因子水平虚拟变量 R

Question

我不确定在从列表中创建因子时是否应该包含级别：

random_merge_patients$MedCond <-factor(sort(random_merge_patients[[35]]))

因子示例如下所示：

[6589] "wt loss  ftt arthritis anemia of chronic disease mild cognitive impairment  hx gout  dehydration prednisone therapy long term med use"

如果应该选择关卡，我会选择什么？任何人都可以澄清一下，因为这让我感到困惑。

我将使用这个变量来创建一个虚拟变量，但即使我没有收到错误消息，$Dementia 中的所有值都是 0，但有些应该是 1：

random_merge_patients$'MedCond_Dementia'<-ifelse(random_merge_patients$'MedCond' == "dementia",1,0)

Answer 1

对于 R 中的哪些因子可能存在一些混淆。它们是一种以允许传统统计模型将其用作输入（例如线性建模）的形式表示非数字值的方式。因素有一组固定的“水平”（用于计算机），每个水平都有一个“标签”（用于人类）。但是，R 并不直觉应该为标签提取字符串的哪些方面。

考虑一下这个小案例。

x = c("wt loss ftt arthritis anemia of chronic disease",
      "sleep loss ftt dementia",
      "wt loss ftt arthritis anemia of chronic disease",
      "wt loss ftt demntia")

f = factor(x)
f
#> [1] wt loss ftt arthritis anemia of chronic disease sleep loss ftt dementia
#> [3] [3] wt loss ftt arthritis anemia of chronic disease wt loss ftt demntia
#> 3 Levels: sleep loss ftt dementia ... wt loss ftt demntia

我们的原始向量的长度为 4，它包含 3 个唯一的字符串。当我们将其转换为因子时，R 会自动创建级别并按字母顺序为这些级别分配标签（因此您的 sort 无关紧要）。请注意x 中的第一个值如何以“wt loss”开头，但第一个级别以sleep 开头。 R 创建了 3 个级别，因为有 3 个唯一值并接受原始字符串作为标签。在这一点上，我们的因式向量实际上只是一个整数向量，可以将标签映射到这些整数上。

as.numeric(f)
#> [1] 2 1 2 3

再次注意级别（数字部分）是如何按字母顺序创建的。因此，获取字符串并将其转换为因子有助于 R 自动为线性模型创建虚拟变量，但如果您想设计自己的特征（例如创建“痴呆症”列），它不会提供额外的好处。

对于这种情况下的特征工程，您最好查看正则表达式。例如，如果我想创建一个编码减肥的向量，我可以这样做：

wt.loss = grepl("w[^ ]*t loss",x)
wt.loss
#> [1]  TRUE FALSE  TRUE  TRUE

• grepl 是一个逻辑 grep（其中 grep 是一个搜索函数）所以它将返回 TRUE/FALSE
• "w[^ ]*t loss" 搜索看起来像“w（任何非空格字符重复 0 次或多次）t loss”的子字符串，因此它将匹配“wt loss”或“weight loss”。
• x 指定要搜索的向量。

您可以针对想要设计的任意数量的功能执行此操作。搜索痴呆症将是grepl("dementia",x)。如果有多个术语基本上都意味着相同的东西，你可以使用 |标记一个或条件（例如grepl("osteoperosis|calcium loss in bones",x)）。