R如何保持顶级并更改所有其他级别

Question

我不是 R 专家...

在我的训练数据中，有一个名为 Source 的字段有 30 个级别，我只想保留前 2 个级别，因为它们占多数，并且需要将所有其他 28 个级别更改为“其他” .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 和 Solution 2

我还是被卡住了……

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' 级别 1 和 'S133' 级别 8

试试 1

这里我使用which，所以我不需要先将因子转换为字符。事实上，在使用which之前，我尝试过将因子转换为字符。结果是一样的，没用....在这里运行代码后，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个级别需要更改，我不想在一个方法中写入28个值......

试试 2

然后，我改用一种非常简单的方式，迭代……我也尝试了while循环，也没有用。

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

使用此方法后，并不是所有的28个级别都会改变，我意识到，虽然这些级别的值已经改变，但总级别的长度也在改变，索引也会改变。这就是为什么我改为 while 循环但它仍然没有工作....

因此，我有什么办法只保留前 2 个级别并将所有其他级别更改为“其他”？

Answer 1

这不是一个可重复的示例，因为您没有提供数据，但假设您的因子是火车的一部分，您可以使用。

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子，使最高的两个因子在一个类中，而其他因子在另一个类中。我不需要任何 for 循环。我只是写

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

现在当我查看我得到的级别时

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

最后，我解决了这个问题，但解决方案不是很聪明。所以，如果这个问题有更好的解决方案，请随时在此处发布。

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' 而 level8 是 'S133'，我只想保留这 2 个级别并设置其他 28 个级别作为“其他”。

如果您仍然不清楚这个描述，这里是示例：

原始 x_train$Source 30 个关卡

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

最终的 x_train$Source 级别

S122、其他、S133

我的问题是如何得到最终结果，如何将30个级别变成3个级别

解决办法如下：

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，有硬编码部分，不好。

所以，如果有更好的解决方案，非常欢迎在这里发布！