在 R 中构建比例树

Question

我想在 R 中设计一个算法，给定一个因子数据框，它返回一个比例树，其中基数是数据框的行数（观察值）。

例如，假设我的数据框的行数是 100，我有 4 个因子。第一个因素将观测值分成两个级别，每个级别都有 50% 的观测值。然后，下一个因素将之前的每个级别分成 4 个级别，以此类推其他两个因素。当然，每片叶子的比例不必相等。

我怎样才能做到这一点？我一直在尝试几种方法，但我有点卡住了。

提前致谢。

Answer 1

我不确定输出到底应该是什么，但这个问题对我来说似乎是递归的，所以这里是一种递归方法。假设您有一个data.frame 的因子，并且您希望按每列中的因子从左到右拆分数据。此函数将执行此操作，生成与最后一列中的数据相对应的“叶子”列表，并按前一列中的各种因素分组进行拆分。

## Sample data
set.seed(0)
dat <- setNames(data.frame(matrix(sample(0:1, 75, rep=T), 25, 3)),
                paste0("f", 1:3))
dat[] <- lapply(dat, as.factor)

f <- function(data) {
    if (NCOL(data) < 2L) return( split(data, data) )
    lapply(split(data[,-1L], data[,1L]), f)
}

## Apply function
res <- f(dat)

## Proportions at each leaf
## The naming is: column1.column2.column3. etc.
rapply(res, function(x) length(x)/nrow(dat))
# 0.0.0 0.0.1 0.1.0 0.1.1 1.0.0 1.0.1 1.1.0 1.1.1 
#  0.08  0.08  0.24  0.04  0.16  0.16  0.16  0.08 

## Counts
rapply(res, function(x) length(x))
# 0.0.0 0.0.1 0.1.0 0.1.1 1.0.0 1.0.1 1.1.0 1.1.1 
#     2     2     6     1     4     4     4     2 

## For example, the data corresponding to 1.1.0,
with(dat, dat[f1==1 & f2==1 & f3==0,])
#    f1 f2 f3
# 5   1  1  0
# 8   1  1  0
# 18  1  1  0
# 22  1  1  0