将具有 N 个类别的分类因子重新编码为 N 个二进制列答案

【问题标题】：Recode categorical factor with N categories into N binary columns将具有 N 个类别的分类因子重新编码为 N 个二进制列
【发布时间】：2013-04-18 11:47:17
【问题描述】：

原始数据框：

v1 = sample(letters[1:3], 10, replace=TRUE)
v2 = sample(letters[1:3], 10, replace=TRUE)
df = data.frame(v1,v2)
df

v1 v2 1公元前 2个 3 cc 4个 5 摄氏度 6 c b 7个 8 a b 9个 10个

新数据框：

new_df = data.frame(row.names=rownames(df))
for (i in colnames(df)) {
    for (x in letters[1:3]) {
        #new_df[x] = as.numeric(df[i] == x)
        new_df[paste0(i, "_", x)] = as.numeric(df[i] == x)
    }
}

v1_a v1_b v1_c v2_a v2_b v2_c 1 0 1 0 0 0 1 2 1 0 0 1 0 0 3 0 0 1 0 0 1 4 0 1 0 1 0 0 5 0 0 1 0 0 1 6 0 0 1 0 1 0 7 1 0 0 1 0 0 8 1 0 0 0 1 0 9 1 0 0 0 0 1 10 1 0 0 0 1 0

对于小型数据集，这很好，但对于更大的数据集，它会变得很慢。

有人知道不使用循环的方法吗？

【问题讨论】：

您的第一个数据框有两个变量，但看起来您只转换了第二个。你能澄清一下吗？
您正在覆盖您的数据。它的输出应该有 6 列。
对不起，这是我的错误——我在上面的代码中修复了它。在上面的示例中，每个原始列应该有三个新列。感谢您接听！
@Keith，你检查过已经发布的答案了吗？
@Arun 完成。有很多有用的解决方案。感谢大家的意见！

标签： r dataframe factors

【解决方案1】：

在@AnandaMahto 的搜索功能的帮助下会更好，

model.matrix(~ . + 0, data=df, contrasts.arg = lapply(df, contrasts, contrasts=FALSE))
#    v1a v1b v1c v2a v2b v2c
# 1    0   1   0   0   0   1
# 2    1   0   0   1   0   0
# 3    0   0   1   0   0   1
# 4    0   1   0   1   0   0
# 5    0   0   1   0   0   1
# 6    0   0   1   0   1   0
# 7    1   0   0   1   0   0
# 8    1   0   0   0   1   0
# 9    1   0   0   0   0   1
# 10   1   0   0   0   1   0

我想这就是你要找的。如果不是这样，我很乐意删除。感谢@G.Grothendieck（再次）提供excellent usage 的model.matrix！

cbind(with(df, model.matrix(~ v1 + 0)), with(df, model.matrix(~ v2 + 0)))
#    v1a v1b v1c v2a v2b v2c
# 1    0   1   0   0   0   1
# 2    1   0   0   1   0   0
# 3    0   0   1   0   0   1
# 4    0   1   0   1   0   0
# 5    0   0   1   0   0   1
# 6    0   0   1   0   1   0
# 7    1   0   0   1   0   0
# 8    1   0   0   0   1   0
# 9    1   0   0   0   0   1
# 10   1   0   0   0   1   0

注意：您的输出只是：

with(df, model.matrix(~ v2 + 0))

注 2：这给出了 matrix。相当明显，但如果你想要data.frame，还是用as.data.frame(.) 包裹它。

【讨论】：

【解决方案2】：

插入符号的包中有一个函数可以满足您的要求，dummyVars。这是取自作者文档的用法示例： http://topepo.github.io/caret/preprocess.html

library(earth)
data(etitanic)

dummies <- caret::dummyVars(survived ~ ., data = etitanic)
head(predict(dummies, newdata = etitanic))

  pclass.1st pclass.2nd pclass.3rd sex.female sex.male     age sibsp parch
1          1          0          0          1        0 29.0000     0     0
2          1          0          0          0        1  0.9167     1     2
3          1          0          0          1        0  2.0000     1     2
4          1          0          0          0        1 30.0000     1     2
5          1          0          0          1        0 25.0000     1     2
6          1          0          0          0        1 48.0000     0     0

model.matrix 选项在您有稀疏数据并想使用 Matrix::sparse.model.matrix

的情况下很有用

【讨论】：

【解决方案3】：

刚刚看到一个针对此处的已关闭问题，还没有人提到使用dummies 包：

您可以使用dummy.data.frame() 函数重新编码您的变量，该函数建立在model.matrix() 之上，但语法更简单，有一些不错的选项，并且会返回一个数据框：

