假设我在R中有以下数据。
training = factor(c(1,1,3,2,1,3,2,34,67,34))
test = factor(c(1,1,2,30,65,30))
(我的数据要复杂得多,这是一种简化)
我想检查测试集中的级别是否存在于训练集中,如果不是,则将其替换为训练集中最接近的值。 例如,测试集中的级别30和65在训练集中不存在,所以我想分别用34和67替换它们。
目前,我创建了以下代码。
replacefactor <- function(dat,new_factor,near_factor) {
if (!(near_factor %in% levels(dat))){
levels(dat) <- c(levels(dat),near_factor)
}
dat[dat==new_factor] <- near_factor
dat <- factor(dat)
}
test <- replacefactor(test,30,34)
test <- replacefactor(test,65,67)
它有效,但我需要手动指定等级。由于我的数据大小,这对我来说不实用。
我不确定如何在训练集中找到最接近的值。 然后我可以使用for循环来自动化它。
答案 0 :(得分:4)
首先获得不匹配的级别:
test.missing <- levels(test)[!levels(test) %in% levels(training)]
然后编写一个函数来运行它们并找到最接近的匹配项:
myfun <- function(x, y) {
levels(y)[which.min(abs(as.integer(levels(y)) - as.integer(x)))]
}
> unlist(lapply(test.missing, myfun, training))
[1] "34" "67"
然后可以将其分配到正确的级别:
levels(test)[!levels(test) %in% levels(training)] <- unlist(lapply(test.missing, myfun, training))
> levels(test)
[1] "1" "2" "34" "67"