如何在R中为分类变量创建虚拟变量？用于执行回归答案

【问题标题】：How to create dummy variable for categorical variable in R?? For performing regression如何在R中为分类变量创建虚拟变量？用于执行回归
【发布时间】：2018-06-27 20:57:57
【问题描述】：

我想在我的模型中为 1 个自变量创建虚拟变量。下面是我的数据集的外观示例。Y 是我的因变量，Var1、Var2、Var3 是自变量。

数据集：

Y Var1 Var2 Var3 1 30 N3 45 0 43 N2 56 0 56 N2 76 1 67 N1 89 0 77 N2 99

期望的输出： Y Var1 Var2 Var3 1 30 0 45 0 43 1 56 0 56 1 76 1 67 2 89 0 77 1 99

我们可以使用循环来运行它，因为我们有 3 个独立的。变量？如果有人指导我完成 R 代码会很有帮助吗？

如何将分类变量转换为连续变量以应用回归。如何为 Var2 创建虚拟变量

【问题讨论】：

如果您提供a complete minimal reproducible example 来回答您的问题，我们更有可能为您提供帮助。我们可以从中工作并使用它来向您展示如何回答您的问题。我还建议看看how do I ask a good question。证明你已经付出了一些努力通常是件好事。
基本上答案是“不要这样做”。您不需要在 R 中创建虚拟变量。查看因子函数。这是基本的 R 概念，所以你应该回到你正在学习的任何文本，并找出如何定义因子和水平。事实上，如果您使用任何 read.* 函数来创建数据框，变量 Var2 已经是一个因子类。默认情况下，这些函数和 data.frame 中的 stringsAsFactors 为 TRUE

标签： r regression linear-regression

【解决方案1】：

实际上线性回归适用于分类变量。请参阅http://r4ds.had.co.nz/model-basics.html#formulas-and-model-families，向下滚动至 23.4.1。

例如，以你的例子为例，如果我理解正确的话，所有变量都是连续的，除了 Var2 是分类的。我生成了一些伪数据并在上面运行lm。到目前为止，它没有抛出任何错误。示例如下：

# Generate pseudo data
df <- data.frame(Y = 2:21 + rnorm(20),
              Var1 = 1:20 + rnorm(20),
              Var2 = sample(c("A", "C", "G", "T"), 20, replace = TRUE),
              Var3 = rnorm(20, 10, 3))

# The linear regression model
mod <- lm(Y ~ Var1 + Var2 + Var3, data = df)

这里是返回的系数：

 Coefficients:
(Intercept)         Var1        Var2C        Var2G        Var2T         Var3  
    2.34602      0.98814     -1.78821     -0.44720     -0.70167     -0.06736

显然它有点工作，因为 Var1 的构造几乎与 Y 成正比。有 n 个类别；你得到了 n-1 个类别的系数，因为剩下的一个由你得到的 n-1 个类别决定。在幕后，R 只是将分类转换为 0 和 1，当观察属于 A 类时为 1，否则为 0；其他类别也类似。如果变量是分类变量，您真的不需要虚拟变量。

当因变量是分类变量时，我也尝试过； lm会给你一个警告，

using type = "numeric" with a factor response will be ignored‘-’ not meaningful for factors

但您仍然会得到一个模型，尽管预测是连续的并且取决于您如何对类别进行排序（通常排序是任意的），因此它会质疑预测的意义。无论如何，有很多情况下自变量是分类的，例如基因型和性别，但我从未见过因变量是分类的并且仍然使用线性回归的情况。

【讨论】：