代码之家 › 专栏 › 技术社区 › Varun

R编码通过分隔符连接的分类变量

one-hot-encoding r

Varun · 技术社区 · 7 年前

上下文

在我的数据框中,我有一个专栏,其中包含了对餐馆消费替代品问题的固定回答。受访者可以选择倍数如果需要,请立即选择。

#Unique responses to question
unique_vector = c('Bring food from home',
                  'Buy from a supermarket',
                  'Buy from deli, bakery, coffee, or sandwich shop',
                  'Go home',
                  'Go out to a fast food outlet',
                  'Order food from outside',
                  'Snack between meals',
                  'Go out to a full service restaurant',
                  'Skip the meal')

在对10名受访者进行调查后,得出的数据框架如下所示-

#Survey Dataframe
df= data.frame(
                          Id = c(1:10),

                          QUESTION=c(unique_vector[1],
                          paste0(unique_vector[1],',',unique_vector[2]),
                          paste0(unique_vector[1],',',unique_vector[2],',',unique_vector[2]),
                          paste0(unique_vector[4],',',unique_vector[5],',',unique_vector[1]),
                          paste0(unique_vector[3],',',unique_vector[1],',',unique_vector[9],',',unique_vector[7]),
                          paste0(unique_vector[5],',',unique_vector[6],',',unique_vector[8],',',unique_vector[1]),
                          unique_vector[3],
                          "",
                          paste0(unique_vector[5],',',unique_vector[6],',',unique_vector[8],',',unique_vector[1]),
                          "")
)

我的目标

我想把这个摊开 QUESTION 列,以便

然后我想 对这些反应进行编码 这样它们被记录为1(没有响应被记录为0)。

我的尝试

我试着在R中使用一个热编码包,但我不知道如何修改代码以分离串联的响应。

#Attempt
library(onehot)
encoded_df = onehot(df[,2], stringsAsFactors=TRUE)

1 回复 | 直到 7 年前

PaweÅ Chabros 7 年前

我怀疑这是最简单的方法,但结果是正确的:

library(tidyverse)

unique_vector %>%
  str_c(collapse = ')|(') %>%
  str_c('(', ., ')') %>%
  str_extract_all(df$QUESTION, ., simplify = TRUE) %>%
  as.data.frame() %>%
  as_tibble() %>%
  mutate(Id = row_number()) %>%
  gather(x, key, V1:V4) %>%
  mutate(val = 1) %>%
  spread(key, val, fill = 0) %>%
  select(-c(x, V1)) %>%
  group_by(Id) %>%
  summarise_all(~if_else(sum(.) > 0, 1, 0))

如果分离器将不同于 , ( 答案中也会出现)通过在此分隔符上拆分,操作会更简单:

df %>%
  as_tibble() %>%
  mutate(QUESTION = map(QUESTION, ~str_split(.x, ',')[[1]] %>% unique)) %>%
  unnest() %>%
  mutate(val = 1) %>%
  spread(QUESTION, val, fill = 0) %>%
  select(-V1)