One-hot-encoding R 字符列表答案

【问题标题】：One-hot-encoding a R list of charactersOne-hot-encoding R 字符列表
【发布时间】：2020-10-13 15:43:27
【问题描述】：

我有以下 R 数据框：

id    color
001   blue
001   yellow
001   red
002   blue
003   blue
003   yellow

将这样的数据帧单热编码为以下内容的一般方法是什么：

id    blue    yellow    red
001   1       1         1
002   1       0         0
003   1       0         1

非常感谢。

【问题讨论】：

标签： r dataframe one-hot-encoding

【解决方案1】：

试试这个。您可以为数据中存在的那些观察值创建一个变量等于 1，然后使用 pivot_wider() 重塑这些值。由于您将获得 NA 用于数据中不存在的类，因此您可以使用 replace() 将其替换为零。这里使用tidyverse函数的代码：

library(dplyr)
library(tidyr)
#Code
dfnew <- df %>% mutate(val=1) %>%
  pivot_wider(names_from = color,values_from=val) %>%
  replace(is.na(.),0)

输出：

# A tibble: 3 x 4
     id  blue yellow   red
  <int> <dbl>  <dbl> <dbl>
1     1     1      1     1
2     2     1      0     0
3     3     1      1     0

使用的一些数据：

#Data
df <- structure(list(id = c(1L, 1L, 1L, 2L, 3L, 3L), color = c("blue", 
"yellow", "red", "blue", "blue", "yellow")), class = "data.frame", row.names = c(NA,-6L))

【讨论】：

需要加载ggplot2,dplyr,readr,purrr,tibble,stringr,forcats吗？
@sindri_baldur 不是真的，如果你觉得舒服我只能添加特定的包！

【解决方案2】：

在 R 中有很多方法可以做到这一点。这取决于您使用的软件包。大多数建模包，如caret 和tidymodels 都具有为您执行此操作的功能。

但是，如果您不使用建模包，tidyverse 有一个简单的方法来做到这一点。

library(dplyr)
library(tidyr)

df <- tribble(
  ~id,    ~color,
  '001',   'blue',
  '001',   'yellow',
  '001',   'red',
  '002',   'blue',
  '003',   'blue',
  '003',   'yellow')

df_onehot <- df %>%
  mutate(value = 1) %>%
  pivot_wider(names_from = color,values_from = value,values_fill = 0)
# A tibble: 3 x 4
#    id     blue yellow   red
#   <chr> <dbl>  <dbl> <dbl>
# 1 001       1      1     1
# 2 002       1      0     0
# 3 003       1      1     0

【讨论】：

你可以避免加载dplyr并使用df$value <- 1
dplyr 是 tidyr 的依赖项，因此它已经被导入。我把它放在那里是为了具体。此外，mutate 使该过程易于阅读，并将其全部保存在一个链中。
我明白了，但至少不会污染命名空间library(tidyr);mutate(iris, test = "bla") # could not find function "mutate"。

【解决方案3】：

与data.table:

library(data.table)
dcast(setDT(df), id ~ color, fun.aggregate = length)

#     id blue red yellow
# 1: 001    1   1      1
# 2: 002    1   0      0
# 3: 003    1   0      1

与tidyr的逻辑相同：

library(tidyr)
pivot_wider(df, names_from=color, values_from=color, values_fn=length, values_fill=0)

#   id     blue yellow   red
#   <chr> <int>  <int> <int>
# 1 001       1      1     1
# 2 002       1      0     0
# 3 003       1      1     0

Base R:

out <- as.data.frame.matrix(pmin(with(df, table(id, color)), 1))
out$id <- rownames(out)
out
#     blue red yellow  id
# 001    1   1      1 001
# 002    1   0      0 002
# 003    1   0      1 003

可重复的数据

df <- data.frame(
  id = c("001", "001", "001", "002", "003", "003"), 
  color = c("blue", "yellow", "red", "blue", "blue", "yellow")
)

【讨论】：