R语言中生成虚拟变量/哑变量
关键词: r语言 生成虚拟变量、 r语言 哑变量
前言
虚拟变量又称虚设变量、名义变量或哑变量,用以反映质的属性的一个人工变量,是量化了的质变量,通常取值为0或1。引入哑变量可使线形回归模型变得更复杂,但对问题描述更简明,一个方程能达到俩个方程的作用,而且接近现实。
目录
1. 模型中引入虚拟变量的作用
2. 虚拟变量设置的原则
3. Example1
4. Example2
5. Example3
1. 模型中引入虚拟变量的作用
例如,反映文程度的虚拟变量可取为:1:本科学历;0:非本科学历
一般地,在虚拟变量的设置中:基础类型、肯定类型取值为1;比较类型,否定类型取值为0。
- 模型中引入虚拟变量的作用
- 1、分离异常因素的影响,例如分析我国GDP的时间序列,必须考虑“文革”因素对国民经济的破坏性影响,剔除不可比的“文革”因素。
- 2、检验不同属性类型对因变量的作用,例如工资模型中的文化程度、季节对销售额的影响。
- 3、提高模型的精度,相当与将不同属性的样本合并,扩大了样本容量(增加了误差自由度,从而降低了误差方差)
2. 虚拟变量设置的原则
- 在模型中引入多个虚拟变量时,虚拟变量的个数应按下列原则确定:
- 如果回归模型有截距项。有m种互斥的属性类型,在模型中引入(m-1)个虚拟变量。
- 如果回归模型无截距项,有m个特征,设置m个虚拟变量
在R语言中对包括分类变量(factor)的数据建模时,一般会将其自动处理为虚拟变量或哑变量(dummy variable)。
3. Example1
在R语言中对包括分类变量(factor)的数据建模时,一般会将其自动处理为虚拟变量或哑变量(dummy variable)。但有一些特殊的函数,如neuralnet包中的neuralnet函数就不会预处理。如果直接将原始数据扔进去,会出现”requires numeric/complex matrix/vector arguments”需要数值/复数矩阵/矢量参数错误。
这个时候,除了将这些变量删除,我们只能手动将factor variable转换为取值(0,1)的虚拟变量。所用的函数一般有model.matrix(),nnet package中的class.ind()。
下面以UCI的german credit data为例说明。
首先,从UCI网站上下载到german.data数据集,并用str函数对其有个简单的认识。
download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data",
"./german.data")
data <- read.table("./german.data")
str(data)
该数据有21个变量,其中V21为目标变量,V1-V20中包括integer和factor两种类型。下面将用V1分类变量(包含4个level)和V2,V5,V8三个数值型变量作为解释变量建模。
## 'data.frame': 1000 obs. of 21 variables:
## $ V1 : Factor w/ 4 levels "A11","A12","A13",..: 1 2 4 1 1 4 4 2 4 2 ...
## $ V2 : int 6 48 12 42 24 36 24 36 12 30 ...
## $ V3 : Factor w/ 5 levels "A30","A31","A32",..: 5 3 5 3 4 3 3 3 3 5 ...
## $ V4 : Factor w/ 10 levels "A40","A41","A410",..: 5 5 8 4 1 8 4 2 5 1 ...
## $ V5 : int 1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
## $ V6 : Factor w/ 5 levels "A61","A62","A63",..: 5 1 1 1 1 5 3 1 4 1 ...
## $ V7 : Factor w/ 5 levels "A71","A72","A73",..: 5 3 4 4 3 3 5 3 4 1 ...
## $ V8 : int 4 2 2 2 3 2 3 2 2 4 ...
## $ V9 : Factor w/ 4 levels "A91","A92","A93",..: 3 2 3 3 3 3 3 3 1 4 ...
## $ V10: Factor w/ 3 levels "A101","A102",..: 1 1 1 3 1 1 1 1 1 1 ...
## $ V11: int 4 2 3 4 4 4 4 2 4 2 ...
## $ V12: Factor w/ 4 levels "A121","A122",..: 1 1 1 2 4 4 2 3 1 3 ...
## $ V13: int 67 22 49 45 53 35 53 35 61 28 ...
## $ V14: Factor w/ 3 levels "A141","A142",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ V15: Factor w/ 3 levels "A151","A152",..: 2 2 2 3 3 3 2 1 2 2 ...
## $ V16: int 2 1 1 1 2 1 1 1 1 2 ...
## $ V17: Factor w/ 4 levels "A171","A172",..: 3 3 2 3 3 2 3 4 2 4 ...
## $ V18: int 1 1 2 2 2 2 1 1 1 1 ...
## $ V19: Factor w/ 2 levels "A191","A192": 2 1 1 1 1 2 1 2 1 1 ...
## $ V20: Factor w/ 2 levels "A201","A202": 1 1 1 1 1 1 1 1 1 1 ...
## $ V21: int 1 2 1 1 2 1 1 1 1 2 ...
首先加载neuralnet包尝试一下,只用数值型变量建模,没有报错。
# install.packages("neuralnet")
library("neuralnet")
NNModelAllNum <- neuralnet(V21 ~ V2 + V5 + V8, data)
NNModelAllNum
## Call: neuralnet(formula = V21 ~ V2 + V5 + V8, data = data)
##
## 1 repetition was calculated.
##
## Error Reached Threshold Steps
## 1 104.9993578 0.005128715177 55
当我们把V1放入解释变量中出现了如下错误:
NNModel <- neuralnet(V21 ~ V1 + V2 + V5 + V8, data)
## Error: 需要数值/复数矩阵/矢量参数
此时可以用model.matrix函数将V1转化为三个虚拟变量,V1A12,V1A13,V1A14。
dummyV1 <- model.matrix(~V1, data)
head(cbind(dummyV1, data$V1))
## (Intercept) V1A12 V1A13 V1A14
## 1 1 0 0 0 1
## 2 1 1 0 0 2
## 3 1 0 0 1 4
## 4 1 0 0 0 1
## 5 1 0 0 0 1
## 6 1 0 0 1 4
因为model.matrix函数对数值型和分类Level=2的类别型变量没有影响,所以可以将四个变量一起用该函数生成新的数据集modelData,就可以用该数据集建模了。
modelData <- model.matrix(~V1 + V2 + V5 + V8 + V21, data)
head(modelData)
## (Intercept) V1A12 V1A13 V1A14 V2 V5 V8 V21
## 1 1 0 0 0 6 1169 4 1
## 2 1 1 0 0 48 5951 2 2
## 3 1 0 0 1 12 2096 2 1
## 4 1 0 0 0 42 7882 2 1
## 5 1 0 0 0 24 4870 3 2
## 6 1 0 0 1 36 9055 2 1
NNModel <- neuralnet(V21 ~ V1A12 + V1A13 + V1A14 + V2 + V5 + V8, modelData)
另外一种方法来自nnet package的class.ind函数。
library("nnet")
dummyV12 <- class.ind(data$V1)
head(dummyV12)
可以看到,该结果和model.matrix稍有区别,生成了四个虚拟变量。要注意,为了避免多重共线性,对于level=n的分类变量只需选取其任意n-1个虚拟变量。
## A11 A12 A13 A14
## [1,] 1 0 0 0
## [2,] 0 1 0 0
## [3,] 0 0 0 1
## [4,] 1 0 0 0
## [5,] 1 0 0 0
## [6,] 0 0 0 1
4. Example2
> library("nnet")
> # head(iris)
> # dim(iris)
> # table(iris$Species)
> dummyiris<- class.ind(iris$Species)
> dummyiris[sample(nrow(dummyiris),5),]
setosa versicolor virginica
[1,] 1 0 0
[2,] 0 1 0
[3,] 0 1 0
[4,] 1 0 0
[5,] 0 0 1
> iris_dummy <- cbind(dummyiris, iris)
> # head(iris_dummy)
> dim(iris_dummy)
[1] 150 8
> iris_dummy[sample(nrow(iris_dummy),5),c(1:3,8)]
setosa versicolor virginica Species
135 0 0 1 virginica
41 1 0 0 setosa
100 0 1 0 versicolor
142 0 0 1 virginica
61 0 1 0 versicolor
5. Example3
# 今天从豆瓣上学到一招:
# create dummy variables from categorical variables.
> dummy_variable = model.matrix(~factor(categorical_variable)-1)
> dum = as.data.frame(dummy_variable)
> names(dum) = paste("dummy", 1:length(dum[1,]), sep="")
# 这里categorical_variable可以是一个矩阵或者数据框或者向量
# model.matrix是对表型协变量的水平进行design,比如:
> design <- model.matrix(~ -1+factor(c(1,1,1, 2,2,2)))
# 含义就是你有2组每组重复3次共6次试验,前3次是1组的,后3次是2组的
# 结果为:
1 0
1 0
1 0
0 1
0 1
0 1
转载请注明:数据分析 » R语言中生成虚拟变量_哑变量_r语言