> dummy.data.frame(df, sep="_")
   v1_a v1_b v1_c v2_a v2_b v2_c
1     0    1    0    0    0    1
2     1    0    0    1    0    0
3     0    0    1    0    0    1
4     0    1    0    1    0    0
5     0    0    1    0    0    1
6     0    0    1    0    1    0
7     1    0    0    1    0    0
8     1    0    0    0    1    0
9     1    0    0    0    0    1
10    1    0    0    0    1    0

此函数的一些不错的方面是您可以轻松地为新名称指定分隔符 (sep=)，省略非编码变量 (all=F) 并带有自己的选项 dummy.classes，允许您指定哪个列的类别应该被编码。

您也可以只使用dummy() 函数将其应用于一列。

【讨论】：

【解决方案4】：

一种相当直接的方法是在每一列上使用table，将列中的值按data.frame 中的行数制成表格：

allLevels <- levels(factor(unlist(df)))
do.call(cbind, 
        lapply(df, function(x) table(sequence(nrow(df)), 
                                     factor(x, levels = allLevels))))
#    a b c a b c
# 1  0 1 0 0 0 1
# 2  1 0 0 1 0 0
# 3  0 0 1 0 0 1
# 4  0 1 0 1 0 0
# 5  0 0 1 0 0 1
# 6  0 0 1 0 1 0
# 7  1 0 0 1 0 0
# 8  1 0 0 0 1 0
# 9  1 0 0 0 0 1
# 10 1 0 0 0 1 0

我在“x”上使用了factor，以确保即使在列中没有“c”值的情况下，输出中仍然会有一个“c”列，已填充用零。

【讨论】：

【解决方案5】：

我最近遇到了另一种方式。我注意到，当您运行任何将contrasts 设置为FALSE 的对比函数时，它会为您提供一种热编码。例如，contr.sum(5, contrasts = FALSE) 给出

  1 2 3 4 5
1 1 0 0 0 0
2 0 1 0 0 0
3 0 0 1 0 0
4 0 0 0 1 0
5 0 0 0 0 1

要为所有因素获得此行为，您可以创建一个新的对比函数并将其设置为默认值。例如，

contr.onehot = function (n, contrasts, sparse = FALSE) {
  contr.sum(n = n, contrasts = FALSE, sparse = sparse)
}

options(contrasts = c("contr.onehot", "contr.onehot"))
model.matrix(~ . - 1, data = df)

这会导致

   v1a v1b v1c v2a v2b v2c
1    0   0   1   0   0   1
2    0   1   0   1   0   0
3    0   0   1   0   1   0
4    1   0   0   0   1   0
5    0   1   0   0   1   0
6    0   1   0   0   0   1
7    1   0   0   0   1   0
8    0   1   0   0   1   0
9    0   1   0   1   0   0
10   0   0   1   0   0   1

【讨论】：

【解决方案6】：

这是一个更一般情况的解决方案，当字母数量没有先验指定时：

convertABC <- function(x) {

    hold <- rep(0,max(match(as.matrix(df),letters))) # pre-format output

    codify <- function(x) {                          # define function for single char

        output <- hold                               # take empty vector
        output[match(x,letters)] <- 1                # place 1 according to letter pos
        return(output)
    }

    to.return <- t(sapply(as.character(x),codify))   # apply it to whole vector
    rownames(to.return) <- 1:nrow(to.return)         # nice rownames
    colnames(to.return) <- do.call(c,list(letters[1:max(match(as.matrix(df),letters))])) # nice columnnames
    return(to.return)
}

此函数接受一个字符向量，并将其重新编码为二进制值。处理df中的所有变量：

do.call(cbind,lapply(df,convertABC))

【讨论】：

【解决方案7】：

library(correlationfunnel)
library(dplyr)
v1 = sample(letters[1:3], 10, replace=TRUE)
v2 = sample(letters[1:3], 10, replace=TRUE)
df = data.frame(v1,v2)
df

   v1 v2
1   b  c
2   c  c
3   c  a
4   c  c
5   a  a
6   b  b
7   b  c
8   b  c
9   c  a
10  b  c

df$id= 1:nrow(df)
df %>%
   select(-id) %>%
   binarize()

# A tibble: 10 x 6
   v1__a v1__b v1__c v2__a v2__b v2__c
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1     0     1     0     0     0     1
 2     0     0     1     0     0     1
 3     0     0     1     1     0     0
 4     0     0     1     0     0     1
 5     1     0     0     1     0     0
 6     0     1     0     0     1     0
 7     0     1     0     0     0     1
 8     0     1     0     0     0     1
 9     0     0     1     1     0     0
10     0     1     0     0     0     1

【讨论】：