Expande automáticamente un factor R en una colección de variables de indicador 1/0 para cada nivel de factor

Question

Tengo un marco de datos R que contiene un factor que quiero "expandir" para que para cada nivel de factor, haya una columna asociada en un nuevo marco de datos, que contiene un indicador 1/0. Por ejemplo, supongamos que tengo:

df.original <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c(1,2,3,4)) 

Quiero:

df.desired <- data.frame(foo = c(1,1,0,0), bar=c(0,0,1,1), ham=c(1,2,3,4)) 

Porque para algunos análisis para el que es necesario tener una trama de datos completamente numérico (por ejemplo, análisis de componentes principales), pensé que esta característica podría ser incorporado. Escribir una función para hacer esto no debería ser demasiado difícil, pero puedo prever algunos desafíos relacionados con los nombres de columna y si algo existe ya, preferiría usar eso.

Answer 1

utilizar la función model.matrix:

model.matrix(~ Species - 1, data=iris) 

Answer 2

probablemente variable ficticia es similar a lo que desea. Entonces, model.matrix es útil:

> with(df.original, data.frame(model.matrix(~eggs+0), ham)) 
    eggsbar eggsfoo ham 
1  0  1 1 
2  0  1 2 
3  1  0 3 
4  1  0 4 

Answer 3

Si su trama de datos se hace solamente de factores (o que están trabajando en un subconjunto de variables que son todos factores), también puede utilizar la función de la acm.disjonctifade4 paquete:

R> library(ade4) 
R> df <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c("red","blue","green","red")) 
R> acm.disjonctif(df) 
    eggs.bar eggs.foo ham.blue ham.green ham.red 
1  0  1  0   0  1 
2  0  1  1   0  0 
3  1  0  0   1  0 
4  1  0  0   0  1 

No

exactamente el caso de que se describi ng, pero puede ser útil también ...

Answer 4

Una forma rápida utilizando el paquete reshape2:

require(reshape2) 

> dcast(df.original, ham ~ eggs, length) 

Using ham as value column: use value_var to override. 
    ham bar foo 
1 1 0 1 
2 2 0 1 
3 3 1 0 
4 4 1 0 

Tenga en cuenta que esto produce, precisamente, los nombres de las columnas que desee.

Answer 5

Acabo de encontrar este hilo antiguo y pensé que agregaría una función que utiliza ade4 para tomar un marco de datos que consta de factores y/o datos numéricos y devuelve un marco de datos con factores como códigos ficticios.

dummy <- function(df) { 

    NUM <- function(dataframe)dataframe[,sapply(dataframe,is.numeric)] 
    FAC <- function(dataframe)dataframe[,sapply(dataframe,is.factor)] 

    require(ade4) 
    if (is.null(ncol(NUM(df)))) { 
     DF <- data.frame(NUM(df), acm.disjonctif(FAC(df))) 
     names(DF)[1] <- colnames(df)[which(sapply(df, is.numeric))] 
    } else { 
     DF <- data.frame(NUM(df), acm.disjonctif(FAC(df))) 
    } 
    return(DF) 
} 

Probémoslo.

df <-data.frame(eggs = c("foo", "foo", "bar", "bar"), 
      ham = c("red","blue","green","red"), x=rnorm(4))  
dummy(df) 

df2 <-data.frame(eggs = c("foo", "foo", "bar", "bar"), 
      ham = c("red","blue","green","red")) 
dummy(df2) 

Answer 6

Una entrada tardía class.ind del paquete nnet

library(nnet) 
with(df.original, data.frame(class.ind(eggs), ham)) 
    bar foo ham 
1 0 1 1 
2 0 1 2 
3 1 0 3 
4 1 0 4 

Answer 7

que necesitaba una función de 'explotar' factores que es un poco más flexible, e hizo que se basa en la función de la acm.disjonctif paquete ade4. Esto le permite elegir los valores desglosados, que son 0 y 1 en acm.disjonctif. Solo explota factores que tienen 'pocos' niveles. Las columnas numéricas se conservan.

# Function to explode factors that are considered to be categorical, 
# i.e., they do not have too many levels. 
# - data: The data.frame in which categorical variables will be exploded. 
# - values: The exploded values for the value being unequal and equal to a level. 
# - max_factor_level_fraction: Maximum number of levels as a fraction of column length. Set to 1 to explode all factors. 
# Inspired by the acm.disjonctif function in the ade4 package. 
explode_factors <- function(data, values = c(-0.8, 0.8), max_factor_level_fraction = 0.2) { 
    exploders <- colnames(data)[sapply(data, function(col){ 
     is.factor(col) && nlevels(col) <= max_factor_level_fraction * length(col) 
    })] 
    if (length(exploders) > 0) { 
    exploded <- lapply(exploders, function(exp){ 
     col <- data[, exp] 
     n <- length(col) 
     dummies <- matrix(values[1], n, length(levels(col))) 
     dummies[(1:n) + n * (unclass(col) - 1)] <- values[2] 
     colnames(dummies) <- paste(exp, levels(col), sep = '_') 
     dummies 
     }) 
    # Only keep numeric data. 
    data <- data[sapply(data, is.numeric)] 
    # Add exploded values. 
    data <- cbind(data, exploded) 
    } 
    return(data) 
} 

Answer 8

Aquí hay una manera más clara de hacerlo. Uso model.matrix para crear las variables booleanas ficticias y luego fusionarlas nuevamente en el marco de datos original.

df.original <-data.frame(eggs = c("foo", "foo", "bar", "bar"), ham = c(1,2,3,4)) 
df.original 
# eggs ham 
# 1 foo 1 
# 2 foo 2 
# 3 bar 3 
# 4 bar 4 

# Create the dummy boolean variables using the model.matrix() function. 
> mm <- model.matrix(~eggs-1, df.original) 
> mm 
# eggsbar eggsfoo 
# 1  0  1 
# 2  0  1 
# 3  1  0 
# 4  1  0 
# attr(,"assign") 
# [1] 1 1 
# attr(,"contrasts") 
# attr(,"contrasts")$eggs 
# [1] "contr.treatment" 

# Remove the "eggs" prefix from the column names as the OP desired. 
colnames(mm) <- gsub("eggs","",colnames(mm)) 
mm 
# bar foo 
# 1 0 1 
# 2 0 1 
# 3 1 0 
# 4 1 0 
# attr(,"assign") 
# [1] 1 1 
# attr(,"contrasts") 
# attr(,"contrasts")$eggs 
# [1] "contr.treatment" 

# Combine the matrix back with the original dataframe. 
result <- cbind(df.original, mm) 
result 
# eggs ham bar foo 
# 1 foo 1 0 1 
# 2 foo 2 0 1 
# 3 bar 3 1 0 
# 4 bar 4 1 0 

# At this point, you can select out the columns that you want.