R如何保持最高水平并改变所有其他水平

Question

我不是 R 方面的专家...

在我的训练数据中，有一个名为 Source 的字段，它有 30 个级别，我只想保留前 2 个级别，因为它们占多数，并且需要更改所有其他 28 个级别到 'Other'。这样我以后应用One-Hot Encoding会更方便

我在这里检查了解决方案：Solution 1 and Solution 2

我还是卡住了...

以下是我尝试过的主要解决方案：

train是原始训练数据，x_train只是一个副本。 Source 是一个因子变量。 前2个级别是'S122'是level1，'S133'是level8

尝试 1

这里我用的是which，这样我就不需要先把factor转换成character了。其实在使用which之前，我尝试过将factor转换成character。结果是一样的，没有用....在运行这里的代码之后，没有任何改变，只是增加了 1 个级别，称为 'Other'...

x_train <- train
levels(x_train$Source) <- c(levels(x_train$Source), "Other")
x_train$Source[which((x_train$Source != 'S122') && (x_train$Source != 'S133'))] <- 'Other'
str(x_train$Source)

同时，在这种情况下，我没有使用像revalue()这样的方法，因为有28个级别需要改变，我不想在一个方法中写28个值....

尝试 2

然后，我换了一个很简单的方法，迭代...我也试了while循环，也没用。

x_train <- train
for (i in 1:30) {
  if (i == 1 || i == 8) {
    next
  }
  levels(x_train$Source)[i] <- 'Other'
}

使用这个方法后，并不是28个level都变了，我发现，虽然这些level的值变了，但是总level的长度也在变，index也会变。这就是为什么我更改为 while 循环但仍然无效的原因....

所以请问有什么办法可以只保留前2个关卡，其他关卡全部改成'Other'？

Answer 1

这不是一个可重现的例子，因为你没有提供数据，但假设你的因素是火车的一部分，你可以使用。

levels(train$source) <-c("S122", "S133", rep("Other",3))

例如，想象一下泰坦尼克号的数据。

titanic <- reshape2::melt(Titanic)
head(titanic)
  Class    Sex   Age Survived value
1   1st   Male Child       No     0
2   2nd   Male Child       No     0
3   3rd   Male Child       No    35
4  Crew   Male Child       No     0
5   1st Female Child       No     0
6   2nd Female Child       No     0

现在，假设我想重新标记因素，使最高的两个因素在 class 中，其他因素在另一个 class 中。我不需要任何 for 循环。我就写

 levels(titanic$Class) <-c("High", "High", "Low", "Low")

现在，当我查看级别时，我得到

titanic
   Class    Sex   Age Survived value
1   High   Male Child       No     0
2   High   Male Child       No     0
3    Low   Male Child       No    35
4    Low   Male Child       No     0
5   High Female Child       No     0
6   High Female Child       No     0

Answer 2

终于解决了这个问题，但是解决的不是很智能。所以，如果这个问题有更好的解决方案，请随时post这里。

让我们回忆一下我在问题中提到的主要部分：

x_train 是 train 的副本。

x_train$Source 有 30 个级别，level1 是 'S122' 和 level8 是 [=52= 】，我只想保留这2个等级，其他28个等级设置为'Other'。

如果您还不清楚这个描述，请看这里的例子：

原创x_train$来源30级

S122, S123, S124.., S133, S134,....

最终 x_train$ 源级别

S122，其他，S133

我的问题是如何得出最终结果，如何将30个关卡变成3个关卡

解决方法如下：

x_train <- train
summary(x_train$Source)
levels(x_train$Source)[2] <- 'Other'
for (i in 3:7) {
  levels(x_train$Source)[3] <- 'Other'
}
summary(x_train$Source)
for (j in 1:22) {
  levels(x_train$Source)[4] <- 'Other'
}
summary(x_train$Source)

如你所见，在代码中，有硬编码的部分，这是不好的。

所以，如果有更好的解决办法，非常欢迎post这里！

R如何保持最高水平并改变所有其他水平

R how to keep top levels and change all the other levels

r

r-factor