Question

我有一个数据帧，其中一些变量（列）是阶乘的，对于某些记录我有缺失值（NA）。

问题是：

在因子变量中替换\ NAs的正确方法是什么？

例如VarX有4个级别{＆＃34; A＆＃34;，＆＃34; B＆＃34;，＆＃34; C＆＃34;，＆＃34; D＆＃34;} - 什么是用'替换NAs的优先值？ A B C D？也许只是0？也许对这个变量观察的大多数水平进行估算？
如何根据1？
1＆amp; 2解决之后，我将使用以下内容为因子变量创建虚拟变量：
```
is.fact <- sapply(my_data, is.factor)
my_data.dummy_vars <- dummy.data.frame(my_data[, is.fact], sep = ".")
```
之后，如何将my_data中的所有因子变量替换为我已提取到my_data.dummy_vars的虚拟变量？

我的用例是事后计算主成分（需要所有变量都有数值，因此虚拟变量）

由于

Answer 1

感谢您澄清您的意图 - 这真的很有帮助！以下是我的想法：

输入缺失数据是一个非常重要的问题，对于交叉验证的优秀人员来说可能是一个很好的问题。这是一个只能由您（主题专家）在项目环境中解决的问题。一个很大的问题是缺失值是随机丢失还是作为一些其他变量的函数，以及是否观察到或未观察到。如果您断定它们作为其他（观察到的）变量的函数而丢失，您甚至可能会考虑基于模型的方法，可能使用GLM。到目前为止最简单的方法（如果你没有很多缺失的值）就是用mydata2 <- mydata[!is.na(TheFactorInQuestion),]之类的东西删除这些行我再说一遍，对缺失数据的估算是一个非常重要的问题，应该是在上下文中仔细考虑。也许一个好的方法是尝试一些插补方法，看看你的推论是否（以及如何）改变。如果他们没有改变（很多），你就会知道你不必担心。
可以使用相当简单的mydata2 <- mydata[!is.na(TheFactorInQuestion),]来删除行。如果你做任何其他形式的估算（在某种意义上，“弥补”数据），我会主张在做出正确决定之前，长期而艰难地思考这样做。当然，它可能是。
使用cbind加入两个data.frames非常简单，类似于my_data2 <- cbind(my_data, my_data.dummy_vars)。如果您需要删除包含因子数据的列，my_data3 <- my_data2[,-5]，例如，如果因子数据位于第5列。

Answer 2

通过虚拟变量，你的意思是零和一个？这就是我构建它的方式：

# first building a fake data frame
x <- 1:10
y <- as.factor(c("A","A","B","B","C","C",NA,"A","B","C"))
df <- data.frame(x,y)

# creating dummy variables 
df$dummy_A <- 1*(y=="A")
df$dummy_B <- 1*(y=="B")
df$dummy_c <- 1*(y=="C")

# did it work?
df
    x    y dummy_A dummy_B dummy_c
1   1    A       1       0       0
2   2    A       1       0       0
3   3    B       0       1       0
4   4    B       0       1       0
5   5    C       0       0       1
6   6    C       0       0       1
7   7 <NA>      NA      NA      NA
8   8    A       1       0       0
9   9    B       0       1       0
10 10    C       0       0       1

为因子变量NAs＆amp;将它们转换为虚拟变量

2 个答案: