Question

我有一个包含二进制，分类列的数据集，但编码为谨慎的数字和连续特征。我正在尝试构建一个函数，找出不包含数值的列索引。

下面给出了一个示例数据集：

data <- data.frame(var1=c(rep(1,5),rep(0,5)),var2=c(rep(0,2),rep(1,8)),
  var3=c(1,2,3,4,4,2,3,1,1,2), var4=rnorm(10),
  var5=as.numeric(c(rnorm(6),rep("NA",4))))

  var1 var2 var3       var4       var5
1     1    0    1  0.7312777 -1.3902633
2     1    0    2  0.5120417 -1.2470914
3     1    1    3  1.6502341 -0.9980822
4     1    1    4  0.4298987  0.7766762
5     1    1    4 -0.8025510 -0.5221676
6     0    1    2  0.2001818 -1.2300872
7     0    1    3 -0.5521180         NA
8     0    1    1 -1.7895327         NA
9     0    1    1 -0.5309557         NA
10    0    1    2 -1.7362210         NA

到目前为止，我尝试过以下功能：

is.binary <- function(v) {
  x <- unique(v)
  length(x) - sum(is.na(x)) == 2L && all(x[1:2] == 0:1)
}

该函数确实检测到只有2个值（1,0）的列，即使它们包含＆＃34; NA＆＃34;但此函数未正确检测二进制或分类列。当我使用命令运行该函数时：

vapply(data, is.binary, logical(1))

结果是

var1  var2  var3  var4  var5 
FALSE  TRUE FALSE FALSE FALSE

然而，我正在寻找它以某种方式将前3列标识为二进制/分类。

Answer 1

您检查数字与floor(numbers)（或trunc / ceiling）之间的差异是否在数字上无关紧要all.equal

sapply(data, function(x) isTRUE(all.equal(x, floor(x))))
#  var1  var2  var3  var4  var5 
#  TRUE  TRUE  TRUE FALSE FALSE

对于二进制文件，您可以进一步检查length(unique(trunc(numbers)))==2L

Answer 2

使用data.table具有方便的uniqueN功能（1.9.5+）

library(data.table) #versions 1.9.5+
> setDT(data)[,lapply(.SD,function(x)uniqueN(na.omit(x))<=2)]
   var1 var2  var3  var4  var5
1: TRUE TRUE FALSE FALSE FALSE

如果您想编写自己的功能，可以使用：

is.binary<-function(x)uniqueN(na.omit(x))<=2
> setDT(data)[,lapply(.SD,is.binary)]
   var1 var2  var3  var4  var5
1: TRUE TRUE FALSE FALSE FALSE

您可以使用R基础（如果您坚持使用is.binary进行类似调整）：

> sapply(data,function(x)length(unique(na.omit(x)))<=2)
 var1  var2  var3  var4  var5 
 TRUE  TRUE FALSE FALSE FALSE

如何检测二进制和＆amp; r

2 个答案: