       1          0          1
2    1   0         0              1     0       0          0          1
3    1   1         1              0     0       0          1          0
4    0   0         1              0     1       0          0          1

编辑：添加了一个 for 循环以更新低于 PhD 的教育水平，灵感来自 @Sumedh 之前的建议。

一个在 R 中热编码数据帧

One hot coding a data-frame in R

r

dataframe

packages

data-cleaning