Question

我有一个数据集，它由许多元素组成 - 分为两个不同的类别（每个类别有相同数量的元素） - 并且有两个连续变量描述它们，如下所示：

ID  |  Category  |  Variable_1  |  Variable_2
--------------------------------------------
1   |  Triangle  |  4.3522      |  5.2321
2   |  Triangle  |  3.6423      |  6.3223
3   |  Circle    |  5.2331      |  3.2452
4   |  Circle    |  2.6334      |  7.3443
... |  ...       |  ...         |  ...

现在，我想将我的数据集划分为两个新的集合，这两个集合尽可能地匹配各个集合的平均值在Variable_1和{{1}定义的2D空间中的位置。 }}。也就是说，两组之间的距离应尽可能接近。

此外，如果可能的话（因为我知道这可能会使问题变得更加复杂），我希望两组内的差异尽可能地匹配，例如，我们可以定义方差整个集合作为每个变量的方差之和。在这里，我想你只是在空间中为方差添加另一个维度，并尝试找到由两个变量和方差组成的整个3D空间的最佳解决方案。

我如何在R？

中实现这一目标

Answer 1

我试图解决这个问题的方法是（如上所述）关心variable1和variable2之间的距离。因此，我将创建一个名为distance的新字段（下面我命名为diff），它将被计算为variable1-variable2。然后，我将按该列对数据帧进行排序，并逐行拆分数据帧，即每个奇数行将转到pot1，每个偶数行将转到pot2。以下代码作为示例演示了这一点：

id<-1:2000
a<-runif(2000,-100,100)
b<-runif(2000,-200,200)
mydf <- data.frame(id,a,b)

mydf['diff'] <- mydf[['a']] - mydf[['b']]
mydf<-mydf[with(mydf, order(diff)), ]

head(mydf,20)

输出：

> head(mydf,20) #as you can see the dataframe is ordered by diff (ascending)
       id         a        b      diff
1732 1732 -95.96522 198.1666 -294.1318
187   187 -94.24905 196.9341 -291.1831
338   338 -95.31069 194.9997 -290.3104
231   231 -91.98249 194.0672 -286.0497
1513 1513 -97.01006 183.5874 -280.5974
715   715 -94.53303 185.1026 -279.6356
145   145 -99.73511 178.2460 -277.9811
979   979 -87.73586 190.0489 -277.7848
1165 1165 -85.53447 187.6254 -273.1598
1243 1243 -94.75502 176.8572 -271.6122
1208 1208 -77.32021 189.1589 -266.4791
1826 1826 -92.23949 171.6341 -263.8736
167   167 -98.84123 163.6960 -262.5372
1283 1283 -76.54766 185.8721 -262.4197
1391 1391 -72.04732 189.9422 -261.9896
322   322 -77.53867 183.4744 -261.0131
75     75 -88.04799 171.9066 -259.9546
882   882 -65.11661 193.8533 -258.9699
1119 1119 -77.59978 181.2392 -258.8390
1624 1624 -81.81879 175.9795 -257.7983

现在拆分数据框：

samplea_1<-NULL
samplea_2<-NULL
sampleb_1<-NULL
sampleb_2<-NULL
id_1<-NULL
id_2<-NULL
diff_1<-NULL
diff_2<-NULL
for ( i in 1:nrow(mydf) ) {
  if(i%%2==0) {
    samplea_1 <- append(samplea_1,mydf$a[i])
    sampleb_1 <- append(sampleb_1,mydf$b[i])
    id_1      <- append(id_1,mydf$id[i])
    diff_1    <- append(diff_1,mydf$diff[i])
  } else {
    samplea_2 <- append(samplea_2,mydf$a[i])
    sampleb_2 <- append(sampleb_2,mydf$b[i])
    id_2      <- append(id_2,mydf$id[i])
    diff_2    <- append(diff_2,mydf$diff[i])
  }
}

sample1<-data.frame(samplea_1,sampleb_1,id_1,diff_1)
sample2<-data.frame(samplea_2,sampleb_2,id_2,diff_2)
summary(sample1)
summary(sample2)

输出：

> summary(sample1)
   samplea_1          sampleb_1             id_1            diff_1        
 Min.   :-99.2058   Min.   :-199.519   Min.   :   1.0   Min.   :-291.183  
 1st Qu.:-47.5615   1st Qu.:-100.917   1st Qu.: 495.8   1st Qu.:-105.851  
 Median :  1.3997   Median :   7.004   Median : 980.5   Median :  -1.333  
 Mean   :  0.7047   Mean   :   2.044   Mean   : 991.0   Mean   :  -1.340  
 3rd Qu.: 50.4087   3rd Qu.: 101.678   3rd Qu.:1482.8   3rd Qu.:  99.381  
 Max.   : 99.8470   Max.   : 199.833   Max.   :2000.0   Max.   : 291.797  
> summary(sample2)
   samplea_2          sampleb_2              id_2            diff_2        
 Min.   :-99.7351   Min.   :-199.9494   Min.   :   2.0   Min.   :-294.132  
 1st Qu.:-48.4339   1st Qu.: -99.7880   1st Qu.: 509.8   1st Qu.:-106.338  
 Median : -1.4627   Median :   6.8745   Median :1024.0   Median :  -1.425  
 Mean   : -0.7104   Mean   :   0.9099   Mean   :1010.0   Mean   :  -1.620  
 3rd Qu.: 48.1663   3rd Qu.:  94.7360   3rd Qu.:1513.2   3rd Qu.:  99.334  
 Max.   : 99.9496   Max.   : 199.8544   Max.   :1996.0   Max.   : 288.840

正如您所看到的，diff列具有几乎相同的均值，这有点直观，因为我们根据该列对数据帧进行了排序，但正如您所看到的，对于samplea和sampleb列，它们大致相同！发生这种情况是因为差异来自a和b，但根据每个列a和b的方差有多高，结果将不太准确。

希望有所帮助！

将数据集划分为两个群集，总差异相等

1 个答案: