【发布时间】：2021-03-06 05:27:23
【问题描述】：
这是我的数据集。我正在查看棒球数据。
structure(list(INDEX = 1:6, TARGET_WINS = c(39L, 70L, 86L, 70L,
82L, 75L), TEAM_BATTING_H = c(1445L, 1339L, 1377L, 1387L, 1297L,
1279L), TEAM_BATTING_2B = c(194L, 219L, 232L, 209L, 186L, 200L
), TEAM_BATTING_3B = c(39L, 22L, 35L, 38L, 27L, 36L), TEAM_BATTING_HR = c(13L,
190L, 137L, 96L, 102L, 92L), TEAM_BATTING_BB = c(143L, 685L,
602L, 451L, 472L, 443L), TEAM_BATTING_SO = c(842L, 1075L, 917L,
922L, 920L, 973L), TEAM_BASERUN_SB = c(NA, 37L, 46L, 43L, 49L,
107L), TEAM_BASERUN_CS = c(NA, 28L, 27L, 30L, 39L, 59L), TEAM_BATTING_HBP = c(NA_integer_,
NA_integer_, NA_integer_, NA_integer_, NA_integer_, NA_integer_
), TEAM_PITCHING_H = c(9364L, 1347L, 1377L, 1396L, 1297L, 1279L
), TEAM_PITCHING_HR = c(84L, 191L, 137L, 97L, 102L, 92L), TEAM_PITCHING_BB = c(927L,
689L, 602L, 454L, 472L, 443L), TEAM_PITCHING_SO = c(5456L, 1082L,
917L, 928L, 920L, 973L), TEAM_FIELDING_E = c(1011L, 193L, 175L,
164L, 138L, 123L), TEAM_FIELDING_DP = c(NA, 155L, 153L, 156L,
168L, 149L)), row.names = c(NA, 6L), class = "data.frame")
我正在尝试创建一个多元线性回归并决定要包含哪些预测变量。问题是，我认为其中一些变量将真正相互关联。例如，其中一列是“击球手的基本命中（任何类型的击球）”，另一列是“击球手的双打”等等。所以我认为如果一个球员得分双倍，它会在多个不同的列中检查 +1。
我试图弄清楚要包括哪些变量，我想到的一个策略是确定这些变量中的哪些相互关联以及它们的关联程度。也许我不会包括彼此之间真正密切相关的变量。 （对此有帮助吗？）
我开始走这条路，一一查看皮尔逊相关性：
cor(moneyball_training_data$TEAM_BATTING_H, moneyball_training_data$TEAM_BATTING_2B)
cor(moneyball_training_data$TEAM_BATTING_H, moneyball_training_data$TEAM_BATTING_3B)
cor(moneyball_training_data$TEAM_BATTING_H, moneyball_training_data$TEAM_BATTING_HR)
但后来我看到所有这些变量之间有多少排列！此数据框中有 16 列，我想选择任意两列：16！ / (2! (16 - 2)!) 如果我的数学是正确的，那么通过这种方法执行它将是 120 行代码，并且很容易纠结并忘记我已经完成了哪些。 .. 所以效率不高。
所以我最初的问题是：是否有任何有效的编码方法来比较数据帧中变量之间的综合相关性集？
然后我在 Stack Overflow 上找到了 this amazing post，我认为它回答了我的问题，但我仍然无法让它发挥作用。
旁注 - 我还试图找出哪些列具有 NA 值，以防此处的 NA 值产生影响。
any(is.na(moneyball_training_data$TARGET_WINS)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_H)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_2B)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_3B)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_HR)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_BB)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_SO)) # TRUE
any(is.na(moneyball_training_data$TEAM_BATTING_SB)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_CS)) # FALSE
any(is.na(moneyball_training_data$TEAM_BATTING_HBP)) # TRUE
any(is.na(moneyball_training_data$TEAM_PITCHING_H)) # FALSE
any(is.na(moneyball_training_data$TEAM_PITCHING_HR)) # FALSE
any(is.na(moneyball_training_data$TEAM_PITCHING_BB)) # FALSE
any(is.na(moneyball_training_data$TEAM_PITCHING_SO))# TRUE
any(is.na(moneyball_training_data$TEAM_FIELDING_E)) # FALSE
any(is.na(moneyball_training_data$TEAM_FIELDING_DP)) # TRUE
（旁注 - 是否有更有效的方法来执行此 an(is.na)) 代码？）
要继续，我现在按照另一个 Stack Overflow 答案的方向，整洁的方法，我不完全理解，但给出答案的人似乎很聪明：
# function to use later (to filter out rows)
f = function(x,y) grepl(x,y)
f = Vectorize(f)
moneyball_training_data %>%
select(-INDEX) %>% # remove unnecessary columns
cor() %>% # get all correlations (even ones you don't care about)
data.frame() %>% # save result as a dataframe
mutate(v1 = row.names(.)) %>% # add row names as a column
gather(v2,cor, -v1) %>% # reshape data
filter(f(v1,v2) & v1 != v2)
但是结果怎么可能只是一个 3 x 3 的数据框呢？我预计会出现如下图所示的内容，其中每个数字都是 x 和 y 的相关性，其中删除了冗余的空白空间。
1 2 3 4 5 6 7
1 12 13 14 15 16 17
2 23 24 25 26 27
3 34 35 36 37
4 45 46 47
5 56 57
6 67
7
【问题讨论】：
-
cor(df[-1])? -
"> 我试图弄清楚要包括哪些变量，我想到的一个策略是确定这些变量中的哪些相互关联以及它们的关联程度。也许这些变量是彼此之间确实存在很强的相关性，我不会包括在内。（对此有帮助吗？）“-您是否试图找到最重要的预测变量或预测变量的组合（独立或相关的预测变量）？或者对您感兴趣的结果做出最佳预测？
-
@jvargh7 我想我担心我的预测变量之间的共线性，这可能会给我的线性模型的 r 平方带来不好的解释。我想如果我发现两个具有高相关系数的变量，那么我会选择其中一个而不是两个？
-
如果是预测问题，共线性应该不是问题。当您尝试解释系数及其标准误差时，这会成为一个问题。如果您不想手动删除相关预测变量，第一个替代选项是使用正则化回归（套索/岭/弹性网）。第二个替代选项是使用某种降维方法（主成分分析等），并将这些成分用作您的预测变量。
-
您可以使用 car::vif() 和线性模型作为输入，从拟合的线性回归模型中评估多重共线性。
标签： r correlation tidy