Question

我有一个数据框，其中1000个观察属于n个不同的国家/地区。每个国家有超过1个观察，每个国家的观察数量不同。我需要创建一个数字从（1到n-1）的列，每个数字对应一个不同的国家。也就是说，我正在创建一个虚拟变量，我不关心哪个国家/地区有哪个数字。我只需要创造这样的假人。我的数据是这样的

  Region     x
1    be1 71615
4  be211 54288
5  be112 51158
6  it213 69856
8  it221 71412
9  uk222 79537
10 de101 94827
11 de10a 98273
12 dea10 92827
..    ..    ..

每个国家/地区都有自己的“代码”，例如beXXXX对比利时，ukXXX对英国等等。因此，我想我可以利用列Region中的初始 2 字母来创建我的假人。我从here知道命令grep()可以完成这项工作，但我需要有一个脚本，只要该区域的首字母发生变化，该脚本就会自动从1切换到n-1。

预期输出应该是这样的

 Region     x   Dummy
1    be1 71615      1
4  be211 54288      1
5  be112 51158      1
6  it213 69856      2
8  it221 71412      2
9  uk222 79537      3
10 de101 94827      4
11 de10a 98273      4
12 dea10 92827      4
..    ..    ..     ..

在这种情况下，1对应于“be”（比利时），2对应于“it”（意大利），依此类推，对于我样本中的'n'国家。

Answer 1

如何创建因子变量（您可以使用as.integer显示基础整数代码）。我们使用regexec和regmatches来提取Region变量开头出现的字母代码（忽略稍后出现的字母）并将其转换为因子...

#  Data with an extra row (row number 11)
df <- read.table( text = "  Region     x
1    be1 71615
4  be211 54288
5  be112 51158
6  it213 69856
8  it221 71412
9  uk222 79537
11  uk222a 79537
10 de101 94827" , h = T , stringsAsFactors = FALSE )

levs <- regmatches( df$Region , regexec( "^[a-z]+" , df$Region ) )

df$Country <- as.integer( factor( levs , levels = unique(levs ) ) )

   Region     x Country
1     be1 71615       1
4   be211 54288       1
5   be112 51158       1
6   it213 69856       2
8   it221 71412       2
9   uk222 79537       3
11 uk222a 79537       3
10  de101 94827       4

unlist( regmatches( df$Region , regexec( "^[a-z]+" , df$Region ) ) )
[1] "be" "be" "be" "it" "it" "uk" "uk" "de"

Answer 2

使用gsub的另一个选项是：

gsub('.*(^[a-z]{2}).*','\\1',c('de111', 'de11a','dea11'))
"de" "de" "de"

然后您使用factor和as.integer，如上一个答案所示。

根据R中矩阵中的数据创建虚拟变量

2 个答案: